Metodologia de superficie de respuesta versus técnicas de

Anuncio
!"!#$%$&!'() "!"#*+$,%
,-
./
.
0
/(.1.
..
Ing. Nayeli Montalvo Romero1, Ing. Blanca Olivia Ixmatlahua Rivera2, Dr. Oscar Báez Sentíes3, Dr. Fernando
Ortiz Flores4 & Ing. David Hernández Ricardez5
Resumen— El proceso de secado de la papa es importante para obtener un producto comercializable y de calidad. En
la práctica, las condiciones de secado, se obtienen mediante la metodología de superficie de respuesta (MSR o RSM, por
sus siglas en inglés), cuya desventaja es crear un espacio limitado de soluciones. En comparación con esta metodología, las
técnicas de Inteligencia Artificial (IA) permiten obtener un amplio espacio de soluciones óptimas. Aplicando las Redes
Neuronales Artificiales (RNA) se predicen los valores de las variables de respuesta de acuerdo al comportamiento de los
valores de las variables de entrada. Con los resultados obtenidos de las predicciones se llevo a cabo el proceso de
optimización mediante la aplicación de Algoritmos Genéticos multicriterio (AGM). Como resultado de la aplicación de
estas técnicas se logro superar las limitaciones del MSR, se obtuvieron resultados óptimos en un menor tiempo que
ayuden a una mejor toma de decisiones.
Palabras claves— Proceso de secado, Redes Neuronales Artificiales y Algoritmos genéticos multicriterio.
I. INTRODUCCIÓN
1
La Ing. Nayeli Montalvo Romero es alumna de la Maestría de Ingeniería Industrial en la División de Estudios de Posgrado e
Investigación del Instituto Tecnológico de Orizaba, Orizaba, Veracruz. [email protected] (autor corresponsal)
2
La Ing. Blanca O. Ixmatlahua Rivera es alumna de la Maestría de Ingeniería Industrial en la División de Estudios de
Posgrado e Investigación del Instituto Tecnológico de Orizaba, Orizaba, Veracruz. [email protected]
3
El Dr. Oscar Báez Sentíes es profesor investigador de la División de Estudio de Posgrado e Investigación del Instituto
Tecnológico de Orizaba, Orizaba, Veracruz. [email protected]
4
El Dr. Fernando Ortiz Flores es profesor de la División de Estudio de Posgrado e Investigación del Instituto Tecnológico de
Orizaba, Orizaba, Veracruz. [email protected]
5
El Ing. David Hernández Ricardez es alumno de la Maestría en Ingeniería Industrial en la División de Estudio de Posgrado e
Investigación del Instituto Tecnológico de Orizaba, Orizaba, Veracruz. [email protected]
!"###
$!%&''()
*
)*
El proceso de secado de la papa es importante para obtener un producto comercializable y de calidad. La papa
(Solanum Tuberosum) es un alimento, nutritivo que desempeña funciones energéticas debido a su alto contenido en
almidona si como funciones reguladoras del organismo por su elevado contenido en vitaminas hidrosolubles,
minerales y fibra (Lozano, 2007). En la actualidad, su extensa superficie de cultivo y la alta hacen que la papa sea
uno de los cultivos hortícolas en México e incluso uno de los principales cultivos a nivel mundial, colocándola en el
cuarto lugar en importancia superado únicamente por maíz, frijol, arroz y trigo (Lozano,2007).
#
+
,*-
*
*./0
0
*
1)#0
*1*2
0
.3
*
**0
.
*
3
*3
**
.*
,
*
*,
0)
0
4
.*
0
00
*
,
*
0-*05
*0
0,
.0
0*
*0*
0
0
*0
,0**6
&''78)
II. DESCRIPCIÓN DEL MÉTODO
4
,
4*
*0
4
*
,
*
)#
*
*1
0
0
*
*.0
*00,
6
&''78)
0
0
4
*
3
.
