1.
Introducción
La
industria de los aceites esenciales ha experimentado un gran crecimiento
gracias a los avances tecnológicos y las revoluciones industriales. El mercado
de los jugos y néctares genera una gran cantidad de desechos provenientes de la
pulpa de frutas, lo cual representa una carga para el medio ambiente. En el
cantón Las Naves, provincia de Bolívar, la producción de naranjas es
significativa, y los residuos generados pueden ser utilizados para obtener
productos con valor agregado, como esencias, perfumes, champús, jabones, entre
otros, a partir de los aceites esenciales presentes en la cáscara.
En la Ingeniería Química, es
importante desarrollar modelos matemáticos para predecir la eficiencia de los
procesos de separación físico o químico. En este sentido, las redes neuronales
artificiales (RNAs) están ganando popularidad como herramientas de modelado
debido a su alta capacidad. Los investigadores están explorando cómo aplicar
las RNAs para desarrollar nuevos controladores PID, inspirados en el
funcionamiento de las neuronas biológicas en términos de aprendizaje y memoria.
Las RNAs pueden aprender de ejemplos y generalizarse para resolver diversos
problemas, incluso con datos incompletos o erróneos.
En este trabajo de investigación, se
propone realizar un experimento a escala de laboratorio para obtener aceites
esenciales de la cáscara de naranja, específicamente de la especie Citrus
Sinensis L. Además, se utilizará la herramienta de programación y cálculo
matemático Matlab para desarrollar un modelo de RNA que permita predecir de
manera más precisa la eficacia del proceso.
En los últimos años, el crecimiento
de la actividad tecnológica ha sido alarmante, ya que los seres humanos
necesitan recursos para satisfacer sus necesidades y deseos. La tecnología se
refiere al conjunto de conocimientos técnicos y científicos que permiten la
creación y diseño de objetos y servicios para satisfacer las necesidades
humanas. En este contexto, surge el concepto de red, que se refiere a un
conjunto de entidades interconectadas que permiten el flujo de elementos
materiales y no materiales entre sus puntos de conexión [1].
En busca de mejoras, los humanos han
mostrado interés en comprender las funciones del cerebro y han desarrollado
herramientas tecnológicas para emular sus funciones. El cerebro es un
procesador de información con características complejas y especiales. Su
función principal es procesar grandes cantidades de información sensorial de
manera inmediata, combinarla y compararla con la información almacenada, y
responder adecuadamente ante nuevas situaciones [2].
.
En este estudio se desarrolla un
modelo de red neuronal artificial para imitar las capacidades de procesamiento
de información del cerebro. Las computadoras convencionales son limitadas en su
capacidad para interactuar con datos complejos y entornos variables, lo que
hace que las redes neuronales sean útiles para resolver problemas donde los
algoritmos tradicionales no son efectivos. Estos modelos pueden aplicarse a
operaciones unitarias de Ingeniería Química, como la extracción de aceites
esenciales a partir de residuos de naranja [3].
En Ecuador, se generan grandes
cantidades de residuos, incluyendo residuos orgánicos, y la cáscara de naranja
representa una fuente potencial de productos de valor agregado, como los
aceites esenciales. Estos aceites tienen aplicaciones en diversas industrias,
como la farmacéutica, alimentaria y cosmética. La extracción de aceites
esenciales se realiza mediante métodos como la destilación por arrastre de
vapor con la trampa Clevenger [4].
En la industria alimentaria, se
valora cada vez más el uso de aditivos naturales en lugar de aditivos
sintéticos debido a preocupaciones por la salud. Los aromas naturales son
especialmente apreciados, ya que pueden mejorar la experiencia sensorial de los
alimentos. Los métodos de extracción de aceites esenciales permiten obtener
fragancias naturales que pueden ser utilizadas como aditivos aromáticos [5].
En resumen, este estudio se centra en
el desarrollo de un modelo de red neuronal artificial para predecir la
efectividad de la extracción de aceites esenciales de la cáscara de naranja. Se
destaca el potencial de los residuos de naranja como fuente de valor agregado y
la importancia de los aditivos naturales en la industria alimentaria. Además,
se mencionan los métodos de extracción utilizados, como la destilación por
arrastre de vapor.
