Dissertação Redes Neurais e Fermentação Alcoolica

UNIVERSIDADE POSITIVO
PROGRAMA DE MESTRADO EM BIOTECNOLOGIA

REA DE CONCENTRAO: BIOCOMBUSTVEIS

ESTUDO DA VIABILIDADE DE USO DE REDES NEURAIS
ARTIFICIAIS PARA A PREDIO DO RENDIMENTO DA
FERMENTAO ALCOLICA

EDERSON LUIS AMGARTEN
CURITIBA
2012

EDERSON LUIS AMGARTEN

ESTUDO DA VIABILIDADE DE USO DE REDES NEURAIS ARTIFICIAIS
PARA A PREDIO DO RENDIMENTO DA FERMENTAO
ALCOLICA

Dissertao apresentada ao Programa de
Mestrado em Biotecnologia Industrial da
Universidade Positivo.
Orientador: Prof. Dr. Jos Rodrguez Len
Co-Orientador: Prof. Dr. Evandro Bona
CURITIBA
2012
III

Amgarten, Ederson Luis
Estudo da viabilidade de uso de redes neurais artificiais para a predio
do rendimento da fermentao alcolica / Ederson Luis Amgarten;
Universidade Positivo. 2012.
85 f. : il.
Orientador: Jos Rodrguez Len
Co-orientador: Evandro Bona
Dissertao (mestrado) Universidade Positivo
Inclui bibliografia

1. Fermentao alcolica. 2. Rendimento de fermentao. 3. Modelo
neuronal perceptron de multicamadas.
I. Amgarten, Ederson Luis. II. Len, Jos Rodrguez. III. Bona, Evan-
dro. IV. Universidade Positivo. V. Ttulo.

CDU 2007 606

IV
TTULO: ESTUDO DA VIABILIDADE DE USO DE REDES NEURAIS ARTIFICIAIS PARA A PREDIO DO
RENDIMENTO DA FERMENTAO ALCOLICA

ESTA DISSERTAO FOI JULGADA E ADEQUADA COMO REQUISITO PARCIAL PARA OBTENO
DO TTULO DE MESTRE PROFISSIONAL EM BIOTECNOLOGIA INDUSTRIAL (Linha de Pesquisa
Biocombustveis). A DISSERTAO FOI APROVADA EM SUA FORMA FINAL EM SESSO PBLICA DE
DEFESA, NO DIA 19 DE MARO DE 2012, PELA BANCA EXAMINADORA COMPOSTA PELOS SEGUINTES
PROFESSORES:

1) Prof. Dr. Prof. Dr. Jos Angel Rodriguez Leon - (Orientador)
2) Prof. Dr. Wilerson Sturm - (Examinador)
3) Prof. Dr. Daniel Ernesto Rodriguez Fernandez - (Examinador)

CURITIBA PR, BRASIL

PROF DR VANETE THOMAZ SOCCOL
COORDENADORA DO MESTRADO PROFISSIONAL EM BIOTECNOLOGIA INDUSTRIAL
DA UNIVERSIDADE POSITIVO

V

Dedico esta dissertao a minha esposa amada, meu amor, Dione, pelo
amor, compreenso, apoio, incentivo e pelas horas de companheirismo, por
me apoiar e me mostrar que podemos alcanar nossos sonhos e objetivos.
Mas principalmente por ter sido minha companheira e amiga, por ter estado
sempre ao lado, durante todo caminho que percorri at chegar e por nunca
me deixar desistir.

VI

Agradecimentos

- Agradeo a Jeov Deus que me deu a vida e me tem abenoado com amor,
sade e paz.
- minha famlia, minha esposa pelo incentivo, apoio e compreenso em
todos os momentos.
- Agradeo aos meus colegas do SENAI, pelo companheirismo nas aulas de
mestrado e principalmente Silvana e Valdomiro pelas horas de viagens
que compartilhamos juntos.
- Aos professores Saul Nietzsche, Marcelo Barga, Evandro Bona, Vanete
Soccol, pelas sugestes, correes, colaboraes e informaes.
- Aos funcionrios da Universidade Positivo pela ajuda e colaborao.
- Universidade Positivo pela estrutura oferecida para a realizao de
estudos e trabalhos.
- UTFPR pelo trabalho em conjunto na montagem das redes

VII

RESUMO

O uso de etanol como combustvel explorado no Brasil como aditivo para a gasolina
desde 1931 quando foi oficialmente regulamentado, e a partir de 1975, com o programa
PROLCOOL o pas tornou-se o primeiro pas no mundo a ter parte de sua frota de
automveis movidos por este biocombustvel. Atualmente a importncia da produo de
etanol se justifica pelo seu carter renovvel, por suas vantagens ambientais e econmicas
como substituto de combustveis fsseis. Somente nos ltimos 30 anos, de uso de etanol como
combustvel, o pas economizou mais de um bilho de barris de petrleo. O crescente
interesse mundial em produzir fontes de energia renovveis impulsiona o desenvolvimento de
novas tecnologias a fim de aperfeioar os processos produtivos diminuindo as perdas
inerentes ao processo o que permitir produzir mais sem, necessariamente, elevar s reas de
plantio de cana, antes reservadas a produo de alimentos. Tm-se nos modernos sistemas
computacionais disponveis hoje uma forte aliada na busca desse aperfeioamento, a rede
neural artificial (RNA). O trabalho aqui proposto apresenta a utilizao de redes neurais
artificiais na construo de um modelo matemtico preditor do rendimento de fermentao.
As entradas utilizadas no modelo foram selecionadas pelo mtodo estatstico de correlao
linear a partir de uma srie de parmetros monitorados em usinas de produo de etanol e
acar. Uma anlise terica baseada em informaes fornecidas por outros autores foi
necessria para confirmao dos resultados estatsticos. Finalmente, os parmetros escolhidos
foram testados em trs diferentes combinaes dentro de uma rede neural perceptron de
mltiplas camadas (MLP- Mult Layer Perceptron), com resultados promissores para o uso
dessa tecnologia em processos envolvendo sistemas biolgicos to complexos como a
fermentao alcolica.
Palavras chaves: Fermentao Alcolica, Rendimento de fermentao, Modelo
Neuronal Perceptron de multicamadas.

VIII

ABSTRACT

The use of ethanol as fuel is explored in Brazil as an additive to gasoline since 1931
when it was officially regulated, and since 1975, with the program PROLCOOL the nation
became the first country in the world to be part of its fleet of vehicles powered by this biofuel.
Currently the importance of ethanol production is justified by its renewable character and for
its environmental and economic advantages as a substitute for fossil fuels. Only in the last 30
years of using ethanol as fuel, the country saved more than one billion barrels of oil. The
growing worldwide interest in producing renewable energy drives the development of new
technologies to improve production processes, reducing losses inherent in the process, which
would produce more without necessarily raising the cane growing areas, previously reserved
for food production. Have been in modern computer systems available today, a strong ally in
the pursuit of improvement, the artificial neural network (ANN). The work presented here
shows the use of artificial neural networks to construct a mathematical model that predicts the
performance of fermentation. The entries in the model used was selected by statistical method
of linear correlation from a number of parameters monitored in plants for the production of
ethanol and sugar. A theoretical analysis based on information provided by other authors was
necessary to confirm the statistical results. Finally, the chosen parameters were tested in three
different combinations within a neural network multilayer perceptron (MLP Mult-Layer
Perceptron) with promising results for using this technology in processes involving biological
systems as complex as the alcoholic fermentation.

Keywords: Alcoholic Fermentation, fermentation yield, Multilayer Perceptron Neural
Model.

IX
NDICE

1 INTRODUO .....................................................................................................................1
2 OBJETIVOS ..........................................................................................................................2
2.1 OBJETIVO GERAL .................................................................................................................... 2
2.2 OBJETIVOS ESPECFICOS ......................................................................................................... 2
3 REVISO BIBLIOGRFICA ...............................................................................................3
3.1 FERMENTAO ALCOLICA .................................................................................................. 3
3.1.1 Breve histrico da fermentao alcolica ......................................................................... 3
3.1.2 Fermentao Alcolica Em Processos Industriais ............................................................ 5
3.1.3 Fatores fsico-qumicos e microbiolgicos que interferem no rendimento da fermentao
......................................................................................................................................................... 5
3.1.4 Influncia Das Condies Ambientais Nos Processos Fermentativos .............................. 6
3.2 CLCULO DO RENDIMENTO DA FERMENTAO ................................................................... 12
3.2.1 Rendimento Estequiomtrico ........................................................................................... 12
3.2.2 Rendimento por subprodutos ........................................................................................... 13
3.3 REDES NEURAIS ARTIFICIAIS RNA. ................................................................................... 15
3.3.1 Treinamento ..................................................................................................................... 15
3.3.2 Perceptron ....................................................................................................................... 16
3.3.3 Perceptron de Mltiplas Camadas .................................................................................. 19
3.3.4 Algoritmo da retropropagao (ou backpropagation) .................................................... 21
3.3.5 O estudo de redes neurais em processos de produo de etanol. ................................... 22
4 MATERIAIS E MTODOS................................................................................................. 27
4.1 A NATUREZA DOS DADOS UTILIZADOS ................................................................................. 27
4.2 O TIPO DE PROCESSO DE FERMENTAO .............................................................................. 30
4.3 A ESCOLHA DOS PARMETROS PARA A CONSTRUO DA REDE NEURAL. ........................... 31
4.3.1 Anlise de estatstica de correlao ................................................................................ 31
X
4.3.2 Anlise terica ................................................................................................................. 31
4.3.3 Anlise de Sensibilidade .................................................................................................. 32
4.4 A ESCOLHA E A MONTAGEM DA REDE NEURAL .................................................................... 33
4.4.1 Usando redes neurais do tipo perceptron de mltiplas camadas para predizer o
rendimento da fermentao .......................................................................................................... 33
4.5 OS RECURSOS COMPUTACIONAIS ......................................................................................... 34
5 RESULTADOS E DISCUSSO ........................................................................................... 36
5.1 RESULTADOS DAS ANLISES PARA A ESCOLHA DE FATORES PARA A REDE NEURAL ........... 36
5.1.1 Seleo dos parmetros da Usina A (A
2008
) para a montagem da rede neural MLP-1 ... 36
5.1.2 Seleo dos parmetros da Usina B (B
2008
, B
2009
e B
2010
). ............................................... 39
5.2 RESULTADOS DAS REDES NEURAIS ...................................................................................... 43
5.2.1 Resultados da Rede Neural MLP-1. ................................................................................ 44
6 CONCLUSES ................................................................................................................... 59
7 CONSIDERAES FINAIS E SUGESTES PARA TRABALHOS FUTUROS ................ 60
8 REFERNCIAS BIBLIOGRFICAS ................................................................................. 61
9 ANEXOS ............................................................................................................................. 68
9.1 ANEXO 1 INTERPRETAO DOS DADOS DO LABORATRIO INDUSTRIAL E MTODOS
ANALTICOS ....................................................................................................................................... 68
9.1.1 Percentual de Acares Redutores na cana (AR cana) ................................................... 68
9.1.2 Acares Redutores Totais (ATR) ................................................................................... 68
9.1.3 Acidez da Cana ................................................................................................................ 68
9.1.4 Dextrana na Cana ........................................................................................................... 69
9.1.5 Percentual de lcool na Cana ......................................................................................... 69
9.1.6 Quantidade de Bastonetes no Caldo Primrio (x10^5). .................................................. 69
9.1.7 Frequncia de Paradas de Fbrica ................................................................................. 69
9.1.8 Temperatura Mosto ......................................................................................................... 70

XI
9.1.9 Percentual de impureza no Mosto ................................................................................... 70
9.1.10 Unidades Formadoras de Colnias no Mosto ................................................................. 70
9.1.11 Mosto Acidez gH
2
S0
4
/L (titulao) .................................................................................. 70
9.1.12 Mosto % ART ................................................................................................................... 70
9.1.13 Mosto Nitrognio Amoniacal ........................................................................................... 70
9.1.14 Viabilidade Vinho ............................................................................................................ 71
9.1.15 Tempo de Fermentao ................................................................................................... 71
9.1.16 Rendimento da Fermentao ........................................................................................... 71

XII
Lista de Figuras
Figura 3.1 - Neurnio biolgico. Fonte: Bona (2008). ......................................................................... 17
Figura 3.2 - Topologia de um perceptron simples. Fonte: Eyng (2006). ............................................. 18
Figura 3.3 - Arquitetura de uma rede neural artificial. Fonte: Eyng (2006). ....................................... 20
Figura 3.4- Evoluo dos erros de treinamento (cinza) e de teste (preto) durante o treinamento da
RNA. Fonte: Oliveira et al. (2009). .............................................................................................. 22
Figura 4.1- Fluxograma de batelada alimentada. Fonte: adaptado de Melle-Boinot. .......................... 30
Figura 5.1- Comparao rendimento x dextrana B
2008
......................................................................... 42
Figura 5.2 - Parmetros escolhidos de entrada para rede neural de predio do rendimento da
fermentao MLP-1. ..................................................................................................................... 44
Figura 5.3 - Estrutura da rede MLP-1. ................................................................................................. 45
Figura 5.4 - Representao grfica da srie original (azul) e da prevista pela rede neural (verde) do
rendimento da fermentao para a rede MLP-1............................................................................ 46
fermentao MLP-2. ..................................................................................................................... 47
Figura 5.6 - Grfico para a escolha da melhor rede. ............................................................................ 48
Figura 5.7 - Estrutura rede MLP-2 (Usina B) MLP-2 7:1-11-8-1:1. .................................................... 49
Figura 5.8 Histograma do rendimento da fermentao usina A ( nmero de observaes X
rendimento da fermentao). ........................................................................................................ 50
Figura 5.9 - Histograma do rendimento da fermentao usina B ( nmero de observaes X
rendimento da fermentao). ........................................................................................................ 51
Figura 5.10 - Representao grfica da srie original (azul) e da prevista pela rede neural (vermelha)
do rendimento da fermentao para a rede MLP-2. ...................................................................... 52
Figura 5.11 - Resultados com os dados de teste para MLP-2 (seleo). .............................................. 52
Figura 5.12 - Diagrama de estrutura RNA MLP-2 (completo) MLP 19:19-15-13-1:1. ....................... 53
do rendimento da fermentao para a rede MLP-2 (completa). ................................................... 54
Figura 5.14 - Estrutura da rede MLP-3 (MLP 11:11-12-4-1:1). .......................................................... 56
do teor alcolico para a rede MLP-3. ........................................................................................... 57
Figura 5.16 - Grfico com os resultados de teste da MLP-3. ............................................................... 58

XIII
Lista de tabelas
Tabela 3.1 - Agentes txicos e seus efeitos inibidores para Saccharomyces cerevisiae. ..................... 10
Tabela 4.1- Parmetros analisados da Usina A
2008
. .............................................................................. 28
Tabela 4.2- Parmetros analisados na Usina B durante as trs safras (2008 a 2010). .......................... 29
Tabela 5.1- Anlise de correlao do conjunto de dados usina A (A
2008
). ........................................... 37
Tabela 5.2 - Anlise de correlao do conjunto de dados Usina B (B
2008
, B
2009
e B
2010
). ..................... 40
Tabela 5.3 - Anlise de correlao desconsiderando a safra do conjunto de dados Usina B. .............. 41
Tabela 5.4 - Escolha da rede neural MLP-1. ........................................................................................ 45
Tabela 5.5 - Ranks para os parmetros segundo coeficientes de sensibilidade e de correlao linear. 47
Tabela 5.6 - Resultado das interaes neurais testadas para escolha da MLP-2. ................................. 48
Tabela 5.7 - Parmetros utilizados na rede neural MLP-2. .................................................................. 49
Tabela 5.8 - Comparao entre a rede MLP-2 e MLP-2 (completo). ................................................... 53
Tabela 5.9 - Nmero de interaes (redes neurais) testadas para escolha da MLP-3. .......................... 55
Tabela 5.10 - Anlise de sensibilidade e parmetros de entrada da MLP-3. ........................................ 56