0
000
0
00
,
4
*
)9
*
0*
0
3*
0
: *3
0
3
-
0*
*
1
4
,
.1
0*3
0**
*0
/0*
)
:-1
*
*2
,
;0
*
,
03*
0
14
0
3,3-0*
0
)#
*
,
03*
:
4*
0
,
30)0*0
:*
0/*
00
4
,-
30)#
2
040
00
*<
*
=
*
0
0
0
*2/*
)0*03
3.*0*
0/*
3
4
3*
3
06:*,>((>8)
IA
?>?&">"&"@
AG
RNA
Algoritmos genéticos
Aprendizaje
?>?&?@">"&"@
X1 X2 X3
Optimización bi-criterio y
tri-criterio
Retroalimentación
Figura 1. Metodología Utilizada.
!"###
$!%&''()
*
)*
En la práctica, las condiciones de secado, se obtienen mediante la MSR. Esta técnica se utiliza para determinar las
condiciones de operación óptima de un sistema, o determinar la región del espacio de los factores en las que se
satisfacen las condiciones de operación, siendo ésta su principal desventaja ya que crea un espacio limitado de
soluciones. En comparación con esta metodología, las técnicas de RNA y AGM permiten obtener un amplio
espacio de soluciones óptimas. La metodología utilizada para la realización de esta investigación fue la que se
muestra en la figura 1.
!"###
$!%&''()
*
)*
E0*
0
4*3
33-3
*3
0*)
*14
0%
>(7F23
0
3
0*
6
>(7F8)
1
*0
0
00
*
4
*
,
1
0
,
*
)#
32
.0*.
0
.
*
*3
1
**
0*
*
6C&''>8)
#4
*!9:
03
03
684
*
*2
0
03*
0
*
4
0
0*.
3
/
0
*2
0.4*
03
0
*31
.
0
20
1
.4*0
0;**0
0
4*
**
0
0
.*0
0
6:
&''(8)
4*0
*
*0
3.000
*
*/0*
,
030
)#*
*
0
3)6
-
&''A8)
3*
.
/03*
4.
0
*
,*0-
0
,*0
*
;0
3
)*
4
*5
>) 0
.0
*
3)
&) 0
4;
*04
)
@) 0
.00
)
4.4B
:!!C
*
)
*
4*
/
0*0)
4
4
03
*0+*4
0
0
,
)9
*
34
*
00
4.
3
**
4
6B
)&'''8)
.
40
4
6D!84/0
3-
+
03*
0
)
0
0
-3
0
*
)
4
0
-
0
-
0
*
)#
: #6:
.
#80
0
0
)
*
4<
0*0
*=
3
)
/0*
3
< 04
*-
0
0
6 *3*8=
0!
!)
#
*
0
*
3
*0
6G82*6*8,
6H2
8
*2
30
0
*
6&EI))8
B6
8
,6J#8)
Figura 2. Error de aprendizaje ECM
K'H
3
*
D!)
.
D!
@
3
K
,@
3
)
23
*L
00
6C8)
4
3
-00
**
4)
0*
40
**
*
00*
D!
1*1*
0
)#
33
-
0
-0
0
4
)
D!
-
*0
3
*4
4*
.
*6#:84**.4
.
0*0
*
)#
4
&3
#:.3
*
/0*
01&''
)
0
+!9:3-3
0*
0
)
!"###
$!%&''()
*
)*
&'H
/0*
,,
0
-
3
*
4
@)D
4
@.
0
/4
4
0,
3
.
4*
>)
*00*
30*!9:0
0
15
D)M'
D)
K'
H:
M'
"
III. COMENTARIOS FINALES
')7
')A
,N/
ON>
')F
')M
Predicciones
,N/
ON>
Predicciones
Predicciones
')F
')MF
')M
')@F
')@
')&F
')&
')>F
')>
')'F
'
Color (ǻE)
aw
Humedad (gH2O/g s.s.)
')@
')&
')>
'
' ')'F ')> ')>F ')& ')&F ')@ ')@F ')M ')MF ')F
Datos experimentales
'
')>
')&
')@
')M
')F
')A
')7
Datos experimentales
&'
>K
>A
>M
>&
>'
K
A
M
&
'
,N/
ON>
'
&
M
A
K
>'
>&
>M
>A
>K
&'
Datos experimentales
Figura 3. Regresión lineal de los valores predichos vs valores experimentales.
H
* F'
!"###
$!%&''()
*
)*
Color(ǻE)
4
M*
4
,
B
*
/*,**
0
*)#
*
0*)#
4
F03
.