El naranjo (Citrus sinensis)
es un árbol frutal perteneciente a la familia Rutáceas. Su fruto es la naranja
dulce, de forma globosa u ovalada con un diámetro de 6-9 cm. Tiene una corteza
poco rugosa de color naranja y una pulpa sin vesículas oleosas, y sus semillas
son blancas. El árbol alcanza una altura de tres a cinco metros, con copa
redondeada y ramas regulares. Posee un solo tronco derecho y cilíndrico que
cambia de color de verde a gris. Las hojas son perennes, de tamaño mediano y
alargadas, con base redondeada y terminadas en punta. Las flores aparecen
solitarias o en racimos en las axilas de las hojas [6].
El naranjo es originario de
zonas tropicales y subtropicales de Asia y se ha extendido a través del norte
de África, el sudeste de Europa y América debido a su introducción por los
europeos en el siglo XVI. Las flores del naranjo son utilizadas para obtener
aceites esenciales que se emplean en perfumería y también tienen aplicaciones
medicinales.
En resumen, el naranjo es un
árbol frutal con características específicas, cuyo fruto es la naranja dulce.
Su distribución geográfica se ha expandido gracias a la intervención humana, y
las flores de este árbol tienen usos importantes en la industria de la
perfumería y la medicina [7].
Fig. 1. Naranjas
(Citrus sinensis) en el cantón Las Naves provincia de Bolívar
Fuente:
[8]
El nivel de carbohidratos en
los residuos de la cáscara de naranja es del 80.8%. Según los carbohidratos
identificados son pectinas del 30-50%, azúcares (sacarosa, fructosa, glucosa),
hemicelulosa, del 10-20% y celulosa del 20-40% [9].
Tabla 1. Composición Fisicoquímica de la cáscara de naranja
|
Componentes Principales
|
(%)
|
|
Materia
Seca
|
90,00
|
|
Proteína
|
6,00
|
|
Carbohidratos
|
62,70
|
|
Grasas
|
3,40
|
|
Fibra
|
13,00
|
|
Cenizas
|
6,90
|
|
Minerales
|
(%)
|
|
Calcio
|
2,00
|
|
Magnesio
|
0,16
|
|
Fosforo
|
0,10
|
|
Vitaminas
|
(mg/Kg)
|
|
Niacina
|
22,00
|
|
Riboflavina
|
22,20
|
|
Aminoácidos
|
(%)
|
|
Arginina
|
0,28
|
|
Lisina
|
0,20
|
|
Triptófano
|
0,06
|
Fuente: [10]
En la tabla 1, se
observa la composición fisicoquímica de la cascara de naranja, en el cual se
analiza que los componentes principales, como la materia seca, proteína,
carbohidratos, fibra y cenizas que se encuentran en mayor proporción y aquellos
denominados trazas, como ciertos minerales, vitaminas y aminoácidos en menor
proporción. Estos datos experimentales nos ayudaran a saber el rendimiento al
momento de extraer el aceite esencial.
1.1.
Usos y aplicaciones
industriales
La naranja tiene varios usos
industriales debido a sus propiedades beneficiosas. Reduce el colesterol de
baja intensidad y posee bioflavonoides con propiedades anticancerígenas que
ayudan a prevenir el cáncer de mama y colon. La cáscara de naranja contiene
vesículas con aceites esenciales que proporcionan aromas característicos y
actúan como defensa contra plagas [11].
1.2.
Aceites esenciales
El aceite esencial de naranja
se utiliza ampliamente en la fabricación de productos para consumo humano. Sus
características fungicidas lo hacen útil en la fabricación de repelentes de
insectos y plaguicidas. También se utiliza en la elaboración de bebidas no
alcohólicas, jarabes, complejos vitamínicos, perfumes, aguas de colonia,
jabones y otros productos [12].
Los aceites esenciales son
compuestos orgánicos volátiles obtenidos de plantas, bacterias u hongos. Son
utilizados en la industria cosmética, alimentaria, farmacéutica y otros
procesos industriales que requieren aromas y esencias. Tienen diversas propiedades
biológicas, como antioxidantes, antiinflamatorios, antimicrobianos,
anticancerígenos e hipolipemiantes. Se pueden extraer mediante métodos como la
destilación, prensado en frío, hidro-difusión, líquidos supercríticos y
radiación de microondas [13].