XIV
Lista de equaes
Equao 3.1: ............................................................................................................................... 4
Equao 3.2 ................................................................................................................................ 7
Equao 3.3 ................................................................................................................................ 8
Equao 3.4 ................................................................................................................................ 8
Equao 3.5 .............................................................................................................................. 12
Equao 3.6 .............................................................................................................................. 13
Equao 3.7 .............................................................................................................................. 13
Equao 3.8 .............................................................................................................................. 13
Equao 3.9 .............................................................................................................................. 14
Equao 3.10 ............................................................................................................................ 14
Equao 3.11 ............................................................................................................................ 18
Equao 3.12 ............................................................................................................................ 18
Equao 3.13 ............................................................................................................................ 19
Equao 3.14 ............................................................................................................................ 19

1
1 INTRODUO
Em uma entrevista dada a agncia internacional de notcias Reuters (LUNA, 2011), o
ento presidente da Petrobrs Biocombustvel (PETRLEO BRASILEIRO S.A.), Miguel
Rossetto, maior empresa estatal brasileira de combustveis, mencionou o interesse no
investimento de tecnologias inovadoras na busca de um aumento da produo de etanol.
Rossetto afirmou que um dos desafios o crescimento vertical, ou seja, investir para
aumentar a produo nas reas j plantadas. Hoje produzimos 7 ou 8 mil litros por hectare;
temos que passar para 11 ou 12 mil litros, acrescentou.
Aumentar a produtividade envolve o desenvolvimento de tecnologias capazes de
aperfeioar os processos envolvidos no plantio, corte, transporte da cana-de-acar como
tambm os processos de obteno do etanol a partir da cana de acar. Dentro desses
processos um dos que mais se destacam o processo de fermentao alcolica que segundo
Lopes atinge um rendimento que varia de 82 a 91% em relao ao estequiomtrico (LOPES,
2006). Rendimento considerado ainda muito baixo para se alcanar um patamar aceitvel de
produtividade.
Diante do desafio apresentado e da importncia econmica e ambiental relacionada
produo de etanol como combustvel, novas tecnologias devem ser aplicadas ao processo de
fermentao existente. Hoje muito se faz em matria de monitorao de parmetros
associados fermentao alcolica, no entanto, uma anlise precisa e especialista desses
parmetros ainda se faz necessria. E para essa anlise j possvel utilizar de tcnicas
computacionais capazes de resolver os complexos sistemas biolgicos, tais como modelos
fenomenolgicos, redes neuronais e hbridas neuronais (MANTOVANELI, 2005).
A grande vantagem de se utilizar uma rede neuronal o fato de esta possuir alta
capacidade de ajustar seu desempenho para aproximar-se o mais exatamente possvel aos
resultados que ocorrem in loco em processos fermentativos reais, podendo, de certa forma,
prever os resultados mesmo em face de mltiplas variveis aleatrias.
Outra vantagem mencionada por Mantovaneli (2005) para o uso de redes do tipo
Functional Link que a estimao dos seus pesos um problema linear, logo o treinamento
destas redes rpido e tem convergncia garantida, o que facilita bastante a utilizao de um
esquema adaptativo.
2
2 OBJETIVOS

2.1 OBJETIVO GERAL
O objetivo deste projeto propor um modelo de rede neural capaz de prever o
rendimento da fermentao em funo da variao de parmetros monitorados durante um
processo fermentativo, permitindo assim elaborar estratgias para melhorar o desempenho de
usinas de produo de etanol.

2.2 OBJETIVOS ESPECFICOS
- Identificar os principais parmetros fsico-qumicos, microbiolgicos e de produo
responsveis pelo rendimento em processos de fermentao alcolica;
- Estudar o uso das redes neurais na descrio do processo de fermentao alcolica;
- Projetar, treinar e validar uma rede neural capaz de predizer com uma taxa de erro de
0,05 na previso (dados de teste) do rendimento da fermentao.

3
3 REVISO BIBLIOGRFICA

3.1 FERMENTAO ALCOLICA
A fermentao alcolica um processo anaerbico em que as enzimas, no interior da
levedura, realizam uma transformao qumica do acar em etanol e gs carbnico. (LIMA
et al., 2001b)
A transformao de acar (glicose), em etanol e CO
2
, conhecida como gliclise, e
uma caracterstica comum a todo organismo vivo. A levedura como ser vivo independente,
realiza a fermentao do acar com o objetivo de conseguir a energia qumica necessria
para sobreviver, sendo o etanol considerado um subproduto desse processo (AMORIM et
al.,1996).
Portanto, para se beneficiar desta caracterstica metablica desses microrganismos, se
deve compreender melhor as condies ideais para que a clula possa produzir com maior
eficincia esse subproduto que tanto interessa ao homem.

3.1.1 Breve histrico da fermentao alcolica
A utilizao das leveduras pelo homem remonta a mais remota antiguidade, sendo os
produtos da fermentao conhecidos pelos homens. H mais de 4.000 anos os egpcios
fabricavam o po e produziam bebidas alcolicas a partir de cereais e frutas (CAVALIERI et
al., 2003). Jarros de vinho com mais de 7.000 anos de idade foram encontrados em escavaes
realizadas nas montanhas de Zagros no Ir e acham-se expostas na Universidade da
Pensilvnia (PHILLIPS, 2000).
No entanto, o entendimento de como os processos envolvidos na fermentao
alcolica ocorre, foram sendo elucidados com passar das pocas (AMORIM et al., 1996).
Esses microrganismos (leveduras) foram primeiramente observados por Leeuwenhoek
(1632-1723) atravs de um rudimentar microscpio, ao observar uma amostra de fermentao
de cerveja no ano de 1680.
Em 1815, Gay Lussac prope uma equao qumica para descrever o processo de
fermentao alcolica da glicose, at ento considerado uma reao qumica, dada por:
4
Equao 3.1:
C
6
H
12
O
6
= 2C
2
H
5
OH + 2CO
2

Glicose lcool etlico dixido de carbono
Em 1818, Erxleben relaciona a fermentao ao de microrganismos chamados de
levedura, e explicitando que a reao tem o carter biolgico e no qumico como muitos
imaginavam na poca.
Entre 1834 e 1837, trs cientistas, o francs Gagniard-Latour e os alemes Schwan e
Ktzing, independentemente chegaram a nica concluso de que a fermentao realizada
pelos corpos ovais descobertos por Leeuwenhoek. Ento propuseram chamar esses
organismos de Saccharomyces ou fungos do acar e posteriormente de leveduras. Ktzing
justificou a fermentao como um processo associado multiplicao das leveduras. Algum
tempo depois, Turpin, afirmou que no h fermentao sem multiplicao das leveduras
(ORD e STOCKEN, 1999).
A comprovao do papel vital das leveduras no processo de fermentao veio a ser
reconhecido em 1856, pelo qumico francs Louis Pasteur. Naquela poca acreditava-se que
as leveduras eram compostos qumicos sem vida. Louis Pasteur provou o contrrio ao
demonstrar que somente as clulas viveis das leveduras (clulas vivas) eram capazes de se
reproduzir e gerar a fermentao em condies anaerbicas (ORD e STOCKEN, 1999).
Estava ento elucidado o segredo da fermentao alcolica? Ainda faltava algo mais
para esclarecer esse mistrio milenar. Anos depois da morte de Pasteur, mais apropriadamente
em 1897, os irmos Buchner conseguiram realizar uma fermentao somente com um extrato
de levedura livre de clulas. Chegaram concluso que isso se devia a um elemento ativo
existente no interior da clula (que passou a ser conhecido como enzima), dissolvido no suco
da levedura a qual chamaram de zimasa alcolica (ORD e STOCKEN, 1999). Finalmente
estava totalmente compreendido o fenmeno da fermentao alcolica. A partir desse
conhecimento foi possvel estudar e aprimorar o processo de fermentao atravs de melhores
controles sobre as fases reprodutivas e fermentativas das leveduras, suas necessidades
especficas e a influncia de fatores externos sobre estas atividades (AMORIM et al., 1996).
Devido sua importncia econmica em processos biotecnolgicos a levedura
Saccharomyces pode ser considerada o eucaritico mais estudado e cujo metabolismo o
mais conhecido (AMORIM et al., 1996).

5

3.1.2 Fermentao Alcolica Em Processos Industriais
Trabalhar com microrganismos exige cuidados, pois algumas alteraes em condies
ambientais no meio fermentativo podem levar ao colapso ou baixo rendimento de todo o
processo de fermentao. A transformao do acar em etanol e CO
2
envolve um total de 12
reaes em uma determinada sequncia especfica, sendo cada reao catalisada por uma
enzima em particular. As enzimas so em geral, compostos proteicos muito sensveis as
variaes de temperatura, pH, nutrientes minerais, vitaminas, inibidores, substncias do
prprio metabolismo, etc. Podendo ter seu desempenho estimulado ou reduzido em razo
desses fatores. (LIMA et al., 2001b)
Em matria de processos industriais, duas variveis sofrem constantes alteraes: a
matria-prima e o microrganismo. Mudanas no clima, no tipo de solo, na adubao e at
mesmo a composio do mosto (maior proporo de caldo ou melao) podem interferir na
matria-prima. O microrganismo tambm pode mudar, pois medida que ocorrem diversas
fermentaes pode ocorrer a substituio das leveduras inoculadas por leveduras nativas e
selvagens, que em funo de um ambiente mais favorvel, se sobrepem dominando a
fermentao (ANDRIETTA, 1994). Segundo Lima et al. (2001b), esse fenmeno pode ser
constatado pela tcnica de cariotipagem que identifica a cepa da levedura pelo seu DNA.
Para cada microrganismo existe uma caracterstica especfica relacionada aos parmetros
cinticos que descrevem seu metabolismo, originando diferentes situaes de rendimento
(ANDRIETTA, 1994).

3.1.3 Fatores fsico-qumicos e microbiolgicos que interferem no rendimento da
fermentao
Obviamente quando se pretende produzir algo, se deseja alcanar o melhor rendimento
possvel de matria-prima e energia gasto neste processo. Para atingir este objetivo, em
processos industriais, utilizada uma srie de mecanismos para controlar os aspectos relativos
transformao da matria-prima de forma eficiente evitando desperdcios. Em processos
biotecnolgicos as transformaes so creditadas a seres vivos microscpicos que, para
cumprir seu trabalho, devem dispor de uma srie de fatores ambientais, fsicos, qumicos e
microbiolgicos especficos para alcanar um bom desempenho nessa tarefa (AMORIM et al.,
1996).
6
Deve-se levar tambm em considerao o fato de que a ao principal do
microrganismo, no caso uma levedura, garantir sua sobrevivncia e reproduo, sendo o
produto metabolizado somente uma consequncia dessas duas tarefas anteriores. Portanto,
cabe ao homem, explorando a capacidade de adaptao da levedura, aumentar a produo de
um determinado metablito por garantir condies especiais para que esse processo ocorra.
Ter isso em mente leva a um estudo detalhado de como reage um microrganismo diante dos
diversos fatores citados anteriormente. (LIMA et al., 2001a)

3.1.4 Influncia Das Condies Ambientais Nos Processos Fermentativos
Segundo descreve Amorim et al. (1996), o desempenho do processo fermentativo
fortemente influenciado pelo tipo de levedura que est envolvida neste. Portanto, as
caractersticas genticas de um microrganismo tem uma grande relevncia quando se trata de
se obter bons resultados em matria de rendimento alcolico. Outro aspecto muito importante
a ser considerado est na identificao do efeito que os fatores ambientais tm sobre o
crescimento e formao do produto.
Segundo a literatura, os principais fatores que limitam a produtividade dos
microrganismos chamados de levedura, responsveis pela fermentao alcolica aqui
estudada so (AMORIM et al., 1996):
a) Temperatura;
b) Acidez (pH);
c) Nutrientes;
d) Concentrao de Etanol;
e) Agentes txicos;
f) Presso osmtica e;
g) Contaminao com outros microrganismos.
Conforme a descoberta feita pelos irmos Buchner em 1897, as enzimas contidas no
citoplasma celular so as responsveis pela funo de catalisar as 12 reaes envolvidas na
transformao do acar (glicose) em etanol e gs carbnico, sendo nessa regio da clula que

7
ocorre a fermentao alcolica. Essas enzimas, denominadas glicolticas, sofrem a ao de
muitos fatores (nutrientes, minerais, vitaminas, inibidores, substncias do prprio
metabolismo, pH, temperatura e outros), que de alguma forma podem estimular ou inibir a
atividade enzimtica, podendo causar alteraes no desempenho do processo fermentativo
proporcionado pelas leveduras. (LIMA et al., 2001b)
O estudo de como cada um desses principais fatores influencia no resultado do
rendimento da fermentao muito importante para o entendimento dos mecanismos
relacionados eficincia da levedura em produzir etanol.

3.1.4.1 Efeito da temperatura
O crescimento microbiano e a formao de produto so os resultados de uma srie
complexa de reaes qumicas conhecidas como metabolismo, e como todas as reaes
qumicas, elas so influenciadas pela temperatura (DALE et al., 1990). O crescimento pode
ser descrito como um balano entre clulas que nascem e clulas que morrem (SCHIMIDELL
et al., 2001), e pode ser descrito conforme equao 3.2.
Equao 3.2:

dX
.X .X
dt
= o

Onde
: taxa especfica de crescimento celular
o: taxa especfica de morte celular
Ocorre o crescimento dos microrganismos quando a taxa especfica de crescimento
celular maior que a taxa especfica de morte celular. Ambas as taxas dependem da
temperatura. Em geral, em funo dessas caractersticas pode-se concluir que existe sempre
uma temperatura tima para cada microrganismo, onde o crescimento microbiano maior.
Schimidell et al. (2001) definiram que as taxas de crescimento e morte celular
possuem uma relao com a velocidade das reaes qumicas catalisadas pelas enzimas,
8
portanto utilizando-se a Equao de Arrhenius, possvel demonstrar qual a relao entre a
temperatura e essas taxas, conforme expostas nas equaes 3.3 e 3.4, respectivamente:
Equao 3.3:
a
E
A.exp
R.T
| |
=
|
\ .

Equao 3.4:
a
E '
A'.
R.T
| |
o =
|
\ .

As temperaturas timas para a produo industrial de etanol situam-se na faixa de 26 a
35 C. A velocidade da fermentao aumenta com o aumento da temperatura, mas esse
aumento favorece a contaminao bacteriana, aumentando a competio pelo substrato
(glicose) e reduzindo consequentemente o rendimento (LIMA et al., 2001b).
Levando em considerao os fatores citados torna-se de extrema importncia o
controle da temperatura, justificando seu monitoramento no processo industrial.
3.1.4.2 Efeito do pH
O potencial hidrogeninico (pH) um fator significativo para os processos de
fermentao industrial devido a sua importncia, tanto no crescimento da levedura, como na
formao do produto. Pode ser tambm, um indicativo de contaminao bacteriana, por essa
razo ele deve ser monitorado nas fermentaes industriais. (OLIVA-NETO, 2008).
Amorim et al. (1996) indicam que o pH dos mostos industriais encontram-se na faixa
de 4,5 a 5,5 com uma boa capacidade tamponante. As leveduras mantm sua homeostase de
forma quase independente dos valores de pH do meio e isto as ajuda a se manterem viveis
mesmo quando, no processo de tratamento cido, a acidez chega a nveis de pH entre 2 e 3,2.
Este processo visa a diminuio da carga de contaminao bacteriana (LIMA et al., 2001b).
Podem ocorrer variaes do pH durante as fermentaes por diversas razes, algumas
delas relacionadas a variaes devido ao consumo de fontes de nitrognio, bem como a
variaes originadas pela formao de cidos, tais como actico, lctico, pirvico, succnico
(DORTA et al., 2006).