4
*
/*
4
4
*
**
)
*3
3L3
00*,4
3)#
4
A
*
0*
3L
3
.**
*3)
17.4201
#
4
A3
./
17.4200
17.4200
40
*34
Soluciones
17.4199
óptimas de…
*
,
B)
24
*
17.4199
17.4198
0*0
*3
)
17.4198
*31
0*
17.4197
0
0*
17.4197
17.4196
*
B,)#3-
17.4196
4**
*
,
B
0.3030000.3030000.3030010.3030010.3030020.3030020.3030030.3030030.303004
***0*
/*
aw
)
4
7*
Figura 4. Soluciones óptimas de Pareto bicriterio
0*
**
4
0
)
0*
3
>)
0
*0
2*,
)
3
0*
0
0
0
0
)
17.4201
0.30301
17.4200
0.30301
17.4198
Soluciones óptimas
de Pareto
0.30301
Soluciones de
óptimas de Pareto
0.30301
aw
Color (ǻE)
17.4199
17.4197
0.30300
17.4196
0.30300
17.4195
0.30300
17.4194
0.30300
17.4193
0.112195
0.112198 0.112200 0.112202 0.112204 0.112206 0.112208
0.1122
0.112205
0.11221
0.112215
Humedad (gH2O/g s.s.)
Humedad (gH2O/g s.s.)
Figura 6. Soluciones óptimas de Pareto bicriterio
Figura 7. Soluciones óptimas de Pareto bicriterio
2*
6*8
6H28
*
6&EI
))8
B ')K>7MA
')7@K'(F
')7&&&&&
')FA@M(&
')7F@(AK
')A7MA'@
')AFK7@
')AFK7@
')F7(@AF
>)'&@K>
')7KF7>M
')F>FK7@
')FA@M(&
')F7(@AF
')F>FK7@
')7F@(AK
')FA@M(&
')FA@M(&
')FA@M(&
')F7(@AF
')7F@(AK
')(AK&FM
')@(AK&F
')MMMMMM
')@>7MA
')@>7MA
')@(AK&F
')MMMMMM
')@>7MA
')M&KF7>
')'A@M(&>
')(F&@K>
')&A(KM>
')MMMMMM
')@M(&'A
')@>7MA
')(AK&FM
')'A@M(&>
')>('M7A
')@>7MA
')F&@K>
')(AK&FM
')>>&&'K
')>>&&'>
')>>&&'&
')>&>KAF
')>>&&>
')>>&&&K
')>>&&A>
')>>&&M
')>>M@@F
')>>&&
')>>&FAF
')>7(>'@
')>&KK(F
')>>&7>(
')&&AA>F
')>>MA@K
')&>'AA
')&&7FK
')&>7@(
')>>F'7M
')>>@@&
')@'@
')@>&K&M
')@'7>>&
')@'@(&&
')@>@>&
')@'AF@
')@'@7&@
')@>FF>K
')@'@'(>
')@MMM>K
')@'@
')@'@AAF
')@'@''A
')@'A'KK
')@'@'@A
')@'@
')@'@>(M
')@'@''A
')@'@
')@'@''@
')@'@
>>)MK'F
>F)K'FA
>&)>>F&
>7)M&
>7)'>K
>7)@&&A
>A)K7@&
>7)M>(A
>7)M>77
>7)M>>@
>M)7MAK
>7)M&
>7)M>@&
>7)M&
>7)M&
>F)(&7@
>7)M&
>7)M&
>7)M>AF
>7)'7F>
>F)FA7K
Tabla 1. Soluciones óptimas de Pareto Tri- criterio
-
0
*
.
1
$!
3**00
0*
/0*
)
0
$!0
0
0
0**
**
*26D!8.0
*0.
0
)#
0
*
0*
*
!"###
$!%&''()
*
)*
*0
6G8
F7)>M&(
F()'M7A
F()'M7A
F()'M7A
FK)'(F&
F()'M7A
F()'M7A
F()@AF>
F()@AF>
A'
FA)>('F
F()'M7A
FK)7@'&
A'
FK)M>&7
FF)K7@
F@)'>F(
F@)AF'K
F@)AF'K
F()@AF>
FA)>('F
!