Los aceites esenciales son
mezclas complejas de más de 100 componentes diferentes, que incluyen compuestos
alifáticos, fenilpropanos, monoterpenos y sesquiterpenos.
En resumen, la naranja tiene
usos industriales debido a sus propiedades beneficiosas, especialmente en la
producción de aceites esenciales. Estos aceites se utilizan en diversos
sectores industriales y tienen propiedades biológicas importantes [14].
1.3.
Métodos de
Extracción de Aceites Esenciales
Según Fennema [15],
es importante definir el método de extracción ya que esto influirá directamente
sobre la calidad y cantidad del aceite esencial obtenido.
Kirk Donald y Othmer,
mencionados por Guevara [16], manifiestan que existen una gran cantidad de
técnicas donde se logra la extracción de las esencias de las materias primas
que los contienen. Su elección va a depender de característica como:
a)
Características de la
materia prima.
b)
Volatilidad de la esencia.
c)
El porcentaje de esencia
en la planta.
d)
Las características de
pureza y calidad que se desea obtener.
1.4.
Neurona Artificial
La neurona artificial fue
diseñada para "emular" las características del funcionamiento básico
de la neurona biológica. En esencia, se aplica un conjunto de entradas a la
neurona, cada una de las cuales representa una salida de otra neurona. Cada
entrada se multiplica por su "peso" o ponderación correspondiente
análoga al grado de conexión de la sinapsis. Todas las entradas ponderadas se
suman y se determina el nivel de excitación o activación de la neurona [17].
Una representación vectorial del funcionamiento básico de una neurona
artificial se indica según la siguiente ecuación
|
|
( 1)
|
Donde:
·
·
·
Fig. 2. Modelo de
neurona artificial
Fuente: [18]
Las funciones de activación
más utilizadas son la función Sigmoid y Tangente hiperbólica expresadas en la
Tabla (3).
Tabla 2. Funciones de activación
|
Sigmoid
|
|
|
Tangente Hiperbólica
|
|
Fuente: Xabier Basogain
Olabe, Redes Neuronales Artificiales y sus Aplicaciones, [19]
En la tabla 2, podemos
observar las funciones F más utilizadas, son la función Sigmoid y
Tangente hiperbólica ya que estas devuelven una salida que será generada por la
neurona dada una entrada o conjunto de entradas, es decir cada una de las capas
que conforman la red neuronal tienen una función de
activación que permitirá reconstruir o predecir.
Este tipo de modelo de
neurona artificial ignora muchas de las características de las neuronas
biológicas. Entre ellas destaca la omisión de retardos y de sincronismo en la
generación de la salida. No obstante, a pesar de estas limitaciones las redes
construidas con este tipo de neurona artificial presentan cualidades y
atributos con cierta similitud a la de los sistemas biológicos [20].
1.5.
Estructura de las
Redes Neuronales Artificiales (RNA)
Los sistemas neuronales
artificiales imitan la estructura del hardware del sistema nervioso. Cada
neurona realiza una función matemática. Las neuronas se agrupan en capas,
constituyendo una red neuronal. Una determinada red neuronal está confeccionada
y entrenada para llevar a cabo una labor específica. Finalmente, una o varias
redes, más las interfaces con el entorno, conforman el sistema global [21].
En las redes neuronales
biológicas, las neuronas corresponden a los elementos de proceso. Las
interconexiones se realizan por medio de las ramas de salida (axones) que
producen un número variable de conexiones (sinapsis) con otras neuronas o con
otras partes como músculos y glándulas. Las redes neuronales son sistemas de
elementos simples de proceso muy interconectados.
Fig. 3.
Estructura jerárquica de un sistema basado en redes neuronales artificiales
Fuente: [22]
La figura 3 muestra la
complejidad de un sistema neuronal, ya que la salida obtenida de la red es el
resultado de abundantes lazos de realimentación junto con no linealidades de
los elementos de proceso y cambios adaptativos de sus parámetros. [23].