9

3.1.4.3 Efeito da concentrao de nutriente
Em uma alta concentrao de nutrientes, no caso acares, tm-se observado um
aumento na velocidade de fermentao e aumento na produtividade (LIMA et al., 2001b). No
entanto, segundo observado por Amorim et al. (1996), a relao ideal para se obter os
melhores rendimentos, encontra-se entre 3,3 a 3,8 kg de ART (acares redutores totais)
mosto e kg de levedura seca. Muito acima desses valores o rendimento comea a declinar
motivado pelo estresse osmtico na levedura ocasionado pela alta concentrao de acares e
pela alta toxidade do etanol. (BISSON e BUTZKE, 2000; MALACRIN et al., 2005).
Outra possibilidade de inibio tem a ver com a concentrao de algumas substncias
especficas que podem estar no meio. Tais substncias podem ser tanto agentes txicos, como
uma alta concentrao dos metablitos produzidos pela prpria levedura (AMORIM et al.,
1996).

3.1.4.4 Concentrao de etanol
Muitos estudos realizados sobre o aumento de concentrao do etanol e produtividade
da levedura Saccharomyces cerevisiae, demonstram o efeito inibidor que altas concentraes
de etanol no substrato ou no meio tem sobre a cintica de fermentao (SILVA, 1997;
CASEY e INGLEDEW, 1976). Isto ocorre em grande parte devido s alteraes da
composio da camada lipdica da membrana celular podendo ocasionar o rompimento da
parede celular e a morte do microrganismo. Algumas enzimas como hexoquinase, lcool
desidrogenase, invertase, frutose-1,6-bifosfato aldolase e piruvato descarboxilase so
consideradas por alguns autores como as mais sensveis a grandes concentraes de etanol
(CASEY e INGLEDEW, 1976; SHARMA e TAURO, 1987; MILLAR et al., 1982). A sntese
de protenas estressoras pode ser considerada outra razo para essa inibio
(HALLSWORTH, 1998, MARTINI et al., 2004).
Concentraes elevadas de etanol (acima de 10GL) limitam o rendimento e
produtividade durante a fermentao industrial (WALKER-CAPRIOGLIO et al., 1985). A
toxidade gerada por estas concentraes tem uma influncia sobre a capacidade de a levedura
sobreviver em temperaturas mais elevadas ocasionando a sua morte (CARVALHO,1996).

10
3.1.4.5 Agentes txicos
Muitos minerais, s vezes encontrados no meio, se mostram prejudiciais
multiplicao e fermentao, quer inibindo a atividade das enzimas quer alterando a
permeabilidade de membranas celulares (AMORIM et al., 1996).
Na Tabela 3.1 so demonstrados alguns dos efeitos inibidores do crescimento e da
fermentao causados por alguns minerais comumente encontrados durante uma fermentao
alcolica a partir de cana de acar.
Tabela 3.1 - Agentes txicos e seus efeitos inibidores para Saccharomyces cerevisiae.
Ction Efeito
Au, Ag Potentes inibidores do crescimento e fermentao; alteram a permeabilidade da membrana
com perda massiva de K
+
. Inibe o crescimento com concentrao de 10 M, e inibe
fermentao com 100 M.
Al Toxico ao nvel das membranas. Concentraes de 2 mM diminuem o crescimento.
Cd, Pd, Os Absoro acompanhada da perda de K+ 10 M inibe o crescimento bloqueando a sntese de
protenas. A fermentao inibida com 0,1 mM. Inibe a absoro de ctions bivalentes.
Cr Inibe o crescimento a 10 M e a fermentao a 30 mM bloqueando a absoro de acar.
Hg Inibe a fermentao em 0,1 mM, impede a sntese de ATP na mitocndria e inibe a invertase.
Causa perda de K
+
.
Pb, Sn Inibio com 0,1 mM. Efeitos txicos diminudos pela adio de fosfato.
Th 2 mM inibe o crescimento e 40 mM inibe a absoro de acar. Ao sobre as membranas
U 10 M inibe o crescimento e 0,1 mM inibe a fermentao. Bloqueia a absoro de acar,
ligando-se aos grupos fosfricos e carboxlicos das membranas.
Va 0,4 mM inibe o crescimento. Ao semelhante ao U. Em baixas concentraes estimula
sntese de protenas e de tiamina.
Na, Li Fermentao e crescimento comprometidos com 1 M. Aumentam a energia de manuteno.
F Bloqueia crescimento e fermentao a 4 mM, inibindo enzimas glicolticas (enolase).
Fonte: Rodney & Greenfield (1984)

11
3.1.4.6 Presso osmtica
A elevada presso osmtica do meio pode aumentar a toxicidade do cido ltico que
em baixa presso osmtica (0,6) inibe o crescimento de Saccharomyces cerevisiae a partir de
5 g/L. J em alta presso osmtica (1,6) inibe a partir de 2,5 g/L. (NGANG et al. 1989).
3.1.4.7 Contaminao
Em um processo industrial de produo de etanol existem muitos focos de
contaminao microbiana, provenientes desde o momento em que a cana-de-acar se
encontra no campo at o momento em que o caldo ou mosto entram nos fermentadores. Esses
microrganismos podem ter sobrevivido aos tratamentos de caldo e s condies de pH,
temperatura e produtos inibitrios no meio fermentativo (como antibiticos) e se
estabeleceram nas dornas de fermentao (ANGELIS, 2010).
A existncia de bactrias junto com as leveduras no meio fermentativo cria uma
competio entre estas duas espcies pelo substrato, diminuindo a produo de etanol, pois
somente as leveduras tm em sua rota metablica a transformao do acar em etanol e CO
2
.
Os nveis de bactrias que representam um processo de fermentao sadio encontram-se
prximos de 10
5
clulas/mL (ANDRIETTA et al, 2006).
Alcanar uma assepsia completa em processos industriais de fermentao muito
difcil em razo das dimenses do processo. Portanto comum encontrar-se contaminao
bacteriana, em especial de Lactobacillus e Bacillus. Dependendo da intensidade dessa
contaminao, ocorre o comprometimento do rendimento do processo fermentativo.
Temperaturas altas de fermentao favorecem a contaminao bacteriana, o aumento do
tempo de fermentao e o estresse da levedura. A contaminao bacteriana est associada ao
aumento da acidez do meio, em razo da formao de cido lctico e, embora no confirmado
de forma conclusiva, sobre as causas da floculao da levedura (LIMA et al., 2001b).
At que ponto a contaminao bacteriana pode influenciar no rendimento fermentativo
pode ser observado no trabalho de Serra et al. (1979), que registrou uma queda de 15% do
rendimento devido a ao das bactrias. Alterthum et al. (1984), demonstraram em seus
experimentos, quedas de rendimento na faixa de 14 a 90%, quando os nveis de contaminao
atingiram os valores de 10
8
a 10
9
cel/mL.
Alm dos efeitos prejudiciais causados pela contaminao bacteriana no ambiente
fermentativo, em muitos casos esta ocorre ainda no processo de corte da cana-de-acar,
12
sendo detectada pela presena de dextrana, gerando perdas no rendimento da fermentao. A
causa dessa contaminao se d principalmente por bactrias do gnero Leuconostoc que so
produtores de biopolmeros de forma gomosa como a dextrana. A dextrana causa perda da
viabilidade, nas clulas de levedura, levando a necessidade da substituio por novas clulas
(MUTTON, 2003).
Ficam claros os prejuzos causados pela contaminao bacteriana para a fermentao.
Como contramedida para reduzir ou limitar a proliferao bacteriana, o uso de antibiticos
comumente aplicado nas usinas de fabricao de etanol (AMORIM et al., 1996).

3.2 CLCULO DO RENDIMENTO DA FERMENTAO
Um fator importante para identificar o desempenho de processos fermentativos e
corrigir problemas na fermentao o clculo de rendimento da fermentao.
Existem dois mtodos utilizados para isso:
- Clculo de Rendimento Estequiomtrico e;
- Clculo de Rendimento por Subprodutos.
Esses dois mtodos so descritos nos prximos tpicos.

3.2.1 Rendimento Estequiomtrico
O clculo do rendimento estequiomtrico, segundo proposto por Schimidell et al.
(2001), o observado na equao abaixo:
Equao 3.5:
C
12
H
22
O
11
+ H
2
O 2C
6
H
12
O
6
4CH
3
CH
2
OH + 4CO
2
342g sacarose 18g gua 2*180g Acares invertidos 4*46g etanol 4*44g Gs carbnico
A equao da transformao de glicose a etanol e gs carbnico acima, sem levar em
conta a produo de mais clulas e de subprodutos conhecida como equao de Gay Lussac.

13
Assim, 342 gramas de sacarose produzem 360 gramas de acares redutores totais,
que por sua vez produzem 184 gramas de etanol, ou seja, cada 100 gramas de sacarose
correspondem a 53,80 gramas de etanol.
No entanto, essa frmula no adequada para o clculo de rendimento da fermentao
em usinas, pois em uma fermentao, parte dos acares presentes no meio consumida em
reaes paralelas necessrias para a sntese de etanol. Outros produtos como glicerol e cidos
orgnicos (principalmente cido actico e succnico) podem ser formados (AMORIM, 2005).

3.2.2 Rendimento por subprodutos
O rendimento da fermentao na indstria (
()) usualmente
determinado de acordo com os subprodutos gerados no processo. O clculo originalmente foi
proposto pelo ento Centro de Tecnologia Copersucar (1987) e posteriormente descrito por
Fernandes (2003).
Levando em considerao a formao de subprodutos e seu impacto no clculo do
rendimento da fermentao utiliza-se as seguintes equaes para utilizar no clculo de
rendimento.
KI = perdas de fermento:
Equao 3.6:
KI =

KG = glicerol produzido
Equao 3.7:
KG =

Kart = perdas de acares totais
%F
VOLANTE
: Porcentagem de
fermento no vinho do volante
GL
VT
: Porcentagem de lcool
(vol/vol) do vinho turbinado
Glicerol: Teor de glicerol produzido em
%m/v
14
Equao 3.8:

KART =

Kac = acidez produzida
Mtodo balano de massas:
Equao 3.9:
KAC=
[
((
)((
)]
[
((
)]

Onde:
Acidez
dorna
: Quantidade de cidos totais na dorna em gH
2
SO
4
/L.
Acidez
p
: Quantidade de cidos totais no p-de-cuba em gH
2
SO
4
/L.
Acidez
mosto
: Quantidade de cidos totais no mosto em gH
2
SO
4
/L.
%F
Dorna
: Porcentagem de fermento na dorna.
%F
p
: Porcentagem de fermento no p-de-cuba.
GL
dorna
: Porcentagem de lcool (vol/vol) da dorna.
GL
p
: Porcentagem de lcool (vol/vol) do p-de-cuba.

Calculados todos os coeficientes, o rendimento fermentativo por este mtodo
de subprodutos ser dado pela seguinte equao:
Equao 3.10:
()
( )

ARRT: teor de acares redutores
residuais total.

15
3.3 REDES NEURAIS ARTIFICIAIS RNA.
Redes neurais so unidades de processamento de informao compostas por um
conjunto de elementos conectados, unidades ou ns de processamento simples, cuja
funcionalidade baseia-se no funcionamento de um neurnio cerebral. A habilidade de
processamento da rede est na memria armazenada nas conexes dessas unidades, chamadas
de pesos, que so adquiridas por um processo chamado de aprendizagem, a partir de padres
de treinamento (GURNEY, 1997).
Segundo Haykin (2001), as redes neurais artificiais obtm sua capacidade de
processamento atravs do que ele chama de plasticidade do neurnio em desenvolvimento,
que se assemelha com a maneira como o sistema nervoso natural adapta-se ao seu meio
ambiente. Segundo ele, os neurnios artificiais imitam seus correspondentes naturais a fim de
ajustar o funcionamento da rede neural artificial ao modo como o crebro realiza uma tarefa
em particular.

3.3.1 Treinamento
O que leva o crebro interpretar um determinado estmulo externo, na maioria dos
casos, definido por ligaes sinpticas cerebrais reforadas atravs do que se conhece como
experincia (HAYKIN, 2001). A experincia est ligada intimamente com o aprendizado.
De maneira similar, as redes armazenam o conhecimento adquirido por meio de interaes
com o meio ambiente. A capacidade da RNA em fornecer respostas prximas ao alvo
desejado est relacionada sua capacidade de aprender por exemplos e fazer interpolaes e
extrapolaes do que podem aprender e uma fase chamada de treinamento (EYNG, 2006).
A estratgia no uso de rede neural para resolver um determinado problema escolher
uma arquitetura de rede, melhor adaptada para o problema, e um processo de aprendizagem
pelo qual exemplos representativos dos conhecimentos a serem adquiridos so apresentados
rede que se auto-organiza para integrar, dentro de sua estrutura, a informao a ser
apresentada, ajustando acertadamente o peso sinptico das conexes neurais. A aprendizagem
geralmente requer a exibio, para a rede, de exemplos de aprendizagem muitos milhares de
vezes (THIBAULT et al., 1990).
Na fase de treinamento, a rede extrai informaes relevantes de padres de informao
apresentados a ela, criando assim sua prpria representao do problema. O aprendizado
16
ento feito por meio de ajustes dos parmetros da rede chamados pesos sinpticos que se
encontram entre as unidades de processamento (neurnios). Ao final do processo de
treinamento, a rede ter adquirido o conhecimento sobre o ambiente e armazenado esse
conhecimento nos prprios pesos (PICOLI, 2006). Um conjunto de regras bem definidas para
a soluo de um problema de aprendizado denominado de algoritmo de aprendizado. H um
nmero diversificado de tipos de algoritmos de aprendizado especficos para os diferentes
tipos de Redes Neurais, sendo que a diferena entre um e outro notada pela forma como os
pesos so ajustados.
Segundo Carvalho et al. (1998), os mtodos de treinamento desenvolvidos podem ser
agrupados em trs paradigmas principais:
a) Aprendizado Supervisionado: quando utilizado um agente externo que indica
rede a resposta desejada para o padro de entrada;
b) Aprendizado No Supervisionado (auto-organizao): quando no existe um
agente externo indicando a resposta desejada para os padres de entrada;
c) Reforo: quando um agente externo avalia a resposta fornecida pela rede.
3.3.2 Perceptron
Um neurnio biolgico faz uma somatria de todos os estmulos de entrada e produz
um impulso de sada somente se a soma for maior que um determinado valor, denominado
como valor limiar. Os estmulos (sinais de entrada) chegam at o neurnio por meio dos
dendritos, os quais se conectam as sadas de outros neurnios por meio de junes chamadas
sinapses. Os sinais so propagados como ondas pelo axnio da clula e convertidos para
sinais qumicos nas sinapses. Estas junes podem alterar a eficincia com que o sinal
transmitido; algumas sinapses so boas junes, e passam um forte sinal adiante, enquanto
que outras, muito ruins, permitem a passagem de um sinal fraco. Ao receber os sinais
provenientes das diversas entradas o corpo celular dispara, se o total de entradas excederem o
valor limiar (BEALE, 1990).

