Por favor, use este identificador para citar o enlazar este ítem: http://dspace.unach.edu.ec/handle/51000/13847
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorCórdova Suárez, Manolo Alexander-
dc.contributor.authorDuque Enriquez, Samantha Daniela-
dc.date.accessioned2024-10-23T22:07:12Z-
dc.date.available2024-10-23T22:07:12Z-
dc.date.issued2024-10-23-
dc.identifier.citationDuque Enriquez, S. (2024). Estimación del tiempo de secado de fresas (Fragaria sp) del cantón Guano utilizando redes neuronales artificiales. (Tesis de grado). Universidad Nacional de Chimborazo. (Riobamba, Ecuador).es_ES
dc.identifier.issnUNACH-EC-FI-IIND-
dc.identifier.urihttp://dspace.unach.edu.ec/handle/51000/13847-
dc.descriptionTo find the total drying time of food, long and traditional methods still persist, where the use of dehydrators implies the application of complex procedures in the laboratory, they are also expensive because the direct and indirect raw material is required. This research compares the time taken by the traditional methodology to calculate the total drying time of strawberries (fragaria sp.) from the Valparaíso parish with the technique that uses Artificial Neural Networks (ANN). It began by drying 300 g/day of strawberries in the traditional way in the Unach laboratory of the Faculty of Engineering using a tray dryer, a drying time of 360 min was calculated, then five quantitative characteristics necessary to form the ANN were determined, which were: relative humidity, globe temperature, dry bulb temperature, wet bulb temperature and the initial weight of the fruit, considering the sigmoid function for the activation of the backpropagation algorithm (RP) using Matlab. As a result, four layers were determined: a) the first one has 16 static receptor neurons; b) the second one has 10 neurons; c) the third one has 1 dynamic neuron and d) the fourth one is the static output neuron, with calculation errors of less than 3.47 %. To determine the best model, the MSE was calculated, which measures the amount of error between two sets of data, comparing the experimental value with the predicted one and it was found that both in training and in validation and testing the values are close to zero, which indicates that it is an optimal model. This experiment was developed under the following initial conditions: altitude of 2754 meters above sea level corresponding to the city of Riobamba, with strawberries with a sweetness of 12 ° Brix and the dehydrator at a constant temperature of 65 ° C. For comparison purposes, the same quantitative characteristics defined above have been entered into Matlab, but instead of entering the 11 values obtained in the experimental part, only the first one was entered, which corresponds to the mass of the fruit after 30 min in the dehydrator under the same conditions, in order to determine the error in the calculation if only 1 drying data were available. It was determined that the average error when all 11 variables are available is 0.76 %, while when one variable is available it rises to 1.58 %, for both cases the error is acceptable, indicating that if the first drying variable is known, the value could be determined after 360 min of drying, which makes this method even more efficient.es_ES
dc.description.abstractPara hallar el tiempo total de secado de alimentos aún persisten métodos prolongados y tradicionales, donde el uso de deshidratadores implica la aplicación de procedimientos complejos en el laboratorio, también son costosos debido a que se requiere la materia prima directa e indirecta. Esta investigación compara el tiempo que toma la metodología tradicional para calcular el tiempo total de secado de fresas (fragaria sp) de la parroquia Valparaíso con la técnica que utiliza Redes Neuronales Artificiales (RNA). Se empezó secando de manera tradicional 300 g/día de fresas en el laboratorio de la Unach de la Facultad de Ingeniería utilizando un secador de bandejas, se calculó un tiempo de secado de 360 min, luego se determinaron cinco características cuantitativas necesarias para formar la RNA las cuales fueron: humedad relativa, temperatura de globo, temperatura de bulbo seco, temperatura de bulbo húmedo y el peso inicial de la fruta, considerando la función sigmoide para la activación del algoritmo de retro propagación (RP) utilizando Matlab. Como resultado se determinaron cuatro capas: a) la primera que cuenta con 16 neuronas receptoras estáticas; b) la segunda que cuenta con 10 neuronas; c) la tercera que cuenta con 1 neurona dinámica y d) la cuarta que es la neurona de salida estática, con errores de cálculo de menos del 3.47 %. Para determinar el mejor modelo se calculó el MSE el cual mide la cantidad de error que hay entre dos conjuntos de datos, comparando el valor experimental con el predicho y se encontró que tanto en el entrenamiento como en la validación y test los valores son cercanos a cero lo que indica que es un modelo óptimo. Este experimento fue desarrollado bajo las siguientes condiciones iniciales: altitud de 2754 msnm correspondiente a la ciudad de Riobamba, con fresas con un dulzor de 12 °Brix y el deshidratador a una temperatura constante de 65 °C. Para efectos de comparación, se ha colocado en Matlab las mismas características cuantitativas que se definieron anteriormente, pero en lugar de colocar los 11 valores que se obtuvieron en la parte experimental, solo se colocó el primero el cual corresponde a la masa de la fruta luego de 30 min en el deshidratador bajo las mismas condiciones con el objetivo de determinar el error en el cálculo si solo se contara con 1 dato de secado. Se determinó que el error promedio cuando se cuenta con las 11 variables es de 0.76 %, mientras que cuando con una variable asciende a 1.58 %, para ambos casos el error es aceptable lo que indica que si se conoce la primera variable de secado se podría determinar el valor luego de 360 min de secado lo que hace a este método aún más eficiente.es_ES
dc.description.sponsorshipUNACH, Ecuador.es_ES
dc.format.extent76 páginas.es_ES
dc.language.isospaes_ES
dc.publisherRiobambaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectTiempo de secadoes_ES
dc.subjectRNAes_ES
dc.subjectFresa (fragaria sp)es_ES
dc.subjectRetro propagaciónes_ES
dc.titleEstimación del tiempo de secado de fresas (Fragaria sp) del cantón Guano utilizando redes neuronales artificiales.es_ES
dc.typebachelorThesises_ES
Aparece en las colecciones: Tesis - Ingeniería Industrial



Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.