Formalmente, un sistema
neuronal o conexionista está compuesto de los siguientes elementos:
·
Un conjunto de
procesadores elementales o neuronas artificiales.
·
Un patrón de conectividad
o arquitectura.
·
Una dinámica de
activaciones.
·
Una regla o dinámica de
aprendizaje.
·
El entorno donde opera.
2.
Materiales
y métodos
El naranjo Citrus Sinensis,
se lo obtuvo en la provincia de Bolívar, cantón las Naves a 88 km del
noroccidente de Guaranda. Esta región del país goza de un bosque tropical
beneficioso para el desarrollo de esta especie. Se recolecto 3 sacos de este
material cítrico, e inmediatamente se procedió al traslado a la ciudad de
Guayaquil, provincia del Guayas para su reacondicionamiento y la posterior
extracción del aceite esencial.
Fig. 4. Recepción
de la materia prima.
2.1. Caracterización
de la naranja especie Citrus sinensis.
1.
Grado
de madurez:
Se evaluó el fruto pintón, determinándose el índice de madurez, que se expresa
mediante la relación °Brix/Acidez valorable. Esto indica que mientras la razón
°Brix/Acidez valorable aumente avanza directamente la maduración [24].
2.
Determinación
biométrica: Se tomaron al
azar 10 naranjas medianas pintonas, y se procedió a calcular el
porcentaje de cáscara y pulpa, se determinó pesando por separado la pulpa de la
cáscara, y mediante las siguientes formulas, obtenemos el %cáscara y %pulpa.
|
|
( 2)
|
|
|
( 3)
|
Donde: 
2.2. Extracción por destilación con arrastre
de vapor mediante la trampa Clevenger
La cáscara una vez pesada con
cargas de 200 g, 300 g, 350 g, 400 g y 500 g se alimentaron al equipo,
colocando 1,250 litros de agua destilada en el recipiente. El vapor que se
genera va arrastrando todos los componentes volátiles que posee la superficie de
la cáscara, para luego con ayuda del refrigerante condensarse en una mezcla
de agua y aceite esencial. El tiempo que se estableció fue de 30 minutos de
destilación una vez que ha caído la primera gota de condensado.
2.3. Diseño
Experimental
Fig. 5. Diseño
experimental para la extracción de aceite esencial a partir de Cáscara de
naranja por el método de destilación por arrastre de vapor con la trampa
Clevenger
2.4. Prueba
estadística
Como
para cada carga inicial de cáscara se van a realizar un mínimo de 5
extracciones se considera un tamaño de muestra pequeño ya que 
, por lo tanto, usaremos el
estadístico 
para construir los
intervalos de confianza.
2.5. Construcción
de los modelos matemáticos predictivos
Para modelar la relación
entre la cantidad de carga inicial y el rendimiento del proceso de extracción
de aceite esencial se procedió a realizar un diagrama de dispersión para
analizar qué tipo de relación existe entre las 2 variables.
Con el programa de Matlab se
procedió a revisar varias líneas de tendencia tales como: lineal, una
polinómica de grado 2 y una logarítmica, donde posteriormente se evaluó su
capacidad predictiva con la carga de verificación de 350 g.
2.6. Construcción
de la red neuronal artificial (RNA)
Se
implementó una red perceptrón multicapa para predecir el rendimiento del
proceso de extracción de aceite esencial de la cáscara de naranja en función de
la cantidad de carga inicial. Se consideraron dos factores importantes para
asegurar el éxito del modelo neuronal: el número de capas ocultas y el número
de neuronas por capa.
Se utilizó una capa oculta y
una capa de salida en la red, con una función de activación sigmoidal para la
capa oculta y una función lineal para la capa de salida. Se construyeron varias
redes variando el número de neuronas en la capa oculta, entre 2 y 10, para
encontrar la mejor arquitectura. Se empleó el algoritmo de backpropagation para
el entrenamiento supervisado, debido a su rápido ajuste y fácil aplicación. El
algoritmo de Levenberg-Marquardt se utilizó para ajustar los pesos de las
conexiones entre las neuronas de cada capa.