17

Figura 3.1 - Neurnio biolgico. Fonte: Bona (2008).

Os neurnios artificiais surgiram a partir de estudos relacionados procura por
dispositivos artificiais capazes de imitar o modelo biolgico.
Em 1943, Mcculloch e Pitts construram um modelo de neurnio artificial baseado na
modelagem de um neurnio biolgico e sua capacidade computacional.
No modelo proposto, os dendritos foram substitudos por entradas, as conexes destas
entradas com o neurnio artificial seriam estabelecidas por meio de elementos chamados
pesos, que quando multiplicados s suas respectivas entradas, simulariam as sinapses. Desta
forma, para simular sinapses mais fortes, os pesos aplicados seriam maiores, amplificando o
respectivo sinal de entrada. Dentro do neurnio artificial, uma funo de soma foi
incrementada, sendo o seu resultado aplicado a outra funo contendo um limiar de ativao.
Sendo alcanado o limiar de ativao o ento proposto neurnio artificial reproduziria um
sinal de sada (EYNG, 2006).
Apesar da importncia do trabalho de Mcculloch e Pitts (1943), ainda faltava algo para
concretizar o uso do modelo desenvolvido. Faltavam ainda tcnicas de aprendizagem para que
o modelo pudesse ser capaz de ajustar seus pesos sinpticos segundo o conhecimento
adquirido durante a aprendizagem. Em 1958 esse problema veio a ser resolvido pelo trabalho
de Frank Rosenblatt. Rosenblatt apresentou um modelo denominado perceptron, composto
18
por uma estrutura de rede baseada no modelo proposto por Mcculloch e Pitts, mas acrescido
de um algoritmo de treinamento (EYNG, 2006).
A Figura 3.2 demonstra a topologia do perceptron, para uma nica sada.

Figura 3.2 - Topologia de um perceptron simples. Fonte: Eyng (2006).
O modelo neural descrito acima inclui um termo limiar, denotado por b
k
. Este termo
possui a funo de causar uma reduo na entrada da funo transferncia, v
k
.
Desta forma, para o neurnio k, a funo de transferncia v
k
corresponde a somatria
das entradas (x
1
,x
2
,...,x
N
), multiplicadas pelos seus respectivos pesos (w
1k
,w
2k
,...,w
Nk
),
acrescida do termo limiar (b
k
) conforme equao 3.11.
Equao 3.11:

Equao 3.12:
)
Onde:

19
x
1
,x
2
,...,x
N
= Sinais de entrada.
w
1k
,w
2k
,...,w
Nk
= Pesos sinpticos do neurnio k.
b
k
= Termo Limiar.
(v
k
)= Funo de ativao.
v
k
= Entrada da funo de ativao.

O termo limiar, b
k
, um parmetro externo ao neurnio k. Desta forma este termo
pode ser adicionado a somatria da Equao 3.11, na forma de uma entrada adicional x
0
,
caracterizada por x
0
= +1, sendo o peso sinptico a ela associado o prprio b
k
(w
k0
= b
k
). A
equao, conforme sugere Eyng (2006), pode ser escrita da seguinte forma:
Equao 3.13:

A funo de ativao, denotada por , responsvel por fornecer o sinal
correspondente sada do neurnio y
k
. A funo de ativao do perceptron a funo degrau
da Equao 3.14.
Equao 3.14:
(
) {

3.3.3 Perceptron de Mltiplas Camadas
Segundo Haykin (2001), a rede perceptron de mltiplas camadas, ou MLP (Multilayer
Perceptron) como mais conhecida, consiste de um conjunto de unidades sensoriais que
constituem uma camada de entrada, uma ou duas camadas ocultas de ns computacionais e
uma camada de sada. O sinal se propaga atravs da rede, no sentido das entradas em direo
as sadas, passando camada por camada da rede.
20
As redes MLP tm obtido muito sucesso em diversas aplicaes onde se faz necessrio
o uso de poder computacional para resolver problemas difceis. Seu grande sucesso deriva de
seu treinamento supervisionado com um algoritmo conhecido como algoritmo de
retropropagao de erro (error back-propagation). Este algoritmo baseia-se na regra de
aprendizagem por correo de erro (HAYKIN, 2001).
A arquitetura apresentada na Figura 3.3 mostra um exemplo de rede neural
feedforward completamente conectada, ou seja, cada neurnio em uma determinada camada
est conectado aos demais da camada seguinte.

Figura 3.3 - Arquitetura de uma rede neural artificial. Fonte: Eyng (2006).

A aprendizagem por retropropagao de erro envolve dois passos atravs das camadas
da rede. Um passo para frente, a propagao, onde um padro de atividade (vetor de entrada)
aplicado aos ns sensoriais, meio pelo qual ela se comunica com o ambiente externo, e seu
efeito se propaga camada aps camada. Ao final um sinal correspondente sada emerge
produzido como a reposta real da rede. No passo para trs, os pesos sinpticos so ajustados
de acordo com uma regra de correo de erro. Especificamente, a resposta real da rede
subtrada de uma resposta desejada (alvo apresentado rede durante a fase de aprendizado)
FUNO
ERRO

21
para produzir um sinal de erro, sendo til para o algoritmo de aprendizagem
Backpropagation (HAYKIN, 2001; EYNG, 2006).

3.3.4 Algoritmo da retropropagao (ou backpropagation)
As redes neurais tem a capacidade de fazer generalizaes, geram suas prprias regras
para a compreenso de um determinado problema, com base nos dados obtidos durante uma
srie de dados para treinamento. Isto se d em razo de um algoritmo de aprendizagem, que
atualiza os pesos sinpticos entre as conexes em funo dos resultados obtidos durante a fase
de propagao (BONA, 2008).
Em 1986, Rumelhart e Mcclelland propuseram o algoritmo de retropropagao,
tambm conhecido como regra delta. Nele o objetivo minimizar o erro gerado entre a
resposta da simulao e a desejada, sendo necessrio, o ajuste nos pesos sinpticos associados
s entradas dos neurnios (EYNG, 2006).
Uma apresentao completa do conjunto de treinamento denominada, poca ou
interao, e o processo de aprendizagem continua at os pesos sinpticos e os nveis de
bias se estabilizarem e o erro quadrtico mdio convergir para um valor mnimo
(HAYKIN, 2001). Na Figura 3.4, observa-se um grfico que demonstra a progresso do Erro
Mdio Quadrtico em direo a um valor mnimo.

22

Figura 3.4- Evoluo dos erros de treinamento (cinza) e de teste (preto) durante o treinamento da
RNA. Fonte: Oliveira et al. (2009).
Assim, o erro calculado na camada de sada retropropagado s camadas anteriores,
servindo de base para a modificao de todos os pesos, at que a resposta obtida pela rede seja
satisfatria (HAYKIN, 2001).

3.3.5 O estudo de redes neurais em processos de produo de etanol.
A demanda por combustveis renovveis e o fato do etanol ser uma das fontes
renovveis de energia mais viveis, associado, a tecnologia dos motores flex que permite o
uso de qualquer proporo etanol/gasolina, aumentaram significativamente o consumo e a
produo do etanol no Brasil (MANTOVANELI, 2005). O aumento de reas de cultivo de
cana-de-acar tem causado muita preocupao, pois alguns temem que essas reas de cultivo
avancem sobre terras antes destinadas a produo de alimentos. A baixa eficincia em
produzir etanol por hectare de terra plantada tornou-se uma preocupao que tem levado a
muitos estudos sobre novos mtodos e prticas agrcolas, novas cepas de leveduras e mesmo a
tcnicas de melhorias dos processos produtivos. Inseridos nesse cenrio, encontram-se
estudos relacionados ao uso de redes neurais como ferramentas preditivas e de controle na
otimizao e consequente aumento do rendimento na produo e extrao do etanol.

23
Meleiro et al. (2005) utilizaram redes neurais artificiais para desenvolver um
controlador adaptativo multivarivel para aplicao em processos biotecnolgicos.
Verificaram que soft-sensors baseados em redes neurais artificiais e modelos hbridos so
ferramentas computacionais confiveis para sistemas de identificao on-line e podem ser
usados como bons suportes para estratgias de controle adaptativo.
Um dos primeiros trabalhos relacionados utilizao de sistemas no lineares em
processos de fermentao alcolica foi o realizado por Meleiro (2002), onde propunha a
elaborao de controladores baseados em sistemas neurais. Ele props a utilizao de redes
neurais em estudos de casos envolvendo dois processos fermentativos para a produo de
etanol. Um deles, baseado num sistema Melle-Boinot, muito utilizado nas usinas brasileiras, e
outro, um sistema alternativo que utiliza apenas uma dorna acoplada a uma centrfuga, um
tanque de tratamento de leveduras e um tanque flash, cuja principal funo extrair
continuamente parte do etanol produzido. Os resultados obtidos, segundo o autor,
demonstraram a capacidade superior, em relao a controladores lineares, do uso da tcnica
de redes neurais no projeto de controladores de processos biolgicos.
Em 2004, Pramanik investigou o uso de tcnicas de redes neurais artificiais para
ajudar na predio de parmetros tais como massa de clulas e concentrao de etanol sobre
condies variveis de fermentao e comparou os resultados obtidos por seus experimentos
com aqueles obtidos atravs das simulaes gerados pelas redes neurais artificiais. Tratava-se
ento dos primeiros testes de desempenho de redes neurais aplicadas predio de parmetros
biolgicos realizados em laboratrio. Para tanto, Pramanik utilizou suco de uva como
substrato em fermentaes do tipo batelada e monitorou os parmetros de entrada tais como
pH, temperatura, concentrao de acar inicial e tambm a concentrao em funo do
tempo. Seus resultados revelaram um timo desempenho na predio desses parmetros, com
especial preciso dentro da faixa dos dados de treinamento da rede neural.
Outro trabalho relevante para o desenvolvimento de redes neurais em processos de
fermentao alcolica foi o desenvolvido por Mantovaneli (2005). A autora props a
modelagem de um sistema hbrido neural para um processo de fermentao alcolica
utilizando balanos de massa combinados com redes neurais do tipo Functional Link. Neste
trabalho tambm foi implementado um esquema para atualizao dos pesos da rede sempre
que esta no descrevesse o comportamento dinmico da planta. O modelo foi aplicado a uma
planta de produo de etanol e os resultados obtidos foram satisfatrios, pois demonstraram
24
um bom desempenho diante das perturbaes da planta, evidenciando uma boa capacidade de
generalizao diante destas perturbaes.
Eyng (2006) utilizou controladores feedforward-feedback, baseados no modelo
inverso de redes neurais em uma coluna de absoro para a recuperao de etanol perdido
durante a fermentao, devido a complexidade do controle exigido nessa aplicao. Realizou
tambm uma srie de comparaes entre o mtodo tradicional de controle PID e o uso de
controladores utilizando redes neurais artificiais. Seu trabalho conclui com a superioridade do
controlador neural, comprovada pelos valores obtidos para os parmetros ITAE (integral do
erro absoluto ponderada pelo tempo), IAE (integral do erro absoluto) e ISE (integral do
quadrado do erro).
Meleiro et al. (2009) propuseram a elaborao de uma rede neural artificial aplicada a
identificao e controle de um processo de produo de etanol combustvel, utilizando como
mtodo um algoritmo de treinamento construtivo. Os mtodos construtivos comeam com
uma arquitetura mnima de rede e adicionam neurnios at que uma soluo adequada seja
encontrada. A determinao da arquitetura de rede inicial nestes mtodos imediata. Alm
disso, os algoritmos construtivos sempre efetuam a busca a partir de arquiteturas de dimenso
reduzida, resultando em um menor esforo computacional. (CASTRO et al., 1999). A
proposta de usar um algoritmo de treinamento construtivo foi aplicada com sucesso para
identificar um bioprocesso do tipo MIMO (Mltiplas entradas e mltiplas sadas),
providenciando um modelo multivarivel capaz de fielmente descrever uma dinmica
complexa, mesmo em predies de largas amplitudes.
Rivera et al. (2009) propuseram a utilizao de um sistema de controle automatizado
utilizando software-sensors (sensores baseados em software) projetados utilizando o
princpio de redes neurais do tipo MLP. Foram utilizados sensores de pH, turbidez,
temperatura e vazo de CO
2
como variveis de entrada da rede neural dos software-sensors.
Os parmetros estimados por essas variveis de entrada foram concentrao de biomassa, de
substrato e de produto. A Figura 3.5 demonstra que a comparao entre os resultados obtidos
pela anlise laboratorial e os preditos pela rede neural artificial foram bem prximos.

25

Figura 3.5- Resultados do uso de redes neurais e software-sensors. Fonte Rivera et al. (2009)

Rivera et al. (2010) desenvolveram outro trabalho utilizando ANN-SS (Rede neural
artificial baseada em software-sensors), mas neste procuraram demonstrar a eficincia deste
tipo promissor de sensor, tambm em processos de fermentao contnua. O modelo proposto
no trabalho de Rivera e seus colaboradores contribuiu muito para o entendimento das
complexas relaes entre as variveis de processos em unidades de reao e separao, que
de importncia majoritria para que um processo de produo de etanol atinja um excelente
desempenho.
Todos os trabalhos mencionados neste referencial foram bastante importantes para o
entendimento do uso de redes neurais artificiais em processos fermentativos de produo de
etanol. No entanto, ainda pouco se tem aplicado em termos prticos nas usinas produtoras de
etanol no pas. Por estas razes o objetivo deste trabalho desenvolver redes neurais
artificiais, num enfoque diferente. Prope-se estudar os dados j levantados pelo sistema de
controle da qualidade das usinas e inseri-los em uma rede neural artificial, com o objetivo de
predizer as melhores condies associadas a um rendimento timo e desta forma gerar
subsdios capazes de orientar ajustes nos parmetros produtivos a fim de alcanar esse
rendimento.
26
Para tanto, inicialmente se faz necessrio uma anlise aprofundada das caractersticas
fsico-qumicas dos substratos e do produto final, bem como das caractersticas
microbiolgicas que interferem no rendimento da fermentao em situaes reais, isto ,
fatores comuns nas indstrias e no sob um ambiente controlado como em laboratrios.

27
4 MATERIAIS E MTODOS

4.1 A NATUREZA DOS DADOS UTILIZADOS
Muito se tem feito em matria de modelamento matemtico utilizando dados obtidos a
partir de experimentao em laboratrio, no entanto, neste trabalho apresentado, optou-se por
utilizar como dados os registros de parmetros relacionados matria prima (tempo de
queima, pureza da cana, ATR do caldo, etc.) e de processo de fermentao (acidez do mosto,
levedo na cuba, temperatura de fermentao, etc.) encontrados nos boletins das mdias
semanais provenientes de usinas de produo de etanol combustvel a partir de cana de
acar.
Esta deciso foi tomada em funo desses dados j estarem sendo monitorados pela
maioria das indstrias, com mtodos analticos j conhecidos e implementados. Segundo
AMORIM et al. (1996) o acompanhamento analtico do processo de fermentao deve ser
feito semanalmente e posteriormente analisado, quando necessrio ou ao final da safra, por
meio de anlise de regresso (linear ou quadrtica) mltipla, para poder identificar as causas
de perda ou da variao dos rendimentos de fermentao. No entanto, ainda no foram
desenvolvidos mtodos padronizados para essa anlise.
Os dados propostos para o estudo referem-se srie histrica da produo semanal de
etanol de cana-de-acar, coletadas atravs de boletins de dados semanais proveniente de duas
usinas distintas agora denominadas, por questes de confidencialidade, de usina A e usina B,
e compreenderam o perodo de safra referente aos anos de 2008, 2009 e 2010 perfazendo um
total de 3.217 observaes.
As observaes, tambm chamadas de registros, foram agrupadas em blocos distintos
e identificadas de forma a se facilitar sua identificao da seguinte forma:
- Usina A
2008
Dados semanais provenientes da usina A e referentes ao ano de
2008;
- Usina B
Ano
Dados semanais provenientes da usina B referentes aos anos de
2008, 2009 e 2010.
Os dados representam todos os parmetros monitorados pelas respectivas usinas no
perodo considerado neste estudo. Tais parmetros j so considerados por algum tempo como
28
impactantes no processo fermentativo (AMORIM et al.,1996) e podem ser observados nas
Tabela 4.1 e Tabela 4.2.

