Artificial neural network aplied to thermal processing of food

O presente trabalho teve como objetivo desenvolver um modelo matemático usando a técnica de redes neurais como alternativa potencial aos métodos existentes para o cálculo do processamento térmico de alimentos enlatados. A rede construída teve como variáveis de entrada: o tempo de processo, a temperatura da autoclave e a temperatura do centro do produto para o tempo presente e tempos anteriores. A variável de saída foi a temperatura do ponto frio. Para o treinamento da rede, um conjunto de dados em função das variáveis operacionais tempo e temperatura foi obtido através do processamento do produto em autoclave vertical. A rede selecionada foi a 5-8-9-1, a qual apresentou excelente capacidade de generalização, com um erro relativo médio de 0,022. A precisão e a habilidade do modelo de redes neurais foram comparadas com os métodos de Ball e Stumbo, ambas com respeito ao valor de F do processo, demonstrando a superioridade da técnica de redes neurais. A etapa de resfriamento foi estudada separadamente a partir de uma rede back-propagation desenvolvida com o objetivo de predizer a contribuição do valor de F do processo para diferentes valores de temperatura no centro do produto, no início e no final do resfriamento. A rede construída teve como variáveis de entrada: a temperatura do centro do produto no início do resfriamento, a temperatura da água de resfriamento e a temperatura do ponto frio no final do resfriamento. A variável de saída foi o valor de F. No treinamento da rede foi usado o mesmo conjunto de dados em função das variáveis operacionais tempo e temperatura obtido em autoclave vertical. A rede selecionada para a etapa de resfriamento foi a rede (5-14-10-1) e apresentou excelente capacidade de generalização, com um erro relativo médio de 0,706. Redes neurais apresentaram grande capacidade para a modelagem do processamento térmico de alimentos quando analisado o processo completo e a etapa de resfriamento em separado, predizendo acertadamente as novas temperaturas do produto e os novos valores de F, respectivamente. Sendo então demonstrada precisão, simplicidade e compatibilidade on line.The present work had as objective to develop a mathematical model using the technique of neural networks as potential alternative to the existent methods for the calculation of the thermal processing of canned food in order to determine the temperature of the cold point of the product starting from the initial conditions of the process and of the temperature of the autoclave. The built network had as input variables: the time of process, the temperature of the autoclave and the temperature of the center of the product for the time present and previous times. The output variable went to temperature in the center of the product in the time. For the training of the network, a group of data in function of the variables operational time and temperature was obtained through the processing of the product in vertical autoclave. The selected network went to network (5-8-9-1), which presented excellent generalization capacity, with a mean relative error of 0,022. The precision and ability of the model of neural networks were compared with the methods of Ball and Stumbo, both with regard to the value of F of the process, demonstrating the superiority of the technique of neural networks. The cooling stage was studied separately starting from a network back- propagation developed with the objective of predicting the contribution of the value of F of the process for different temperature values in the center of the product in the beginning and in the end of the cooling. The built network had as input variables: the temperature of the center of the product in the beginning of the cooling, the temperature of the cooling water and the temperature of the center of the product in the end of the cooling. The output variable was the value of F. In the training of the network the same group of data was used in function of the variables operational time and temperature obtained in vertical autoclave. The network selected for the cooling stage went to network (5-14-10-1) and it presented excellent generalization capacity, with a mean relative error of 0,706. Neural networks presented great capacity for the modeling of the thermal processing of food when analyzed the complete process and the cooling stage in separate predicting the new temperatures of the product and the new values of F wisely, respectively. Being demonstrated precision, simplicity and on line compatibility.Conselho Nacional de Desenvolvimento Científico e Tecnológic