El entrenamiento y la
validación se realizaron utilizando diferentes cantidades de carga (200g, 300g,
400g y 500g) como variable de entrada, y los rendimientos promedios en
porcentaje como variable de salida. El 70% de los datos se destinaron al
entrenamiento, mientras que el 30% restante se utilizó para la validación. El
entrenamiento continuó hasta que el error en los datos de validación alcanzó un
valor mínimo. Para evaluar la capacidad predictiva de la red, se utilizó un
punto medio dentro del rango de experimentación, en este caso, 350g.
La efectividad de la red
neuronal se evaluó mediante dos indicadores: el error cuadrático medio
porcentual (EMC%) y el coeficiente de determinación cuadrático (R^2). Estos
indicadores se calcularon utilizando expresiones específicas y permiten medir
la precisión de la red para estimar los valores de rendimiento del proceso en
los datos de prueba.
En resumen, se utilizó una
red neuronal para predecir el rendimiento del proceso de extracción de aceite
esencial de la cáscara de naranja. Se ajustaron los parámetros de la red y se
utilizaron indicadores de precisión para evaluar su capacidad predictiva. Los
resultados obtenidos permiten estimar con mayor precisión los rendimientos del
proceso en función de la cantidad de carga inicial.
|
|
(4)
|
|
|
(5)
|
|
|
|
Donde 
representa el valor
experimental, 
representa el valor predicho
por la red, 
el valor de la respuesta
promedio y 
el número total de datos. A
su vez estos dos parámetros son importantes para comprar el rendimiento de las
diferentes arquitecturas de RNAs propuestas para estimar cual es la mejor.
3.
Resultados
En la tabla 3, se muestra el
indicador de madurez de la naranja que se seleccionó.
Tabla 3. Indicador del grado de madurez de la naranja
especie Citrus sinensis
|
Color
Fruta
|
pH
|
°Brix
(%)
|
A.T(%)
|
I.M
|
|
Pintona
(amarillenta)
|
4,84
|
1,9
|
0,81
|
2,35
|
A.T=Acidez Titulable
I.M= Índice de Madurez
A la relación entre los
°Brix/Acidez titulable se le denomina índice de madurez, y para el desarrollo
del presente trabajo, se utilizó la naranja pintona cuyo índice de madure fue
de 2,35.
3.1.
Análisis
estadístico.
El comportamiento de los
rendimientos de la extracción de aceite esencial (%), por la técnica de
destilación por arrastre de vapor, con cantidades de carga (200, 300, 400, 500)
gramos, se pueden apreciar en la tabla 4.
Tabla 4. Promedios del %rendimiento de aceite esencial en
función de la carga (g)
|
Tamaño (
|
Cantidades
de carga (g)
|
|
200
|
300
|
400
|
500
|
|
1,5
|
0,0625
|
0,0971
|
0,1473
|
0,1674
|
Fuente: Elaboración propia
Como se muestra en la figura
6, para un tamaño establecido de cáscara a mayor cantidad de carga introducida
al sistema, mayor será el rendimiento del proceso, siendo este un valor
promedio de 0,1674% para una carga de 500 g.
Fig. 6. Diagrama
de barras de %Rendimiento Vs Cantidad de cáscara
3.2. Modelo matemático mediante la técnica de ajuste
de curvas.
En la figura 7 se logra
apreciar un diagrama de dispersión de los rendimientos obtenidos en la
experimentación en función de la cantidad de cáscara (g) que se utilizó, esto
nos ayudará para poder determinar qué tipo de relación existe entre estas dos
variables. En la figura 9 se puede apreciar que se procedió a analizar los
datos con 3 modelos matemáticos: lineal, polinómica de grado 2 y una
logarítmica, junto con su coeficiente de determinación (
Fig. 7. Diagrama
de dispersión del (%) Rendimiento vs Cantidad de cáscara (g)
Fig. 8. Ajuste de
los datos experimentales con diversos modelos matemáticos y la presentación de
su R^2
En la tabla 5, se logra
apreciar cada una de las ecuaciones de los 3 modelos matemáticos que se
presentaron en la figura anterior con su respectivo 
, y logramos apreciar que el
ajuste polinómico de grado 2 presenta el mayor coeficiente de determinación
frente a los otros 2 ajustes realzados.