Tabela 4.1- Parmetros analisados da Usina A
2008
.

Parmetro Descrio N. de registros
A1 Semana 25
A2 Acar Redutor da cana 25
A3 ATR cana (Acar total recupervel) 25
A4 Acidez da Cana 25
A5 Dextrana Cana 23
A6 % lcool da cana 25
A7 Bastonetes no Caldo Primrio 25
A8 Frequncia de paradas 25
A9 % ART Acar (Acares redutores totais) 24
A10 Mosto Impureza % 24
A11 Temperatura do mosto 20
A12 Mosto UFC (Grau de contaminao
bacteriana)
9
A13 Acidez do Mosto (gH
2
S0
4
/l) 25
A14 Mosto % ART (Acares redutores totais) 21
A15 Nitrognio Amoniacal Mosto 21
A16 Acidez H2SO4/Kg/Brix 24
A17 Temperatura do vinho 21
A18 Bastonetes Vinho 25
A19 % Levedo Vinho 25
A20 Viabilidade Vinho 25
A21 Tempo de fermentao 21
A22 Floculao 25
A23 % ART Biomassa 25
A24 pH levedo 25
A25 Rendimento da Fermentao % 25
Total de registros 583

29

Tabela 4.2- Parmetros analisados na Usina B durante as trs safras (2008 a 2010).
Parmetro Descrio N. de registros
B1 Semana 132
B2 Tempo de Queima (h) 129
B3 Pureza Cana (PCTS) (%) 126
B4 ATR Cana (%) 126
B5 Dextrana Cana (ppm/Brix) 126
B6 ART (T/dia) 126
B7 Mosto impureza (%) 126
B8 ART do mosto (%) 126
B9 Acidez do mosto (gH2SO4/L) 126
B10 N. Amoniacal do mosto (ppm) 123
B11 ARRT do Vinho (%) 123
B12 Teor Alcolico do vinho (oGL) 126
B13 Acidez do vinho (gH2SO4/L) 126
B14 Glicerol no vinho (%) 123
B15 pH Levedo 123
B16 Levedo na Cuba (%) 123
B17 Levedo na Dorna (%) 126
B18 Bastonetes no vinho (bast./mL) 123
B19 Viabilidade (%) 126
B20 Floculao (%) 123
B21 Rendimento Fermentao (%) 126
Total de registros 2634

Alguma variao existe entre os parmetros monitorados de uma usina e outra, pois
no h um entendimento claro sobre quais seriam realmente os parmetros mais apropriados
para um monitoramento eficaz de um processo de fermentao. A evidncia disto observada
nas tabelas acima, onde se observa que a usina B no monitora parmetros tais como acidez
da cana, temperatura do vinho ou percentual de lcool na cana, que so monitorados pela
usina A.

30
4.2 O TIPO DE PROCESSO DE FERMENTAO
O processo de fermentao analisado nas usinas em questo o de batelada
alimentada com recirculao de levedo que largamente empregado no Brasil. uma
evoluo do processo desenvolvido na dcada de 30 pelo engenheiro Boinot nas Usinas de
Melle, na Frana. Um fluxograma simplificado do processo apresentado na Figura 4.1,
abaixo:

Figura 4.1- Fluxograma de batelada alimentada. Fonte: adaptado de Melle-Boinot.

O tempo de fermentao, na mdia, foi de 8 horas para ambas as usinas.
Terminada a fermentao, o mosto fermentado, denominado de vinho ou vinho bruto
encaminhado para uma dorna volante de vinho bruto e segue para as centrfugas para
separao do fermento.
O clculo de rendimento de fermentao feito aps o trmino da fermentao
utilizando a equao que leva em considerao a produo de subprodutos descrita no item
3.2.2 deste trabalho.
Todo o processo de fermentao monitorado por meio de medies e registros nos
boletins dirios e depois as mdias desses valores constituem o Boletim de Mdia Semanal.
Alguns mtodos analticos utilizados para o preenchimento dos parmetros analisados
nesses boletins semanais so descritos com maior detalhamento no ANEXO 1 Interpretao
dos dados do laboratrio industrial e mtodos analticos

31
4.3 A ESCOLHA DOS PARMETROS PARA A CONSTRUO DA REDE NEURAL.
Para garantir uma boa escolha para os parmetros que comporiam as entradas para as
redes neurais a serem montadas e testadas, utilizou-se alguns mtodos para analisar a eficcia
dos mesmos:
- Anlise estatstica de correlao;
- Anlise terica e;
- Anlise de sensibilidade.
Tais anlises se mostraram importantes para a organizao e compreenso das etapas
para alcanar os objetivos desse trabalho.

4.3.1 Anlise de estatstica de correlao
Foram realizados testes estatsticos de correlao, utilizando-se o software
STATISTICA 7.0 da empresa StarSoft, entre os parmetros selecionados comparando-se aos
resultados obtidos de rendimento da fermentao.
Duas anlises de correlao foram realizadas. A primeira delas foi utilizando os dados
da usina A (A
2008
) onde se verificou qual seria o grau de correlao obtido utilizando-se o
modelo de Boletim de mdia semanal utilizado por esta usina. A segunda anlise foi realizada
com os dados agregados dos trs conjuntos de dados da usina B (B
2008
, B
2009
, B
2010
).
No entanto, somente uma anlise estatstica no poderia ser suficiente para a
identificao dos parmetros de entrada da rede neural, para a confirmao e validao dessa
seleo, portanto optou-se, realizar uma anlise terica desses parmetros j pr-selecionados.

4.3.2 Anlise terica
O objetivo dessa anlise identificar como cada parmetro selecionado por meio da
anlise de correlao, estudada anteriormente, se relaciona dentro de um contexto terico,
com o desempenho do rendimento da fermentao.
Essa anlise ou estudo foi conduzido por meio de uma reviso sobre os temas
relacionados a cada parmetro e sua influncia no desempenho do rendimento da
32
fermentao, segundo os trabalhos produzidos pelos autores citados nesse trabalho. Trabalhos
produzidos por autores como Amorim et al. (1996) e Ludwig et al. (2001) foram de grande
ajuda na interpretao e seleo dos parmetros que serviram de entradas a serem
selecionadas para a rede neural.
Anlises em separado foram realizadas para os parmetros utilizados pela usina A e
pela usina B. Dessa forma avalia-se tambm se existe uma diferena significativa entre os
parmetros escolhidos pelas duas usinas para monitorar seus processos. Essa diferena pode
ser identificada quer seja pelos ndices de correlao, quer seja pelos resultados obtidos na
aplicao da rede neural.

4.3.3 Anlise de Sensibilidade
A anlise de sensibilidade identifica quais a variveis consideradas mais importantes
para uma rede neural em particular. Ela pode dar um importante conhecimento sobre a
utilidade das variveis individualmente. Usualmente esta anlise usada para identificar quais
as variveis de entrada que podem seguramente ser suprimidas de uma rede neural.
Para definir a sensibilidade de cada varivel dentro de uma rede neural em particular,
usa-se o conceito de que cada varivel dispensvel (HUNTER et al., 2000). Desta forma,
o software que executa esse teste (Statistica v. 7), calcula preliminarmente os erros da rede e
sucessivamente executa uma nova rodada da rede neural utilizando um valor nulo para a
varivel em teste. A influncia dessa varivel dentro da rede neural ento mensurada pela
diferena entre os resultados dos erros, antes e depois do teste, definindo ento a importncia
(RANK) e o grau de sensibilidade (RATIO).
Essa anlise foi realizada aps a montagem das redes neurais para ajustar os resultados
das anlises acima descritas, em funo de um possvel erro de critrio na escolha dos
parmetros da rede neural causada pelo comportamento no linear de alguns parmetros
monitorados pelas usinas. Um exemplo a temperatura do mosto, que muito abaixo ou muito
acima do ideal para a atividade metablica da levedura, causa uma perda no rendimento da
fermentao (AMORIM et al.,1996).

33
4.4 A ESCOLHA E A MONTAGEM DA REDE NEURAL
As Redes Neurais, ou redes neurais artificiais para sermos mais precisos,
representam uma tecnologia que tem razes em muitas disciplinas: neurocincia, matemtica,
estatstica, fsica, cincia da computao e engenharia (HAYKIN, 2001). As redes neurais
aplicam-se em diversos campos. Neste contexto, so muitos os tipos de redes neurais que
existem, sendo cada uma mais adequada a uma situao particular.

4.4.1 Usando redes neurais do tipo perceptron de mltiplas camadas para predizer
o rendimento da fermentao
Neste trabalho foi utilizada uma das mais conhecidas e utilizadas redes neurais, a rede
do tipo Perceptron de Mltiplas Camadas (em ingls Multilayer Perceptron ou simplesmente
MLP). A rede MLP tem sido utilizada para resolver problemas difceis, atravs de seu
treinamento supervisionado com um algoritmo muito popular, conhecido como algoritmo de
retropropagao de erro (HAYKIN, 2001). Este algoritmo baseado na regra de
aprendizagem por correo do erro. Essas caractersticas, juntamente com a habilidade de
aprender da experincia atravs do treinamento, tornam esse modelo mais adequado ao
processo por permitir que se utilizem os dados experimentais para o treinamento, validao e
teste.
Depois de realizada a seleo dos parmetros nas anlises de correlao e anlise
terica, descritas nos itens 4.3.1 e 4.3.2, os parmetros selecionados foram agrupados em
planilhas identificadas pela usina e pelo ano em que foram coletadas. No caso dos parmetros
da Usina B, todos os anos foram ajuntados de tal forma que constitussem um s conjunto de
dados.
Aleatoriamente foram selecionados os dados contendo os parmetros dessas planilhas.
Segundo Haykin (2001), a aleatoriedade garante que os exemplos sucessivos apresentados
rede em uma poca, raramente pertenam mesma classe. Esses dados foram organizados
segundo a diviso abaixo:
- 80% dos dados foram utilizados para treinamento da rede;
- 10% validao da rede, processo pelo qual se obteve o desempenho da rede neural e;
- 10% teste.
34
Algumas configuraes de rede neural foram realizadas seguindo alguns objetivos
traados para determinar a melhor predio dos resultados de rendimento. Abaixo segue a
descrio das redes montadas e suas caractersticas:
- Rede Neural MLP-1 a partir dos parmetros selecionados da usina A, para determinar
o desempenho dos parmetros monitorados por essa usina com relao predio do
rendimento da fermentao;
- Rede Neural MLP-2 a partir dos parmetros selecionados da usina B, para determinar
o desempenho dos parmetros monitorados por essa usina com relao predio do
rendimento da fermentao e sua variao em funo dos anos (2008, 2009 e 2010);
- Rede Neural MLP-3 utilizando os parmetros da usina B usando o teor alcolico (grau
GL) como sada para a rede neural.
As redes neurais seguem as seguintes caractersticas:
- Rede: Perceptron multicamadas (MLP).
- Normalizao: mapminmax (entrada e sada).
- Amostragem aleatria: 80% treinamento; 10% validao; 10% teste.
- Funes de ativao: camada oculta (tangente hiperblica); camada de sada (linear).
- Escolha da melhor rede: coeficiente de correlao.
- Funo de erro: MSE (erro mdio quadrtico).
Como o objetivo desta rede de predizer o rendimento da fermentao, sendo,
portanto um problema de regresso proposto o uso do MSE e o coeficiente de correlao r,
como parmetros para a escolha da melhor RNA. Para a avaliao de desempenho da rede foi
escolhido como critrio a taxa de erro de testes. A taxa de erro de testes obtida no final da
fase de teste e determina o grau de confiabilidade das predies feitas pela rede.

4.5 OS RECURSOS COMPUTACIONAIS
Os dados provenientes dos processos de fermentao fornecidos pelas usinas foram
registrados de forma manual, pelos analistas de laboratrio, logo aps as anlises terem sido

35
realizadas em triplicata, registrando-se a mdia das medies em planilha do Excel formato
xlsx.
Para as anlises estatsticas foi utilizado o software STATISTICA da empresa StarSoft,
verso 7.0 licenciado para a Universidade Tecnolgica Federal do Paran (UTFPR).
A montagem e simulao da rede neural foram realizadas por meio do software
MATLAB verso R2007b utilizando o toolbox Neural Network licenciado para a
Universidade Tecnolgica Federal do Paran (UTFPR).
Outras anlises importantes neste trabalho foram feitas a partir do software estatstico
Minitab verso 16 verso student licenciado para o autor.
O computador utilizado nas simulaes um HP ProBook Core i5, 4 Gigabytes de
memria RAM e hard disc de 380 Gigabytes, Sistema operacional Windows Seven
Professional.
36
5 RESULTADOS E DISCUSSO

Esta seo apresenta a seleo dos parmetros que devem compor as entradas da rede
neural utilizando-se dos mtodos de anlise de correlao linear e anlise terica j descrita
neste trabalho. Tambm relatam os resultados obtidos pelas redes neurais montadas fazendo
comparaes entre as redes e discute sobre o uso destas na determinao de rendimento da
fermentao ou na determinao do teor alcolico do vinho. Prope um modelo para
determinao de um preditor de rendimento da fermentao, usando uma combinao de
redes neurais do tipo MLP, compostas pelos principais componentes considerados no clculo
de rendimento de fermentao por subprodutos, hoje utilizados pelas usinas de produo de
lcool.

5.1 RESULTADOS DAS ANLISES PARA A ESCOLHA DE FATORES PARA A REDE NEURAL
O sucesso na montagem de uma rede neural por vezes atribudo a algum
conhecimento prvio que se tem sobre o comportamento das variveis de entrada e a varivel
de sada. H certa verdade sobre isso, de forma que o processo de aprendizagem por exemplos
pode ser generalizado para incluir informaes prvias que se tem sobre a funo que seria
includa no processo de aprendizagem (ABU-MOSTAFA, 1995). No caso especfico,
procurou-se incluir algum conhecimento prvio obtido das anlises de correlao entre os
parmetros selecionados e confirm-los por meio de um estudo detalhado sobre o
comportamento desses com relao ao rendimento da fermentao. Os resultados so
relatados nas sees subsequentes.

5.1.1 Seleo dos parmetros da Usina A (A
2008
) para a montagem da rede neural
MLP-1
O coeficiente de correlao de Pearson foi utilizado para a determinao da fora de
correlao entre os parmetros selecionados e o rendimento da fermentao. Sendo a
definio de fora de correlao baseadas em valores numricos que variam entre -1 e 1 e:
- 0,70 positivo ou negativo indica uma forte correlao.
- 0,30 a 0,70 positivo ou negativo indica correlao moderada.

