Locus  

Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser

Show simple item record

dc.contributor Coimbra, Jane Sélia dos Reis
dc.contributor Pereira, José Antônio Marques
dc.contributor.advisor Minim, Luis Antônio
dc.creator Coelho Junior, Lauro Bernardino
dc.date.accessioned 2017-07-17T12:32:01Z
dc.date.available 2017-07-17T12:32:01Z
dc.date.issued 2001-08-30
dc.identifier.citation COELHO JUNIOR, Lauro Bernardino. Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser. 2001. 101 f. Dissertação (Mestrado em Ciência e Tecnologia de Alimentos) - Universidade Federal de Viçosa, Viçosa. 2001. pt-BR
dc.identifier.uri http://www.locus.ufv.br/handle/123456789/11319
dc.description.abstract Este trabalho apresenta os resultados obtidos na aplicação da técnica de modelagem híbrido-neural da extração líquido-líquido com sistemas aquosos bifásicos em extrator Graesser. Foi estudada a separação das proteínas α - lactoalbumina e β -lactoglobulina do soro de queijo em sistemas aquosos bifásicos compostos por 18 % em peso de polietilenoglicol 1500 e 18 % em peso de fosfato de potássio em pH 7. Foi empregada uma rede neural do tipo feedforward para predizer os parâmetros de transferência de massa Peclet (Pe) e número de unidades de transferência (Nox) em função das variáveis operacionais velocidade de rotação e relação de vazões das fases. Dado a escassez de dados experimentais, dados semi-empíricos foram gerados através de uma técnica alternativa baseada em erros de modelagem (GDS3), para treinamento e validação da rede. A topologia da rede foi determinada utilizando a técnica de superfície de resposta, que forneceu valores ótimos do número de camadas escondidas, do número de nodos nestas camadas e da taxa de aprendizagem. Foi definida uma rede do tipo 2-10-5-3, com uma taxa de aprendizagem de 0,001. Os dados experimentais para estudo de transferência de massa foram obtidos em um extrator do tipo Graesser. As variáveis testadas foram relação de vazão das fases e velocidade de rotação. Tendo sido usados os dados experimentais como parte do conjunto de dados para testar a rede, pode -se notar sua grande performance na predição dos parâmetros Pe e Nox em função das variáveis operacionais do extrator. O modelo da operação de extração foi obtido através do balanço diferencial de massa no extrator Graesser, para ambas as fases, tendo como parâmetros Pe e Nox. A simulação da operação foi realizada após a solução das equações diferenciais pelo método de Gauss-Seidel, sendo os parâmetros de transferência de massa Pe e Nox fornecidos pela rede neural, em função das variáveis operacionais do equipamento. O modelo híbrido-neural correlacionou os dados experimentais com boa acuracidade. Esta abordagem mostrou-se uma alternativa promissora para a modelagem de operações complicadas, como é o caso da extração líquido-líquido em extrator Graesser. pt-BR
dc.description.abstract This work presents the results acquired by applying the hybrid neural modeling technique of the liquid-liquid extraction in a Graesser Contactor. The operation of separating the α -lactalbumin and β -lactoglobulin whey’s proteins was studied in a aqueous two-phase system composed by 18% polyethylene glycol (w/w) and potassim phosphate in pH 7 (w/w). A feedforward network was used to predict the Peclet (Pe) mass transfer parameters and the number of transfer unit (NTU) as a function of the operating variables speed agitation and flow ratio. Because of the scarcity of available data, a semi-empirical GDS3 based technique was used to generate the data for training and evaluating the network. Its topology was determined using the response surface technique which provided the optimum value for the number of hidden layers, the number of nodes for these layers and the learning rate. A 2-10-5-3 network was defined with a learning rate of 0,001. Because experimental data was used as part of the data set to test the network, we notice the network great performance in predicting the Pe and NTU parameters as function of the extractor operating variables. The extracting operation model was obtained by the mass differential balance in the Graesser contactor, for both phases, using Pe and NTU as parameters. The simulating was carried out after solving the differential equations using the Gauss-Seidel method with the Pe and NTU mass transfer parameters given by the neural network, and function of the equipme nt operating variables. The hybrid neural model correlated the experimental data with good accuracy. We can notice that this broaching could be a promising alternative for modeling complex operations like the liquid-liquid extraction in the Graesser contactor. en
dc.description.sponsorship Fundação de Amparo à Pesquisa do Estado de Minas Gerais pt-BR
dc.language.iso por pt-BR
dc.publisher Universidade Federal de Viçosa pt-BR
dc.rights Acesso Aberto pt-BR
dc.subject Extrator Graeser pt-BR
dc.subject Proteínas do soro de queijo pt-BR
dc.subject Extração líquido-líquido pt-BR
dc.subject Simulação com redes neurais pt-BR
dc.subject Sistema aquoso bifásico pt-BR
dc.subject Simulação de processos pt-BR
dc.title Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser pt-BR
dc.title Hybrid neural modeling of the liquid-liquid extraction of the whey proteins using aqueous two-phase systems in a Graesser contactor en
dc.type Dissertação pt-BR
dc.subject.cnpq Ciência e Tecnologia de Alimentos pt-BR
dc.creator.lattes http://lattes.cnpq.br/1400439513441032 pt-BR
dc.degree.grantor Universidade Federal de Viçosa pt-BR
dc.degree.department Departamento de Tecnologia de Alimentos pt-BR
dc.degree.program Mestre em Ciência e Tecnologia de Alimentos pt-BR
dc.degree.local Viçosa - MG pt-BR
dc.degree.date 2001-08-30
dc.degree.level Mestrado pt-BR


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account