Tabla 5. Comparación predictiva del rendimiento de los
diferentes ajustes realizados.
|
Ajuste
|
Ecuación
|
|
%Rendimiento
predicho con una carga de 350 g
|
|
Lineal
|
%Rendimiento=0,0004*(carga
(g))-0,0096
|
0,9792
|
0,1304
|
|
Logarítmica
|
%Rendimiento=0,1196*ln
(carga (g))-0,5755
|
0,9795
|
0,1251
|
|
Polinómica
|
%Rendimiento=-3 +0,0006*(carga (g))-0,0477
|
0,9862
|
0,1255
|
Sin embargo, la tabla 6 se
logra apreciar el error que existe entre el valor experimental del rendimiento
y el valor predicho por cada uno de los modelos matemáticos con la carga de 350
g. El valor experimental promedio del rendimiento para esta carga fue del
0,1158%, y podemos darnos cuenta de que el modelo logarítmico es el mejor ya
que presenta un error menor, aunque su es el segundo mejor.
Tabla 6. Comparación entre los diferentes modelos mediante
el cálculo del error con el valor experimental obtenido
|
Ajuste
|
|
%Rendimiento
predicho con una carga de 350 g
|
Error
(%)
|
|
Lineal
|
0,9792
|
0,1304
|
12,6079
|
|
Logarítmica
|
0,9795
|
0,1251
|
8,0310
|
|
Polinómica
|
0,9862
|
0,1255
|
8,3765
|
3.3.
Modelo de red
neuronal artificial.
En la tabla 7, podemos
observar la cantidad óptima de neuronas en la capa oculta que se determinó
mediante un proceso de prueba y error, minimizando la diferencia entre los
valores experimentales y los predichos por la red en el punto de verificación.
También se logra apreciar los valores del ECM% y de cada una de las
predicciones realizadas con distintos números de neuronas en la capa oculta.
Tabla 7. Capacidad predictiva de la eficiencia con
diferentes números de neuronas en la capa oculta.
|
Número
de neuronas
en
la capa oculta
|
Valor
de rendimiento predicho
|
|
EMC
(%)
|
|
2
|
0,0990
|
0,8522
|
0,0314
|
|
3
|
0,0941
|
0,5165
|
0,0503
|
|
4
|
0,1070
|
0,9452
|
0,0110
|
|
5
|
0,1634
|
0,7618
|
0,2295
|
|
6
|
0,0983
|
0,9528
|
0,0339
|
|
7
|
0,1170
|
0,9574
|
0,0034
|
|
8
|
0,1599
|
0,9806
|
0,1975
|
|
9
|
0,1187
|
0,9929
|
0,0040
|
|
10
|
0,1217
|
0,9984
|
0,0067
|
Se encontró que la RNA con
una arquitectura de 9 neuronas en la capa oculta proporciona la mejor
predicción.
Fig. 9. Diagrama
esquemático del modelo óptimo de RNA
3.4.
Comparación de los
valores predichos por el modelo matemático logarítmico, la RNA y
experimentales.
La figura 10 muestra los datos de
rendimientos de extracción de aceite esencial en función de la cantidad de
cáscara de naranja, la curva de ajuste del modelo matemático y los valores
predichos por la RNA (red neuronal artificial).
Fig. 10. Valores
experimentales del Rendimiento (%), modelo logarítmico y la RNA
Además, se logra apreciar
que los datos predichos por la red neuronal artificial presentan una elevada
correspondencia con la curva de ajuste proporcionada por el modelo matemático,
mostrando la capacidad de la red para captar interacciones lineales y no
lineales asociado con el proceso de extracción.
Y como se muestra en la
tabla 8, la red neuronal presenta una elevada capacidad predictiva en el punto
de verificación frente a los demás modelos matemáticos.