37
- 0 a 0,30 fraca correlao.
Na Tabela 5.1 podem ser observados os fatores escolhidos que mais se correlacionam
(correlao maior que 0,70) com o rendimento da fermentao:
Tabela 5.1- Anlise de correlao do conjunto de dados usina A (A
2008
).
Parmetro Descrio Correlao com Rendimento da
Fermentao
A4 Acidez da cana 0,79
A9
A13
% ART para acar
Acidez do mosto
-0,88
0,89
A17 Temperatura mxima do vinho 0,83
A11 Temperatura do mosto 0,77
A15
A22
Nitrognio Amoniacal no mosto
Floculao
-0,77
-0,71

Os parmetros selecionados acima demonstram haver uma relao forte entre eles e o
rendimento da fermentao. No entanto, um conjunto de dados de 583 registros, que
representam uma s safra, pode ser considerado pequeno e estatisticamente inconclusivo,
podendo levar a uma interpretao errnea sobre se esses so realmente os parmetros chaves
para a montagem de um modelo para uma rede neural, capaz de predizer o rendimento da
fermentao.
Esses sete parmetros foram ento selecionados, para a anlise terica cujos resultados
so relatados a seguir:
- A4 - Acidez da cana influi positivamente no rendimento (=0,79):
Segundo Ripoli e Ripoli (2004) a acidez uma caracterstica que pode ser atribuda
para estabelecer o padro de qualidade do caldo de cana e deve apresentar valor inferior a
0,80 de acidez sulfrica. Portanto, elevados valores de acidez esto relacionados a fatores
prejudiciais a qualidade da cana-de-acar. A deteriorao da cana um fator que diminui a
38
qualidade da matria prima. Durante o perodo de armazenamento, esta degradao,
caracterizada pelo aumento dos nveis de dextrana e acidez (TASSO JNIOR et al., 2009).
- A9 - Porcentagem ART para acar influi negativamente no rendimento (= -0,88):
O aumento da concentrao de acares, consequentemente eleva a velocidade de
fermentao, resultando em perdas da atividade de transporte de acar, produzindo menos
etanol. O estresse induzido pelo aumento da osmolaridade externa leva a reduo em
crescimento e perda da viabilidade das clulas das leveduras, devido s perturbaes no
gradiente osmtico atravs da membrana plasmtica. Isto leva, por sua vez, a perdas em
volume das clulas que se contraem por causa de diferenas em presso osmtica entre o
exterior e o interior das clulas (SOUZA, 2009). As concentraes de acar encontradas
nesta usina estavam acima da mdia recomendada para uma fermentao tima que se
encontram entre 18 a 20 Brix (LIMA et al., 2001b).
- A13 - Acidez do mosto influi negativamente no rendimento (= -0,88):
Teores altos de acidez no mosto acima de 1,50 a 2,00g H
2
SO
4
/litro indicativo de
caramelizao, sinal de brix do mel muito alto e pureza baixa do mosto, originando baixo
rendimento da fermentao. A acidez pode estar relacionada tambm, com a contaminao
bacteriana e a competio pelo substrato, entre levedura e bactria, reduzindo a quantidade de
acares transformados em etanol (AMORIM et al.,1996).
- A17 e A11 - Temperatura mxima do vinho e no mosto influem positivamente no
rendimento (= 0,83 e = 0,77 respectivamente):
A temperatura na dorna deve ser mantida entre 33 a 35C. Temperaturas muito baixas
atrapalham o metabolismo das leveduras e temperaturas altas favorecem a infeco
bacteriana. No caso especfico, a temperatura variou no processo entre 21 e 35C, o que indica
que o aumento da temperatura aproximava a operao dos valores timos.
- A15 - Nitrognio Amoniacal no mosto influi negativamente no rendimento (= -
0,77):
Observa-se uma multiplicao excessiva da levedura notadamente quando os mostos
apresentam elevados teores de nitrognio amoniacal. Tal crescimento desvia parte
significativa do acar, no s para a formao da biomassa em si, como tambm para o

39
glicerol acoplado a esse crescimento (AMORIM et al.,1996). Outro motivo para o aumento do
nitrognio amoniacal pode ser a prpria contaminao bacteriana.
- A22 - Floculao influi negativamente no rendimento (= -0,71):
A formao de flocos compromete a converso de acar em lcool e CO
2
, pela reduo
da superfcie de contato direto entre as clulas e o meio (MUTTON et al., 2004). Este
fenmeno pode causar perda de clulas na centrfuga e o consequente gasto de substrato para
a reposio celular, determinando assim, queda no rendimento alcolico. A floculao
dificulta o contato entre o antibacteriano usado no processo e a bactria causando o aumento
desses contaminantes, que provocam um aumento de acidez, afetando a qualidade do lcool
produzido, seja como combustvel ou para a indstria de bebidas alcolicas (LUDWIG et al.,
2001).
Tendo havido comprovao matemtica e terica, os parmetros acidez da cana, % ART
acar, acidez do mosto, temperatura mxima do vinho e no mosto, N
2
amoniacal e floculao
foram escolhidos para compor a entrada da rede neural MLP-1 cujos resultados so
apresentados na seo 5.2.1 desse trabalho.

5.1.2 Seleo dos parmetros da Usina B (B
2008
, B
2009
e B
2010
).
Os anos referentes s safras monitoradas pela usina B foram consolidados em uma
nica planilha contendo 2634 registros. Essa medida foi assim tomada para obtermos um
componente temporal associado ao rendimento da fermentao. Esse componente foi
identificado pelo parmetro safra (B22) e sua correlao tambm foi considerada em uma
primeira anlise de correlao.
Na Tabela 5.2 seguem os fatores que mais se correlacionam com o rendimento da
fermentao segundo a primeira anlise:

40
Tabela 5.2 - Anlise de correlao do conjunto de dados Usina B (B
2008
, B
2009
e B
2010
).
Fermentao
B22
B10
B14
B3
Safra
N. Amoniacal do mosto (ppm)
Glicerol no vinho
Pureza Cana (PCTS) (%)
0,5
-0,47
-0,28
0,26
B5
B8
Dextrana Cana (ppm/Brix)
ART do mosto (%)
- 0,20
- 0,03
B11 ARRT do Vinho (%) -0,27
B19
B7
Viabilidade (%)
Mosto impureza (%)
0,20
-0,25

Os resultados dessa primeira anlise de correlao para os parmetros da usina B
demonstraram uma correlao bem inferior aos resultados obtidos pela usina A,
demonstrando uma possvel capacidade inferior primeira usina, com relao ao
monitoramento do processo fermentativo, utilizando parmetros pouco relacionados com o
rendimento da fermentao. Outro aspecto a ser considerado o fato de que o parmetro com
maior correlao positiva ao rendimento da fermentao, ter sido a safra, levando concluso
equivocada de que outros fatores monitorados pelos demais parmetros no teriam influncia
significativa desde que o ano da safra fosse mais recente.
Como no caso em questo, houve uma melhora do rendimento atravs dos anos
considerados (2008, 2009 e 2010), algo que influenciou a anlise estatstica. O parmetro
safra, foi desconsiderado, em uma segunda anlise de correlao e na Tabela 5.3 est
reportado os resultados dessa segunda anlise.

41
Tabela 5.3 - Anlise de correlao desconsiderando a safra do conjunto de dados Usina B.
Fermentao
B3
B5
B7
B10
B11
B14
B19
Pureza da cana
Dextrana Cana (ppm/Brix)
Mosto impureza (%)
N. Amoniacal do mosto (ppm)
ARRT do Vinho (%)
Glicerol no vinho
Viabilidade (%)
0,27
- 0,20
-0,25
-0,47
-0,28
-0,25
0,21

Os parmetros acima mencionados representam os que apresentaram a maior correlao
linear com o rendimento. Portanto foram escolhidos para a anlise terica, onde um estudo
mais profundo sobre o seu comportamento e sua relao com o rendimento da fermentao
pode ser observado nos itens abaixo descritos:
- B3 - Pureza Cana (PCTS) (%) influi positivamente no rendimento:
A pureza da cana determinada pela relao entre o Pol % Cana e o Brix % Cana,
Clculo: ((Pol % Cana * 100) / Brix % Cana) e um indicador de qualidade a ser obtido no
mosto usado na fermentao. Esse parmetro pode ser omitido se o parmetro impureza do
mosto estiver sendo considerado.
- B5 - Dextrana Cana (ppm/Brix) influi negativamente no rendimento :
A produo de goma por microrganismos tem contribudo para perdas de acar e
dificuldade operacional, considerando que o Leuconostoc mesenteroides o principal agente
formador de goma. Porm outros grupos esto associados, como o Bacillus, Aerobacter,
Steptococcus, Enterobacter aerogenes, E. cloacae. As espcies Bacillus subtilis, Bacillus
licheniformis e Bacillus polymyxa tambm podem produzir gomas levana ou dextrana. Vrios
autores constataram a presena de fermentaes paralelas a fermentao alcolica devido a
42
contaminantes. Estes agentes causam perdas no rendimento fermentativo, atravs da produo
de cidos, actico, ltico e butrico e gomas dextrana e levana (OLIVA-NETO, 1995).
A Figura 5.1 indica a influncia da dextrana no rendimento. Observa-se que na
amostra 23 um menor nvel de dextrana contribuiu para o maior rendimento da fermentao e
na amostra 34 um nvel maior de dextrana resulta em baixo rendimento.

Figura 5.1- Comparao rendimento x dextrana B
2008

- B7 - Mosto impureza (%) influi negativamente no rendimento:
A impureza do mosto considerada o percentual de no acares que compem o
mosto. Este percentual representa a quantidade de terra e bagacilho que podem encontrar-se
misturada no mosto. Um percentual alto de impurezas no mosto causa a produo de espuma
pelas leveduras, favorecendo tambm o surgimento de contaminao e consequentemente a
perda de rendimento da fermentao (AMORIM et al.,1996).
- B10 - Nitrognio Amoniacal do mosto influi negativamente no rendimento (= -
0,48):
37 33 29 25 21 17 13 9 5 1
92
91
90
89
88
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
_
X=89,948
UCL=92,009
LCL=87,886
1
I Chart of Rendimento Fermentao (%)
37 33 29 25 21 17 13 9 5 1
3000
2000
1000
0
-1000
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
_
X=1017
UCL=2746
LCL=-712
1
1
I Chart of Dextrana Cana (ppm/Brix)

43
Essa correlao confirma a concluso tirada na Usina A.
- B8 e B11 - ART do mosto (%) e ARRT do Vinho (%) influem positivamente e
negativamente no rendimento:
Neste caso houve um erro na definio dos parmetros, pois o parmetro ART indica
os acares redutores totais, incluindo os no fermentescveis, e o ARRT do vinho representa
os acares redutores residuais totais, resultado final da fermentao. Entre os acares
redutores totais podem existir acares no fermentescveis que restaro no final da
fermentao como ARRT. Para se obter, as dimenses corretas de quanto acar realmente
pode ser transformado em etanol ou biomassa, prope-se trabalhar com a diferena desses
dois parmetros, criando um novo parmetro, denominado acares fermentescveis, tendo
esse parmetro uma correlao positiva com relao ao rendimento da fermentao.
- B14 - Glicerol no vinho influi negativamente no rendimento:
Esta correlao foi considerada correta. A produo de glicerol na fermentao
alcolica bastante conhecida e considerada uma fonte de perda de acar, j que uma parte
deste utilizada para a produo do mesmo. A produo de glicerol est associada ao
crescimento da biomassa, assim sendo uma reao que compete com a produo de etanol,
prejudicando o rendimento da fermentao (AMORIM et al.,1996).

- B19 - Viabilidade (%) influi positivamente no rendimento:
Serra et al. (1980) avaliaram as condies de controle de fermentao e determinaram
que h uma correlao positiva entre a viabilidade da levedura e o rendimento
fermentativo, mostrando a necessidade de controle sobre os fatores que influem na
viabilidade celular. No entanto, a viabilidade comportou-se nesse caso, de forma inversa ao
que descrito por Serra et al..

5.2 RESULTADOS DAS REDES NEURAIS
Os resultados das redes neurais so apresentados atravs de grficos e tabelas que
demonstram o desempenho, valores correspondentes ao erro mdio quadrtico (MSE), o
coeficiente de correlao (r) e a taxa de erro de testes, associado a comentrios apropriados
44
sobre o desempenho da rede em relao ao alvo desejado e em relao ao desempenho das
outras redes aqui testadas.

5.2.1 Resultados da Rede Neural MLP-1.
Uma vez selecionados os parmetros a serem testados (Figura 5.2), os mesmos foram
inseridos no mdulo de redes neurais artificiais do software STATISTICA V.7.

fermentao MLP-1.
As simulaes feitas no software foram analisadas utilizando-se diferentes quantidades
de interaes at se alcanar os melhores parmetros, isto , a correlao mais prxima de um
e o menor MSE.
Sendo testadas inmeras configuraes, a rede de melhor desempenho foi uma
composta da seguinte estrutura: 6 neurnios na camada de entrada, duas camadas ocultas com
6 neurnios cada, e um neurnio na camada de sada. Todos os neurnios tem funo de
ativao sigmoidal. O algoritmo utilizado para treinamento foi de retro propagao com
momentum com uma taxa de aprendizagem de 0,01 e taxa de momentum de 0,01. A estrutura
da rede pode ser observada na Figura 5.3.
Rendimento
da
fermentao
% ART
acar
Acidez da
cana
Acidez do
mosto
Temperatura
mxima do
vinho
Temperatura
do mosto
N
2
amoniacal
Floculao

45

Figura 5.3 - Estrutura da rede MLP-1.

A escolha da melhor rede avaliada por dois parmetros selecionados e abaixo
representados pelo erro mdio quadrtico (MSE) e pelo coeficiente de correlao (r),
conforme pode ser verificado na Tabela 5.4:

Tabela 5.4 - Escolha da rede neural MLP-1.

MLP-1
Erro Mdio -0,20823
MSE 1,27653
Erro mdio Absoluto 0,78698
Taxa de desvio padro 0,65891
Correlao 0,79175

46
Na Figura 5.4, o grfico evidencia uma aproximao entre os valores reais e os
preditos pela rede neural. No entanto, como indica esse mesmo grfico, existem pontos onde a
rede no foi capaz de detectar com exatido o comportamento da rede; nesse quesito esto os
pontos 1, 6, 14, e 20 que, em funo de seu distanciamento, acabaram contribuindo para um
MSE de 1,27.

Figura 5.4 - Representao grfica da srie original (azul) e da prevista pela rede neural (verde) do
rendimento da fermentao para a rede MLP-1.
A anlise de sensibilidade pode abrir um caminho para futuros esforos quanto a
melhora do desempenho, por indicar de que pelo menos um dos parmetros escolhido no
tenha sido o mais apropriado (% ART acar).
Na Tabela 5.5 apresentado uma classificao (Ranks) dando a importncia para cada
parmetro segundo a anlise de sensibilidade (Rank 1) e segundo a anlise de correlao
(Rank 2). Observa-se que no foi necessrio o parmetro % ART acar para montagem da
rede, e os componentes com maior significncia para a rede no so necessariamente os de
maior correlao linear.