Color ( ‫ ٵ‬E)
00
0!9:
03
,
34*3
0
)
P
4)
D
0
18
*0
: ,
17
*
3
16
6D!I!9:8)!**
4
15
0*
2*3
14
/0*
)
13
12
IV. REFERENCIAS
• 0*
)
11
0.35
0.34
0.24
0.33
0.32
0.14
0.31
aw
0.3
0.1
0.16
0.18
0.2
0.22
0.12
Humedad (gH2O/g s.s.)
Figura 7. Soluciones óptimas de Pareto tricriterio
Del Brío B. M. y Sanz A. “Redes
Neuronales y Sistemas difusos”.
Alfaomega 2da. Edición. 2001.
Diego-Mas, J.A. “Optimización de la
distribución en planta de instalaciones
industriales
mediante
algoritmos
genéticos”. Aportación al control de la
geometría
de
las
actividades.
Universidad Politécnica de Valencia.
2006
Holland J. H., “Adaptation in natural
La Ing. Blanca Olivia Ixmatlahua Rivera estudió la licenciatura en Ingeniería Industrial en manufactura, en el Instituto Tecnológico de
Orizaba. Actualmente está estudiando la Maestría de Ingeniería Industrial en la División de Estudios de Posgrado e Investigación del Instituto
Tecnológico de Orizaba.
El Dr. Oscar Báez Sentíes. Ingeniero Industrial en Producción y Maestro en Ciencias en Ingeniería Industrial del Instituto Tecnológico de
Orizaba. Doctorado en Ingeniería en Procesos y Medio Ambiente en el Instituto Nacional Politécnico de Toulouse, Francia. Actualmente es
profesor de la División de Estudio de Posgrado e Investigación del Instituto Tecnológico de Orizaba. Actualmente dentro del SNI. Sus funciones
actuales son impartir cursos de técnicas modernas de análisis de decisiones. Asimismo, dirige tesis de maestría y de licenciatura en Ingeniería
Industrial. Su experiencia profesional incluye puestos en empresas privadas y de Gobierno.
El Dr. Fernando Ortiz Flores. Ingeniero Industrial y Maestro en Ciencias en Ingeniería Industrial del Instituto Tecnológico de Orizaba.
Doctorado en Ingeniería Industrial en la UPAEP, Puebla, Mex. Actualmente es profesor de la División de Estudio de Posgrado e Investigación
del Instituto Tecnológico de Orizaba. Sus funciones actuales son impartir cursos de manufactura. Asimismo, dirige tesis de maestría y de
licenciatura en Ingeniería Industrial. Su experiencia profesional incluye puestos en empresas privadas y de Gobierno.
!"###
$!%&''()
*
)*
La Ing. Nayeli Montalvo Romero estudió la licenciatura en Ingeniería Industrial en manufactura, en el Instituto Tecnológico de Orizaba. .
Actualmente está estudiando la Maestría de Ingeniería Industrial en la División de Estudios de Posgrado e Investigación del Instituto Tecnológico
de Orizaba.
and artificial systems”, University of Michigan Press, Ann Arbor.1975.
Howard D., y Mark B. “Neural network toolbox for use with MATLAB”, The Math Works, Inc, September 2000
Ixmatlahua, R.B “Metodología de superficie de respuesta versus técnicas de inteligencia artificial, optimizando el secado de chayote”, Instituto
Tecnológico de Orizaba, 2009.
Lozano,A.A. “Secado por lecho fluidizado de minihojuelas de papa(Solanum tuberosum )”. Instituto Tecnológico de Orizaba, 2007
Montgomery, D. “Diseño y análisis de experimentos”. Grupo editorial Iberoamericana. 1991.
Morales, L.F. “Lógica Difusa como operador de selección de un algoritmo genético multicriterio en un caso de aplicación de diseño optimo de
procesos”. Instituto Tecnológico de Orizaba, 2009
Pajares G. y Santos M. “Inteligencia Artificial e Ingeniería del conocimiento”, Alfaomega. 2006.
$!%&''()
*
)*
2
El Ing. David Hernández Ricardez estudió la licenciatura en Ingeniería Industrial en calidad, en el Instituto Tecnológico Superior de
Comalcalco. Actualmente está estudiando la Maestría de Ingeniería Industrial en la División de Estudios de Posgrado e Investigación del Instituto
Tecnológico de Orizaba.
!"###
Descargar