Predicción del comportamiento termogravimétrico de la energía de activación de los residuos cáscara de papa (Solanum tuberosum)

El objetivo de este trabajo fue desarrollar una red neuronal artificial capaz de predecir el comportamiento termogravimétrico de la energía de activación en los residuos de cáscara de papa (Solanum tuberosum) del cantón Guano. Los datos experimentales del análisis termogravimétrico y cálculos mediante los modelos cinéticos propuestos por Flynn-Wall-Ozawa, Kissinger-Akahira-Sunose y Friedman para la energía de activación se han utilizado al establecer una base de 100 datos en el modelo de predicción. El desarrollo de la red se llevó a cabo en el software Matlab con tres variables de entrada, diferente cantidad de neuronas en la capa oculta, una variable de salida y los algoritmos de entrenamiento de Levenberg Marquardt, Regularización Bayesiana y Scaled Conjugate Gradient. el tiempo, la temperatura y el peso de la muestra del análisis termogravimétrico se han seleccionado como variables de entrada; mientras que, la energía de activación calculada por el método cinético de Flynn Wall Ozawa como variables de salida. Un coeficiente de correlación de pearson de 1 y error cuadrático medio de 2,327E-09 evidencian el buen desempeño la red durante su entrenamiento con 375 neuronas en la capa oculta y el algoritmo de regularización bayesiana. Un valor-P mayor que 0,05 permite validar con un 95% de confianza el modelo de predicción, confirmando estadísticamente, que no existe una diferencia significativa entre la energía de activación real y predicha por la red neuronal artificial. Los resultados indican que la red neuronal artificial demuestra ser eficiente para predecir la energía de activación de los residuos de cáscara de papa analizados por termogravimetría empleando tasas de calentamiento de 5 y 15 °C/min en atmósfera inerte con inyección de nitrógeno a 20 mL/min. Se recomienda emplear el modelo de predicción en aquellos proyectos encaminados hacia la pirólisis o gasificación de la biomasa conformada por residuos de cáscara de papa.The objective of this study was to develop an artificial neural network capable of predicting the thermogravimetric behaviour of the activation energy in the residues of potato peel (Solanum tuberosum) from the Guano canton. The experimental data of the thermogravimetric analysis and calculations using the kinetic models proposed by Flynn-Wall-Ozawa, Kissinger-Akahira-Sunose and Friedman for the activation energy have been used when establishing a base of 100 data in the prediction model. The development of the network was carried out in the Matlab software with three input variables, the different number of neurons in the hidden layer, an output variable and the Levenberg Marquardt, Bayesian Regularization and Scaled Conjugate Gradient training algorithms. The time, temperature and weight of the sample from the thermogravimetric analysis have been selected as input variables, while the activation energy calculated by the kinetic method of Flynn Wall Ozawa as output variables. A Pearson correlation coefficient of 1 and a mean square error of 2.327E-09 show the good performance of the network during its training with 375 neurons in the hidden layer and the Bayesian regularization algorithm. A P-value greater than 0.05 allows the prediction model to be validated with 95% confidence, statistically confirming that there is no significant difference between the real and predicted activation energy by the artificial neural network. The results indicate that the artificial neural network proves to be efficient in predicting the activation energy of potato peel residues analysed by thermogravimetry using heating rates of 5 and 15 ° C / min in an inert atmosphere with nitrogen injection at 20 mL/min. It is recommended to use the prediction model in those projects aimed at pyrolysis or gasification of biomass made up of potato peel residues