82
84
86
88
90
92
94
96
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
R
e
n
d
i
m
e
n
t
o

d
a

f
e
r
m
e
n
t
a
o

%

Semanas
Rendim.
Fermen. %
MLP-1 (50)

47
Tabela 5.5 - Ranks para os parmetros segundo coeficientes de sensibilidade e de correlao linear.
Mosto Nitro.
Amoniacal
Vinho
Temp.
Mxima
Floculao Temperatura
Mosto
Mosto
Acidez
gH
2
S0
4
/L
Acidez da
Cana
% ART
acar
Rank 1 1 2 3 4 5 6 n/a
Sensibilidade 1,41630 1,06248 1,05420 1,00964 1,00272 0,95106 n/a
Rank 2 5 3 7 6 1 4 2
Correlao 0,77 0,83 0,71 0,77 0,89 0,79 0,88

O mesmo procedimento realizado para a montagem da rede MLP-1 foi repetido
tambm para rede MLP-2. No entanto, os parmetros selecionados, em funo de diferenas
de monitorao entre as usinas, mostraram-se distintos. H tambm de se destacar que o
nmero de registros para cada parmetro bem maior, possibilitando o teste de uma maior
quantidade de configuraes e estruturas de redes.
A Figura 5.5 mostra os parmetros selecionados para compor as entradas da rede
neural MLP-2.

fermentao MLP-2.

Vrias configuraes de rede e interaes foram sistematicamente testadas at se
encontrar a interao com melhor desempenho (o grfico da Figura 5.6 mostra as simulaes
Rendimento
da
fermentao
N
2

amoniacal
no mosto
Pureza da
cana
Dextrana
Glicerol no
vinho
% ARRT do
vinho
Viabilidade
Mosto
impureza
48
realizadas em diferentes nmeros de interaes). Os critrios de seleo utilizados foram um
maior valor de r (coeficiente de correlao) e menor erro mdio quadrtico (MSE). Os
valores encontrados podem ser visualizados na Tabela 5.6.

Figura 5.6 - Grfico para a escolha da melhor rede.
Tabela 5.6 - Resultado das interaes neurais testadas para escolha da MLP-2.
Interaes r MSE
10 0,59 1,02
20 0,61 1,01
30 0,67 0,96
40 0,53 1,09
50 0,699 0,93
60 0,71 0,91
70 0,64 0,98
80 0,65 0,98
100 0,56 0,84
150 0,75 0,85
200 0,59 1,04
250 0,7 0,9
300 0,66 0,98
400 0,638 0,98
500 0,726 0,89
1000 0,71 0,89
0,75
0,85
0
0,2
0,4
0,6
0,8
1
1,2
10 20 30 40 50 60 70 80 100 150 200 250 300 400 500 1000
Nmero de interaes
r
MSE

49
A melhor configurao da MLP-2, utilizando os parmetros selecionados, foi
alcanada com um nmero de 150 interaes (r = 0,755 e um MSE = 0,855), tendo uma
estrutura formada por uma camada de entrada composta de 7 neurnios, uma camada oculta
de 11 neurnios, outra camada oculta intermediria de 8 neurnios e um neurnio na camada
de sada (Figura 5.7). Os sete neurnios de entrada esto conectados aos mesmos sete
parmetros selecionados nas anlises propostas anteriormente neste trabalho (Figura 5.5).

Figura 5.7 - Estrutura rede MLP-2 (Usina B) MLP-2 7:1-11-8-1:1.
Os parmetros selecionados pela rede neural MLP-2 esto descritos em ordem de
importncia na Tabela 5.7.
Tabela 5.7 - Parmetros utilizados na rede neural MLP-2.

N.
Amoniacal
do mosto
(ppm)
Pureza
Cana
(PCTS)
(%)
ARRT do
Vinho
(%)
Mosto
impureza
(%)
Viabilidade
(%)
Glicerol
no vinho
(%)
Dextrana
Cana
(ppm/Brix)
Rank 1 2 3 4 5 6 7
Ratio 1,443728 1,376896 1,286733 1,234084 1,203130 1,123687 1,094810

50
Uma comparao entre as redes neurais MLP-1 e MLP-2, demonstra que apesar de
ambas apresentarem correlaes prximas (MLP-1 r = 0,79 e MLP-2 r=0,75), o MSE da rede
neural da usina B (MSE=0,85) foi significativamente menor se comparado com o da usina A
(MSE=1,276). Esses valores em si no servem para afirmarmos com certeza de que os
parmetros monitorados pela usina B so melhores para a determinao do rendimento que os
da usina A, pois o MSE de ambas as usinas foi afetado pela amostragem retirada de cada
usina. Como da usina A foram somente coletados dados referentes a somente um ano (safra),
este efeito pode ser notado na comparao observada no histograma dos resultados de
rendimento de fermentao das duas usinas ( Figura 5.8 e Figura 5.9)
Histogram (Spreadsheet em Redes neurais_MLP1 6v *20c)
Rendim. Fermen. % = 20*1*normal(x; 91,012; 1,9877)
86 87 88 89 90 91 92 93 94 95 96
Rendim. Fermen. %
0
1
2
3
4
5
6
7
8
9
N
o

o
f

o
b
s

Figura 5.8 Histograma do rendimento da fermentao usina A ( nmero de observaes X
rendimento da fermentao).

51
Histogram (Spreadsheet em Redes neurais_MLP2 6v *109c)
Rendimento Fermentao (%) = 109*0,5*normal(x; 90,6341; 1,2912)
87,0 87,5 88,0 88,5 89,0 89,5 90,0 90,5 91,0 91,5 92,0 92,5 93,0 93,5 94,0
Rendimento Fermentao (%)
0
2
4
6
8
10
12
14
16
18
N
o

o
f

o
b
s

Figura 5.9 - Histograma do rendimento da fermentao usina B ( nmero de observaes X
rendimento da fermentao).

Observa-se no grfico da Figura 5.10, que a rede procurou prever o comportamento
natural do processo, no entanto, existem erros relacionados mdia associao entre as
capacidades preditivas da rede e o rendimento real da fermentao.
52

do rendimento da fermentao para a rede MLP-2.
Os resultados para os dados de teste desta rede podem ser verificados no grfico da
Figura 5.11

Figura 5.11 - Resultados com os dados de teste para MLP-2 (seleo).

84
85
86
87
88
89
90
91
92
93
94
1 6
1
1
1
6
2
1
2
6
3
1
3
6
4
1
4
6
5
1
5
6
6
1
6
6
7
1
7
6
8
1
8
6
9
1
9
6
1
0
1
1
0
6
R
e
n
d
i
m
e
n
t
o

d
a

f
e
r
m
e
n
t
a
o

%

Semanas
Rendimento
Fermentao
(%)
MLP-2 (150)
86
87
88
89
90
91
92
93
94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
R
e
n
d
i
m
e
n
t
o

d
a

f
e
r
m
e
n
t
a
o

%

Semanas
Grfico de Teste da MLP-2 (seleo)
Rendimento
Fermentao (%)
MLP-2 (150)

53
Em razo dos resultados acima apresentados, foi proposta a montagem de uma nova
rede neural artificial, a rede MLP-2 (completo), que no leva em considerao a pr-seleo
de parmetros e, portanto, elucidativa no que se refere necessidade ou no de se pr-
selecionar os parmetros antes de submet-los a uma montagem de uma rede neural. Essa rede
utiliza todos os 20 parmetros monitorados pela usina B, e seus resultados podem ser
observados na Tabela 5.8.
Tabela 5.8 - Comparao entre a rede MLP-2 e MLP-2 (completo).
MLP-2 MLP-2 (completo)
Interaes r MSE Redes r MSE
150 0,75 0,85 300 0,824 0,745

Aps diversas configuraes testadas, abaixo se observa na Figura 5.12 a estrutura da
rede de melhor desempenho (r=0,824 e MSE=0,745):

Figura 5.12 - Diagrama de estrutura RNA MLP-2 (completo) MLP 19:19-15-13-1:1.

54
Todos os parmetros monitorados foram utilizados como entradas para essa estrutura
de RNA. A taxa de erro de teste da rede foi de 0,12, maior que o objetivo proposto para esse
trabalho que de 0,05.
Na Figura 5.13 nota-se uma sensvel melhora na capacidade de predio da rede
neural, mas mesmo assim no atingindo o ideal. Nota-se, portanto que a pr-seleo dos
parmetros reduziu o desempenho em relao da primeira rede montada com os dados da
usina B (MLP-2). Tambm no se pode concluir que algum dos parmetros possam ser
suprimido dos boletins das mdias semanais que as usinas hoje utilizam.

do rendimento da fermentao para a rede MLP-2 (completa).

Em vista do que foi demonstrado nesse experimento utilizando todos os parmetros
para compor a RNA, fica evidente que a anlise de correlao conforme descrita na seo
4.3.1, no um mtodo eficiente para a seleo de parmetros a RNA em questo. A
explicao deste fato talvez esteja no comportamento no linear, em relao ao rendimento da
fermentao, de alguns parmetros monitorados pelas usinas e pertencentes a este processo de
fermentao alcolica.
84
85
86
87
88
89
90
91
92
93
94
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
5
3
5
7
6
1
6
5
6
9
7
3
7
7
8
1
8
5
8
9
9
3
9
7
1
0
1
1
0
5
1
0
9
R
e
n
d
i
m
e
n
t
o

d
a

f
e
r
m
e
n
t
a
o

%

Semanas
Rendimento
Fermentao (%)
MLP-2 completo

55
Como durante os trabalhos referentes a montagens dessas redes neurais surgiu a ideia
de se predizer o teor alcolico do vinho, como parmetro fundamental para o rendimento da
fermentao, desenvolveu-se a terceira rede neural artificial, a MLP-3.

Uma RNA foi montada a partir de todos os 20 parmetros monitorados pela usina
B
(2008, 2009 e 2010)
. Mas agora, o parmetro de sada escolhido para a rede passa a ser o teor
alcolico do vinho (GL). Em suma, uma nova rede desenvolvida para predizer o teor
alcolico e no mais o rendimento da fermentao. A escolha foi assim feita em razo da
contribuio que o teor alcolico no vinho tem sobre o um bom rendimento da fermentao.
Os resultados so agora apresentados para essa rede neural denominada MLP-3. Na
Tabela 5.9 mostram-se os resultados dos testes, para encontrar a rede neural de melhor
desempenho.
Tabela 5.9 - Nmero de interaes (redes neurais) testadas para escolha da MLP-3.
Interaes r MSE
20 0,97 0,18
30 0,964 0,229
40 0,968 0,197
50 0,967 0,207
75 0,974 0,176
100 0,968 0,197
200 0,966 0,205
1000 0,968 0,197

Um diagrama dos neurnios e camadas que compem a rede MLP-3 pode ser visto na
Figura 5.14. A rede possui 11 neurnios em sua camada de entrada (nem todos os parmetros
foram usados), 12 neurnios na primeira camada oculta, 4 neurnios em uma outra camada
oculta e um neurnio na camada de sada (MLP 11:11-12-4-1:1).
56

Figura 5.14 - Estrutura da rede MLP-3 (MLP 11:11-12-4-1:1).
Os parmetros selecionados pela anlise de sensibilidade, gerada pelo software
STATISTICA v. 7, compem as entradas selecionadas para ser utilizada na rede neural MLP-
3 e podem ser observados na Tabela 5.10.
Tabela 5.10 - Anlise de sensibilidade e parmetros de entrada da MLP-3.

ART do
mosto
(%)
Glicerol
no vinho
(%)
Dextrana
Cana
(ppm/Brix)
N.
Amoniacal
do mosto
(ppm)
ATR
Cana
(%)
ARRT
do Vinho
(%)
Viabilidade
(%)
Tempo
de
Queima
(h)
ART
(T/dia)
Acidez do
mosto
(gH2SO4/L)
Mosto
impureza
(%)
Rank 1 2 3 4 5 6 7 8 9 10 11
Sens. 4,030297 1,128956 1,099715 1,061504 1,039101 1,034029 1,023598 1,023366 1,013163 1,00258 0,99909

Em razo dos excelentes valores encontrados para o coeficiente de correlao
(r=0,974) e um erro mdio quadrtico reduzido (MSE=0,176) a capacidade de predio dessa
rede foi considerada excelente (Figura 5.15).

57

do teor alcolico para a rede MLP-3.

Os resultados obtidos pela RNA MLP-3 evidenciam que os parmetros hoje
monitorados pelas usinas, podem ser usados, com grande grau de preciso, para predizer o
teor alcolico no vinho resultante da fermentao. Em si, esse teor alcolico pode ser usado
como indicativo de bons resultados obtidos na fermentao, pois o objetivo final, dessas
empresas, que empregam processos biotecnolgicos, produzir lcool (etanol). Sugere-se
que, em razo dos resultados obtidos, a usina A passe tambm a monitorar o teor alcolico do
vinho em seus processos.
No grfico da Figura 5.16 observa-se a capacidade de generalizao da rede MLP-3
utilizando-se os dados reservados para o teste da rede. Os resultados para os parmetros de
teste so igualmente bons, MSE de 0,22, r de 0,972, sendo que a taxa de erro ficou em 0,075,
ou seja, bem prxima do objetivo procurado nesse trabalho (0,05).
0
2
4
6
8
10
12
1 4 7
1
0
1
3
1
6
1
9
2
2
2
5
2
8
3
1
3
4
3
7
4
0
4
3
4
6
4
9
5
2
5
5
5
8
6
1
6
4
6
7
7
0
7
3
7
6
7
9
8
2
8
5
8
8
9
1
9
4
9
7
1
0
0
1
0
3
1
0
6
1
0
9
T
e
o
r

a
l
c
o
l
i
c
o

G
L

Semanas
Teor Alcolico
do vinho (oGL)
MLP-3 (oGL)
58

Figura 5.16 - Grfico com os resultados de teste da MLP-3.

Levando em considerao esses ltimos resultados, a montagem de uma RNA ideal
para a predio do rendimento da fermentao teria seu desempenho ampliado, se ao invs de
uma rede especfica para predizer o rendimento, fosse implementado um sistema hbrido,
semelhante a ideia proposta por Mantovaneli (2005), que inclua a equao de rendimento da
fermentao por subprodutos, sendo alimentada por redes neurais artificiais secundrias
provendo os termos dessa equao.

0
2
4
6
8
10
12
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
T
e
o
r

a
l
c
o
l
i
c
o

G
L

Semanas
Rede de Teste MLP- 3 (GL)
Teor Alcolico do
vinho (oGL)
MLP-3 (oGL)

59
6 CONCLUSES

Esta pesquisa procurou abordar o desenvolvimento e teste de uma metodologia,
baseada em redes neurais artificiais, para prever o rendimento da fermentao em processos
industriais de produo de etanol. Para tanto, utilizou de uma srie de dados provenientes de
duas diferentes usinas.
As Redes Neurais Artificiais desenvolvidas nesse trabalho demonstraram a capacidade
de predizer com certo grau de confiabilidade os resultados para o rendimento da fermentao,
tanto para a usina A e B dentro dos ranges (limites mnimos e mximos) dos parmetros
monitorados por elas. Em especial, destaca-se a rede MLP-2 (completo) que atingiu uma taxa
de erro de testes na ordem de 0,12 e a rede MLP-3 com taxa de erro de 0,075, valores
impressionantes para os primeiros estudos, feitos com parmetros oriundos de ambientes
industriais, onde o rigor nos ensaios laboratoriais no to preciso como em um laboratrio.
Assim, verificou-se a eficincia da RNA no tratamento de padres no lineares, caractersticas
peculiares aos processos fermentativos, e a sua aplicao na tarefa de previso. Tambm ficou
constatado a capacidade superior da rede neural artificial do tipo perceptron de multicamadas,
em identificar por meio da anlise de sensibilidade, os melhores parmetros a serem
selecionados para as entradas da RNA em comparao com o mtodo de correlao linear.
Como dito anteriormente, a rede para a predio do teor alcolico (MLP-3) atingiu um
desempenho muito bom, demonstrando a capacidade de redes neurais artificiais de predizer
comportamentos em processos biolgicos. A partir da, se abre a oportunidade de futuros
trabalhos com relao a esse tipo de aplicao, para atingir uma melhor produtividade nesses
tipos de processos to pouco lineares.
Para a obteno de melhores resultados, modificaes na topologia e treinamento da
RNA podem ser aplicadas tais como: variao da quantidade de neurnios, aumento do tempo
de treinamento e testes com outros parmetros de treinamento. Pode-se tambm utilizar redes
neurais secundrias para serem usadas no clculo do rendimento.