Tabla 8. Demostración de la capacidad predictiva de la red
neuronal frente a los demás modelos
|
Modelo
|
|
%Rendimiento
predicho con una carga de 350 g
|
Error
(%)
|
|
Lineal
|
0,9792
|
0,1304
|
12,6079
|
|
Logarítmica
|
0,9795
|
0,1251
|
8,0310
|
|
Polinómica
|
0,9862
|
0,1255
|
8,3765
|
|
Red
Neuronal
Artificial
|
0,9929
|
0,1187
|
2,4431
|
Fuente: Elaboración propia
4.
Conclusiones
Se logró la caracterización de la cáscara de
naranja en el laboratorio acreditado por la ISO 17025 Analytical Laboratories
en sus parámetros físicos-químicos más importante tales como grado de madurez,
humedad, contenido de cenizas, azúcares reductores- Los resultados obtenidos
fueron de suma importancia ya que el proceso de extracción se lo desarrolló con
ese tipo de materia prima, y el modelo predictivo de RNA solo funcionará para
extracciones realizadas con este tipo de cáscara bajo las condiciones
físicos-químicas establecidas en este trabajo.
La técnica de destilación por arrastre de
vapor usando la trampa Clevenger permitió obtener un rendimiento promedio de
extracción del 0.1680% para los 500 g de carga inicial. Por lo tanto, está
dentro del rango de 0.5-0.8% de rendimientos con este tipo de materia prima,
usando este método de extracción ya que pueden oscilar dependiendo de la
variedad, estado de madurez de la fruta y método usado de extracción. El modelo
de RNA óptimo desarrollado con el software Matlab R2019a fue el que tuvo 9
neuronas en la capa oculta, tuvo como variable de entrada la cantidad de carga
en gramos y como variable de salida el rendimiento en porcentaje; este modelo
mostró mayor exactitud frente a las otras arquitecturas analizadas. Esto se
puede demostrar con los valores de los parámetros del coeficiente de
determinación, 
y el error cuadrático medio porcentual, 
, por lo tanto, se comprobó que la hipótesis
de investigación es verdadera.
Se pudo observar la capacidad predictiva de la
red para relacionar las variables, demostrando su potencialidad de inteligencia
artificial para el modelado y la predicción de procesos físicos, como se pudo
observar en la aplicación que se le dio en el presente trabajo, sus resultados
fueron mejores y más cercanos a los experimentales frente a los ajustes
matemáticos que comúnmente se suelen realizar en la carrera de Ingeniería
Química para relacionar las distintas variables de proceso.
Referencias
|
[1]
|
M. Moreno, «Redes
Neuronales Artificiales aplicadas al Análisis de Datos,» tesisenred.net, pp.
17-31, 2002.
|
|
[2]
|
E. A. Heredia,
«NARANJA ESTUDIO AGROINDUSTRIAL DEL ECUADOR,» 4 Julio 2008. [En línea].
Available: https://issuu.com/mipro/docs/naranja.
|
|
[3]
|
A. Badui,
«APLICACIÓN DEL LECHO POR FUENTE-FLUIDIZADO “SPOUT-FLUID BED” CON SÓLIDOS
INERTES A LA MICROENCAPSULACIÓN DE ACEITE ESENCIAL DE NARANJA,» sappi.ipn.mx/,
pp. 1-45, 2008.
|
|
[4]
|
L. Balboa,
«Obtención Experimental de aceite esencial y subproducto a partir de la
cáscara de naranja (Citrus Sinensis),» repositorio.umsa.bo, pp. 1-10,
2019.
|
|
[5]
|
J. M. Huayta,
«EFECTO HIPOLIPEMIANTE DEL ACEITE ESENCIAL DE CÁSCARA DE NARANJA (Citrus
sinensis) EN RATTUS NORVEGICUS VARIEDAD WISTAR,» repositorio.unsa.edu.pe, pp.
