NONLINEAR MODEL OF ARICE DRYING PROCESS USING NEURAL NETWORKS

Autor: Helmer Muñoz, Carlos Arturo Mojica Sánchez, José Aldemar Muñoz
Jazyk: angličtina
Rok vydání: 2018
Předmět:
Zdroj: Vitae, Volume: 25, Issue: 3, Pages: 120-127, Published: DEC 2018
Vitae, Vol 25, Iss 3, Pp 120-127
Popis: Background: The production quality of rice is highly depended on the drying process as drying weakens the rice kernel. A look at the production process of rice in the industry was taken. The drying of rice influences the storage capacity of the grain, the energy consumption, the final mass of the grain and the percentage of whole grains at the end of the process. Objective: The main objective was to analyse the drying of rice by making an artificial neural network to model and simulate it. Methods: The modeling of a rice drying process using neural networks was presented. These models are suitable to be used in combination with model-based control strategies in order to improve the drying process. The implementation, preprocessing and data retrieval for the design of an artificial neural system was analyzed. Controlling the drying factors is of major importance. Feedforward and dynamic neural networks were compared based on their performance. Results: It was concluded that when some part of the dataset is given as training, even with one dataset, a back-propagation network simulates very well the other parts of the drying curve. It can be said that the approximations done by the networks to obtain a nonlinear model of the rice drying process are quiet good. Conclusions: Firstly, because of the too little data available for training, the networks were not as good as expected. More data is needed to realy have a powerfull network capable of approximated very well the drying curve. Secondly, a backpropagation network can be a good solution for modelling and for use in a controller if more data is available, in contrast a linear network gave bad results. thirdly, a network with little number of layers is the best option. A perfect mapping from the input to the output is impossible due the differences in each test and the imperfect sensors. RESUMEN Antecedentes: la calidad de producción del arroz depende en gran medida del proceso de secado, ya que el secado debilita el grano de arroz. Se estudió el proceso de producción de arroz en la industria. El secado del arroz influye en la capacidad de almacenamiento del grano, el consumo de energía, la masa final del grano y el porcentaje de granos totales al final del proceso. Objetivo: El objetivo principal fue analizar el secado del arroz diseñando una red neuronal artificial para modelarlo y simularlo. Métodos: Se presentó el modelado de un proceso de secado de arroz utilizando redes neuronales. Estos modelos son adecuados para ser utilizados en combinación con estrategias de control basadas en modelos para mejorar el proceso de secado. Se analizó la implementación, el pre-procesamiento y la recuperación de datos para el diseño de un sistema neuronal artificial. Controlar los factores de secado es de gran importancia. Las redes neuronales avanzadas y dinámicas se compararon en función de su rendimiento. Resultados: se llegó a la conclusión de que cuando una parte del conjunto de datos se proporciona como entrenamiento, incluso con un conjunto de datos, una red de propagación inversa simula muy bien las otras partes de la curva de secado. Las aproximaciones hechas por las redes para obtener un modelo no lineal del proceso de secado del arroz son bastante buenas. Conclusión: En primer lugar, debido a la poca información disponible para el entrenamiento, las redes no fueron tan buenas como se esperaba. Se necesitan más datos para tener realmente una red potente capaz de aproximar muy bien la curva de secado. En segundo lugar, una red de propagación hacia atrás puede ser una buena solución para modelar y usar en un controlador si hay más datos disponibles, en contraste, una red lineal arrojó malos resultados. En tercer lugar, una red con poca cantidad de capas es la mejor opción. Un mapeo perfecto de la entrada a la salida es imposible debido a las diferencias en cada prueba y los sensores imperfectos.
Databáze: OpenAIRE
Externí odkaz: