Redes neurais artificiais aplicadas para o estudo da produção de ácido succínico via processo fermentativo

Ano: 2010 | Volume: 10 | Número: 1

Autores: Flaviana Diuk Andrade, Tatiane Gonzales, Ranulfo Monte Alegre, Elis Regina Duarte

Palavras-chave: Biotecnologia, Inteligência artificial, Modelagem, Otimização.

Resumo Português:

O ácido succínico, metabólito comum de microrganismos, utilizado no mercado alimentício é produzido exclusivamente por via fermentativa e grande atenção tem sido dada para o uso de matérias-primas renováveis para esse fim. Este trabalho teve como objetivo determinar as variáveis que influenciam na produção de ácido succínico por via fermentativa utilizando a cepa Actinobacillus succinogenes (CIP 106512) por meio de um planejamento fatorial fracionário e testar diferentes arquiteturas de redes neurais artificiais para modelar esse processo. As redes neurais artificiais (RNAs) utilizadas possuem três camadas e foram do tipo Multilayer Perceptron (MLP), com o algoritmo de aprendizagem Backpropagation. Utilizaram-se 13 e 6 dados experimentais para a aprendizagem e teste das redes, respectivamente. Variaram-se os números de neurônios da camada intermediária, a taxa de aprendizagem e as funções de ativação. Após a avaliação das arquiteturas, verificou-se que a função de ativação sigmoidal apresentou um melhor desempenho comparada à tangente hiperbólica e que o número de neurônios e taxa de aprendizagem influenciam diretamente no erro. O modelo neural que apresentou o menor erro quadrático foi a rede com a função sigmoidal, taxa de aprendizagem 0,1 e 5 neurônios na camada intermediária. Com o desenvolvimento deste trabalho foi possível determinar as variáveis que mais influenciam na produção do ácido succínico e a construção do modelo neural para o processo.

Resumo Inglês:

The succinic acid is a microorganism common metabolite used in the food market which is produced exclusively by fermentation, and great attention has been given to the use of renewable raw materials for this purpose. This study aimed to determine the variables that influence the production of succinic acid by fermentation using Actinobacillus
succinogenes strain (CIP 106512) through a fractional factorial design and to test different architectures of artificial
neural networks to model this process. Artificial neural networks are madeof three layers and were the Multilayer
Perceptron (MLP) type, with Backpropagation learning algorithm. Experimental data for learning and testing of
networks were used, 13 and 6, respectively. The number of neurons in the hidden layer, learning rate and activation
functions was varied. After evaluation of architectures, it was found that the sigmoidal activation function showed a
better performance than the hyperbolic tangent and that the number of neurons and learning rate directly influence
the error. The neural model with the lowest squared error was the network with the sigmoid function, learning rate
0,1 and 5 neurons in the intermediate layer. This work allowed to determine which variables most influence in the
succinic acid production and in the construction of the neural model for this process.