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

Michel Abigail Jara Romero, Luis Santiago Carrera Almendáriz, Marlene Jacqueline García Veloz, Ana Gabriela Flores Huilcapi

Resumen


El uso de combustibles fósiles genera un impacto negativo en el medio ambiente. Por lo que se ha impulsado la investigación del aporte energético de los residuos agroindustriales, pues en el ecuador el consumo anual de papa por persona está en 30 kg. El comportamiento térmico de materiales como la cáscara de papa se determina por termogravimetría. Esta investigación desarrolló una red neuronal artificial capaz de predecir el comportamiento termogravimétrico de la energía de activación en los residuos de cáscara de papa (Solanum tuberosum). Se utilizaron datos experimentales del análisis termogravimétrico de la cáscara de papa y cálculos mediante modelos cinéticos propuestos, estableciendo 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 correspondientes al tiempo, temperatura y peso. Se desarrollaron 375 neuronas en la capa oculta de acuerdo con el coeficiente de correlación de pearson de 1 y error cuadrático medio de 2,327E-09 que evidenciaron como mejor algoritmo de entrenamiento el de regularización bayesiana; por último, se empleó una variable de salida correspondiente a la energía de activación calculada por el método cinético de Flynn Wall Ozawa, validando de esta manera al modelo de predicción con un valor del 95% de confianza. La información de la energía de activación real obtenidos por termogravimetría y predicha por la red neuronal artificial muestran estadísticamente que no existe una diferencia significativa, de tal manera que el método de predicción de redes neuronales artificiales desarrollado resulta muy efectivo para la predicción de la energía de activación de los residuos de cáscara de papa.


Palabras clave


Cáscara de papa; Análisis termogravimétrico; Redes neuronales artificiales; Modelos Cinéticos; Energía de activación; Matlab.

Texto completo:

PDF HTML XML

Referencias


Basu, P. (2018). Biomass Gasification, Pyrolysis and Torrefaction. Elsevier Inc, 497-499.

Bezerra, E. M., Bento, M. S., Rocco, J. A., Lourenco, K. I., & Pardini, L. C. (2008). Artificial neural network (ANN) prediction of kinetic parameters of (CRFC) composites. Computational Materials Science, 656-663. Recuperado el 11 de Enero de 2021, de https://doi.org/10.1016/j.commatsci.2008.05.002

Burgaz, E. (2014). Prediction of thermal stability, crystallinity and thermomechanical properties of poly(ethylene oxide)/clay nanocomposites with artificial neural networks. Thermochimica Acta, 159-166. Recuperado el 11 de Enero de 2021, de http://dx.doi.org/10.1016/j.tca.2013.10.032

Chen, H. (2011). Experimental research on cellulosic biomass pyrolysis and BP neural network prediction. 2011 IEEE Power Engineering and Automation Conference, (págs. 26-29). doi:DOI 10.1109/PEAM.2011.6134787

Chen, N. (2017). Kinetics of coffee industrial residue pyrolysis using distributed activation energy model and components separation of bio-oil by sequencing temperature-raising pyrolysis". Bioresource Technology, 437-760. Recuperado el 12 de Noviembre de 2020, de http://dx.doi.org/10.1016/j.biortech.2016.09.062

Conesa, J. (2004). Artificial neural network for modelling thermal decompositions. Analytical and Applied Pyrolysis, 343-352. doi:S0165-2370(03)00093-7

Córtes, A., & Bridgwater, A. (2015). Kinetic study of the pyrolysis of miscanthus and its acid hydrolysis residue by thermogravimetric analysis. Fuel Processing Technology, 184-193. doi:10.1016/j.fuproc.2015.05.013

Finkelstein, D. (2015). A Beginner’s Guide to Thermogravimetric Analysis. Technometrics, 522-522. Obtenido de http://www.tandfonline.com/doi/abs/10.1198/tech.2005.s328

Goh, G. (2017). Deep learning for computational chemistry. Computational Chemistry, 1291-1307. doi:10.1002/jcc.24764

Gómez, A. (2019). Recuperado el 11 de Diciembre de 2020, de Arrhenius y el cálculo de la energía de activación: https://www.feriadelasciencias.unam.mx/anteriores/feria23/feria105_04_arrhenius_y_el_calculo_de_la_energia_de_activacion.pdf.

Haefner, N. (2021). Artificial intelligence and innovation management: A review, framework. Technological Forecasting and Social Change, 162. Recuperado el 12 de Enero de 2021, de https://doi.org/10.1016/j.techfore.2020.120392

Jaiswal, P. (2018). Estudio comparativo de varios algoritmos de entrenamiento de redes neuronales artificiales. 1087-1191. doi:10.1109/ICACCCN.2018.8748660.

Kumar, A., & Selvarajo, A. (2015). Feedforward neural network modeling of biomass pyrolysis process for biochar production. Chemical Engineering Transactions, 1681-1686. doi:0.3303/CET1545281

Lecun, Y. (2015). Deep learning. Nature, 436-444. doi:10.1038/nature14539

MAGAP. (2020). Recuperado el 10 de Noviembre de 2020, de Ministerio de Agricultura, Ganadería, Acuacultura y Pesca: https://www.agricultura.gob.ec/ecuador-se-proyecta-a-ser-exportador-de-papa/.

MATHWORKS. (2020). Recuperado el 15 de Diciembre de 2020, de Redes Neuronales Artificiales: https://es.mathworks.com/discovery/neural-network.html.

Osman, A. (2020). Physicochemical Characterization and Kinetic Modeling concerning Combustion of Waste Berry Pomace. ACS Sustainable Chemistry and Engineering, 17573-17586. doi:10.1021/acssuschemeng.0c07390

Ozgue, C. (2016). A study to predict pyrolytic behaviors of refuse-derived fuel (RDF): Artificial neural network application". Analytical and Applied Pyrolysis, 84-94. doi:10.1016/j.jaap.2016.10.013

Ozgue, C. (2018). Activation energy prediction of biomass wastes based on different neural network topologies. doi:10.1016/j.fuel.2018.02.045

PHOTOMETRICS. (2010). Recuperado el 2021 de Enero de 2021, de Thermogravimetric Analysis (TGA): https://photometrics.net/thermogravimetric-analysis-tga/

Rosario, B. (2020). Modelo de predicción de la concentración de cloroformo durante el proceso de destilación de una mezcla metanol-cloroformo. Ecuador.

Sunphorka, S. (2017). Application of artificial neural network for kinetic parameters prediction of biomass oxidation from biomass properties. Energy Institute, 51-61. doi:http://dx.doi.org/10.1016/j.joei.2015.10.007

Yildiz, Z. (2016). Application of artificial neural networks to co-combustion of hazelnut husk-lignite coal blends. Bioresource Technology, 42-47. doi:DOI 10.1016/j.biortech.2015.09.114




DOI: https://doi.org/10.23857/pc.v7i8.4433

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/