1-25, 2017.
|
|
[6]
|
P. A. Reyes-Ortiz y
Colaboradores, «1 PRODUCCIÓN DE NARANJA (Citrus sinensis L. Osbeck) VARIEDAD
VALENCIA TARDÍA BAJO MANEJO ORGÁNICO EN SAN PABLO, PAPANTLA DE OLARTE;
VERACRUZ.,» 13 Junio 2017. [En línea]. Available:
https://www.researchgate.net/publication/320110143_PRODUCCION_DE_NARANJA_Citrus_sinensis_L_Osbeck_VARIEDAD_VALENCIA.
|
|
[7]
|
A. Contreras-Oliva
y Colaboradores, «CALIDAD FISICOQUÍMICA, SENSORIAL Y NUTRICIONAL DE NARANJAS
CV. VALENCIA RECUBIERTAS CON QUITOSANO,» 15 Agosto 2012. [En línea].
Available: http://www.scielo.org.mx/pdf/agro/v46n5/v46n5a2.pdf.
|
|
[8]
|
Mejía y Freire, «La
naranja está barata,» El Diario Comercio Ecuador, vol. 1, nº 1, p. 1,
2021.
|
|
[9]
|
A. C. Trejo y A. C.
Krauser, «Química de los carbohidratos,» 16 Enero 2013. [En línea].
Available:
https://www.researchgate.net/publication/286640492_Quimica_de_los_Carbohidratos.
|
|
[10]
|
A. Germán,
«Producción de enzimas pectinasas por actinomycetos en cultivo sumergido
utilizando pectina y cáscara de naranja,» sisbib.unmsm.edu.pe, pp.
4-6, 2014.
|
|
[11]
|
A. E. Q. Valle,
«UTILIZACIÓN DE RESIDUOS DE CÁSCARA DE NARANJA PARA LA PREPARACIÓN DE UN
DESENGRASANTE DOMÉSTICO E INDUSTRIAL,» repositorio.uisek.edu.ec, pp.
13-22, 2009.
|
|
[12]
|
A. Castañeda,
«Actividad antimicrobiana del aceite de naranja residual,» Scielo, pp.
1-6, 2018.
|
|
[13]
|
L. Mancilla,
«Estudio del aceite esencial de la cáscara de la naranja dulce (Citrus
sinensis, variedad Valenciana) cultivada en Labateca (Norte de Santander,
Colombia),» Redalyc.org, pp. 4-7, 21 Febrero 2007.
|
|
[14]
|
D. Nuñez,
«OBTENCIÓN DE ACEITES ESENCIALES A PARTIR DE CORTEZA DE NARANJA "CITRUS
SINENSIS" VARIEDAD VALENCIANA,» Researchgate.net, pp. 6-13, Julio
2019.
|
|
[15]
|
0. Fennema,
«Introducción a la Química de los Alimentos,» ceqa.files.wordpress., pp.
504-798, 2014.
|
|
[16]
|
O. Guevara,
«Obtención de aceite esencial de citronela (Cymbopogon winterianus) extraído
por arrastre con vapor a escala piloto: estudio de la influencia de variables
en el rendimiento y la calidad del aceite,» ria.utn.edu.ar, pp. 62-82,
Marzo 2014.
|
|
[17]
|
J. T. Barrera,
«Redes Neuronales,» cucei.udg.mx, pp. 3-6, 2012.
|
|
[18]
|
J. Marshall, «Redes
Neuronales,» avellano.fis.usal.es, pp. 1-3, 2013.
|
|
[19]
|
X. B. Olabe, «Redes
Neuronalesa Artificiales y sus Aplicaciones,» ocw.ehu.eus, pp. 18-20,
2016.
|
|
[20]
|
E. C. A. Tepán,
«Estudio de los Principales tipos de Redes Neuronales y las Herramientas para
su aplicación,» dspace.ups.edu.ec, pp. 15-16, Febrero 2013.
|
|
[21]
|
H. G. Asensio,
«Inteligencia artificial. Redes neuronales y aplicaciones,» it.uc3m.es, pp.
2-6, 2011.
|
|
[22]
|
V. B. Pardo,
«Machine Learning con TensorFlow,» oa.upm.es, pp. 1-16, 15 Enero 2017.
|
|
[23]
|
L. O. Toledo, «Red
neuronal artificial para estimar un índice de calidad de agua,» Scielo, pp.
1-3, Junio 2020.
|
|
[24]
|
P. Yufera, «Química
Agrícola,» de El suelo y los elementos químicos esenciales para la vida
vegetal, Madrid, Mundi-Prensa, 1979, pp. 373-396.
|