60
7 CONSIDERAES FINAIS E SUGESTES PARA TRABALHOS
FUTUROS

Muitos estudos tm investigado tcnicas para manter o alto rendimento e aumentar a
produtividade dos processos relacionados produo de etanol. O interesse grande tanto do
mercado brasileiro como do internacional, principalmente aps os vrios incentivos com
relao a cota de dixido de carbono que poder ser emitida pelos pases mais desenvolvidos
segundo o tratado de Kyoto. As ferramentas para ajudar a encontrar uma soluo para
otimizao desses processos nunca antes foram to bem-vindas.
O estudo objeto desse trabalho demonstra como as modernas tcnicas computacionais
envolvendo inteligncia artificial e redes capazes de imitar sistemas complexos de
pensamento, vm ao encontro dos anseios de evoluo nos processos de produo de
biocombustveis. Mas esse apenas um primeiro passo para uma srie de outros que ainda
viro.
Prever o resultado de processos biotecnolgicos deixa de ser apenas um estudo para se
tornar uma linha de pesquisa. Diante desse desafio cabe propor que esse trabalho continue
para se montar um sistema (software ou hardware), que possa ser includo como padro de
monitoramento nas usinas nacionais de produo de etanol. Para tanto, a RNA aqui proposta
dever evoluir para um modelo melhorado de preditor, e futuramente dever ser testada
utilizando parmetros oriundos de outras usinas e um conjunto maior de dados.
sugerido tambm um estudo mais abrangente sobre qual seria um modelo mais
adequado para representar o rendimento da fermentao levando em considerao o
conhecimento adquirido nesse trabalho.
Um modelo passvel de ser estudado e discutido a utilizao de redes neurais
artificiais para compor os elementos de uma equao de rendimento.
Em suma, o cenrio para uso de redes neurais artificiais e processos fermentativos
excelente e muito incentivo dever ser dado a trabalhos nessa rea.

61
8 REFERNCIAS BIBLIOGRFICAS

ABU-MOSTAFA, Y. F. Hints. Neural computation. v.7, p. 639-71, 1995.
ALTERTHUM, F.; CRUZ, M.R.M.; VAIRO, M.L.R.; GAMBASSI, D.M. Efeitos de
microorganismos contaminantes da fermentao alcolica nas microdestilarias. Revista
STAB, v.3, n.1, p. 42-49, 1984.
AMORIM, H.V. de; BASSO, L.C.; ALVES, D.M.G. Processos de produo de lcool.
Piracicaba: 1996, Centro de Biotecnologia Agrcola, 103p.
AMORIM, H.V. Fermentao Alcolica: Cincia & Tecnologia. Editora Fermentec.
Piracicaba: 2005.
ANDRIETTA, S.R. Modelagem, Simulao e Controle de Fermentao Alcolica
Contnua em Escala Industrial. Campinas, SP, 1994. Tese de Doutorado, FEA/UNICAMP.
ANDRIETTA, M. G. S; STECKELBERG, C.; ANDRIETTA. S.R. Bioetanol Brasil
30 anos na vanguarda. MultiCincia, v.7, p. 1-16, 2006.
ANGELIS, D. F. Contaminao bacteriana na fermentao alcolica. Disponvel
em: <http://www.cca.ufscar.br/~vico/Contaminacao%20bacteriana%20na
%20fermentacao%20etanolica.pdf>. Acesso em: 23 mar. 2012.
BEALE, R.; JACKSON, T. Neural computing: an introduction. Bristol, UK: IOP,
1990. 240p.
BISSON, L.; BUTZKE, C.E. Diagnosis and rectification of stuck and sluggish
fermentation. Am. J. Enol Vitic, v.51, p.168-177, 2000.
BONA, E. Artificial Neural networks integrated to electronic nose system:
Aromatic evaluation of soluble coffee. Londrina: 2008. 165p. Thesis (Doctor in Food
Science) The State University of Londrina, Londrina PR.
CARVALHO, B. S. Efeito da temperatura na cintica de morte celular e em
fermentao alcolica contnua com reciclo de clulas. Campinas: 1996. 83 p. Dissertao
62
(Mestre em Engenharia de alimentos). Faculdade de Engenharia de alimentos, Universidade
estadual de Campinas.
CARVALHO, A. P. L. F.; BRAGA, A. P.; LUDERMIR, T. B. Fundamentos de redes
neurais artificiais. Rio de Janeiro: UFRJ. 1998. In: Escola de Computao, 11. 246 p.
CASEY, G.P.; INGLEDEW, W.M. Ethanol tolerance in yeasts. CRC Crit. Ver.
Microb., v.13, p. 219-281, 1976.
CASTRO, L.N.; IYODA, E.M.; SANTOS, E.P. dos; VON ZUBEN, F.J. Redes Neurais
Construtivas: Uma Abordagem Comparativa. In: IV Congresso Brasileiro de Redes Neurais.
Anais do IV Congresso Brasileiro de Redes Neurais, So Carlos: 1999. p.102-107.
CAVALIERI, D.; MCGOVERN P.E.; HARTL, D.L.; MORTIMER, R.; POLSINELLI,
M. Evidence for S. cerevisiae fermentation in ancient wine. Journal of Molecular Evolution.
v.57 (l), p.S22632, 2003.
COPERSUCAR. Fermentao. Centro de Tecnologia COPERSUCAR CTC. So
Paulo: 1987. Diviso Industrial CTDI. Ed.1.
DALE, M. C.; CHEN, C.; OKOS, M. R. Cell growth and death rates as factors in the
long-therm performance, modeling and design of immobilized cell reactor. Biotechnology
and Bioengineering. v.36, p.983-92, 1990.
DORTA, C.; OLIVA-NETO, P.; ABREU-NETO, M.S.; NICOLAU-JUNIOR, N.;
NAGASHIMA, A.I. Synergism among lactic acid, sulfite, pH and ethanol in alcoholic
fermentation of Saccharomyces cerevisiae (PE-2 and M-26). W. J. Microbiol. Biotechnol.,
v.22, p.177-182, 2006.
EYNG, E. Controle Feedforward baseado em redes neurais aplicado a coluna de
absoro do processo de produo de etanol. Campinas, UNICAMP: 2006. Dissertao
(Mestrado).
FERNANDES, A. C.; Clculos na agroindstria de cana-de-acar. Piracicaba,
STAB Sociedade dos Tcnicos Aucareiros e Alcooleiros do Brasil, 2003. 2ed, 240p.
GURNEY, K. Uma Introduo Redes Neurais. London, Routledge: 1997.

63
HAYKIN, S. Redes Neurais: princpios e prtica. Porto Alegre, Bookman: 2001.
Trad. Paulo Martins Engel. 2.ed.
HALLSWORTH, J.E. Ethanol-induced water stress in Yeast. J. Ferm. Bioeng. v. 85,
n.2, p. 125-137, 1998.
HUNTER, A.; KENNEDY, L.; HENRY, J.; FERGUSON, R.I. Application of Neural
Networks and Sensitivity Analysis to improved prediction of Trauma Survival. Computer
Methods and Algorithms in Biomedicine, v.62, p.11-19, 2000.
LIMA, U. A.; AQUARONE, E.; BORZANI, W.; SCHMIDELL, W. Biotecnologia
Industrial: Fundamentos. So Paulo, Editora Edgard Blucher: 2001a. v. 1. 1ed.
LIMA, U. A.; AQUARONE, E.; BORZANI, W.; SCHMIDELL, W. Biotecnologia
Industrial: Processos Fermentativos e Enzimticos. So Paulo, Editora Edgard Blucher:
2001b. v.3. 1ed.
LOPES, C. H. Curso Bsico de acar e lcool. XII COREEQ, jul. 2006. Disponvel
em: <http://www.ufscar.br/~coreeq/cursos.php>. Acesso em: 11 mai. 2011.
LUDWIG, K.M.; OLIVA-NETO, P.; ANGELIS, D.F. Quantificao da floculao de
Saccharomyces cerevisiae por bactrias contaminantes da fermentao alcolica. Cinc.
Tecnol. Aliment. Campinas, v.21, n.1, p.63-68. 2001.
LUNA, D. Petrobras descarta regular etanol e visa s produo. Reuters Brasil. 28
abr. 2011. Disponvel em: <http://br.reuters.com/article/domesticNews/id
BRSPE73R0RL20110428?pageNumber=2&virtualBrandChannel=0&sp=true>. Acesso em:
11 mai. 2011.
MALACRIN, P.; TOSI, E.; GARAMIA, G.; PRISCO, R.; ZAPPAROLI, G. The
vinification of partially dried grapes: a comparative fermentation study of Saccharomyces
cerevisiae strains under high stress. Lett. Appl. Microbiol., v.40, p. 466-472, 2005.
MANTOVANELI, I. C. C. Modelagem hbrido neuronal de um processo de
fermentao alcolica. Campinas: 2005. Dissertao de mestrado.
MCCULLOCH, W.; PITTS, W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Math. Bio., n.5, p. 115-133, 1943.
64
MARTINI, S.; RICCI, M.; BONECHI, C.; TRABALZINI, L.; SANTUCCI, A. E;
ROSSI, C. In vivo C-CMR and modeling study of metabolic yield response to ethanol stress
in a wild-type strain of Saccharomyces cerevisiae. FEBS Lett., v. 564, p. 63-68. 2004.
MELEIRO, L. A. C. Projeto e Aplicao de Controladores Baseados em Modelos
Lineares, Neurais e Nebulosos. Campinas: 2002. Tese de Doutorado - Engenharia Qumica,
DPQ, UNICAMP.
MELEIRO L. A. da C.; COSTA, A. C. da; MACIEL, R. F. Non-linear multivariable
control of an alcoholic fermentation process using functional link networks. Brazilian
Archives of Biology and Technology. v.48, p.7-18, 2005.
MELEIRO, L. A. C.; ZUBEN, F. V.; FILHO, R. M. Constructive learning neural
network applied to identification and control of a fuel-ethanol fermentation process.
Engineering Applications of Artificial Intelligence. v. 22, n.2, p. 201-215, 2009.
MILLAR, D.; GRAFFITHS-SMITH, U.; ALGAR, E.; SCOPES, R. Activity and
stability of glycolitic enzymes in the presence of ethanol. Biotechnol. Lett., v.4, p. 601- 605,
1982.
MUTTON, M.J.R. Reflexos da qualidade da matria-prima sobre a fermentao
etanlica. In: Workshop sobre: Produo de etanol: qualidade de matria-prima.
Jaboticabal, Universidade Estadual Paulista: 2003.
MUTTON, M. J. R., SOUZA, M. A. C. Floculao de leveduras por Lactobacillus
fermentum em processos industriais de fermentao alcolica avaliada atravs de tcnica
fotomtrica. Cincia e Agrotecnologia, v.28, n.4, p. 893-898, 2004.
NGANG, J.J.E.; LETOURNEAU, F.; VILLA, P. Alcoholic fermentation of beet
molasses: effects of lactic acid on yeast fermentation parameters. Appl. Microb. Biotechnol.,
v.31, p. 125-128, 1989.
OLIVA-NETO, P. Estudo de diferentes fatores que influenciam o crescimento da
populao bacteriana contaminante da fermentao alcolica por leveduras. Campinas:
1995. Tese de doutorado - Faculdade de Engenharia de Alimentos - Unicamp - Campinas,
112p.

65
OLIVA-NETO, P. Efeito de fatores inibidores na fermentao alcolica. In: Workshop
Produo de etanol: Qualidade da matria-prima. Faculdade de Cincias e Letras de Assis
UNESP. 2008.
OLIVEIRA, A. C. S.; SOUZA, A. A.; LACERDA, W. S; GONALVES, L. R.
Aplicao de redes neurais artificiais na previso da produo de lcool. Cinc Agrotec.
v.34(2), p.279-84, 2009.
ORD, M. G.; STOCKEN, L. A. Foundations of Modern Biochemistry. Early
Adventures in Biochemistry. London, JAI Press LTD: 1999. v. 1.
ERXLEBEN, Uiber Guete und Staerke des Biers, und der Mittel, diese Eigenschaften
richtig zu wuerdigen. Prague: 1818.
PICOLI, M. C. A. Estimativa da produtividade agrcola da cana-de-acar
utilizando agregados de redes neurais artificiais: estudo de caso Usina Catanduva. So
Jose dos Campos: 2006. 90p. (INPE-14669- TDI/1222). Dissertao (Mestrado) - Instituto
Nacional de Pesquisas Espaciais.
PHILLIPS, R. Uma histria curta do vinho. New York, Harper Collins: 2000.
PRAMANIK, K. Use of Artificial Neural Networks for Prediction of Cell Mass and
Ethanol Concentration in Batch Fermentation using Saccharomyces cerevisiae Yeast. Journal
of the Institution of Engineers (India), v. 85, p. 31-35, 2004.
RIPOLI, T. C. C.; RIPOLI, M. L. C. Biomassa de cana-de-acar: colheita, energia e
ambiente. Piracicaba, Barros & Marques Ed. Eletrnica: 2004. 302 p.
RIVERA, E.A.C.; FARIAS, F.J.; ATALA, D.I.P.; RAMOS, R.D.A.; CARVALHO,
A.D.A.; FILHO, R. M. Development and implementation of a automated monitoring system
for improved bioethanol production. Chemical Engineering Transactions, v.18, p.451-456,
2009.
RIVERA, E.A.C.; ATALA, D.I.P.; FILHO, R. M.; CARVALHO, A.D.A. Development
of real-time state estimators for reaction-separation processes: A continuous flash
fermentation as a study case. Chemical Engineering Processing: Process Intens., v.49,
p.402-409, 2010.
66
RODNEY, P. J.; GREENFIELD, P. F. A Review of Yast Ionic Nutrition. Part I: Growth
and Fermentation Requirements. Process Biochemistry, v.April, p.48-60, 1984.
RUMELHART, D.; MCCLELLAND, J. Parallel Distributed Processing. Cambridge ,
MIT Press: 1986.
SCHIMIDELL, W.; LIMA, U.A.; AQUAROE, E.; BORZANI, W. Biotecnologia
Industrial: Engenharia Bioqumica. So Paulo, Editora Edgard Blcher LTDA: 2001. v.2.
SERRA, G.E.; CEREDA, M.P.; FERES, R.J.F.; BERTOZO, M.T.; VINCENTE, A.L.
Contaminao da fermentao alcolica "floculao do fermento". Brasil aucareiro, XCIII,
n.6, p.336-341, 1979.
SERRA, G.E.; CEREDA, M.P.; PINTO, S.Z.; MENEGUIM, M.A.; MARINO, E.A.;
FERREIRA, L.J.; BERTHIOL, A.E. Controle microbiolgico da fermentao alcolica em
condies industriais. In: Simpsio de tecnologia do acar e do lcool, Anais, guas de So
Pedro: 1980, p.387-295.
SHARMA, S.; TAURO, P. Enzyme behavior during ethanol production by
Saccharomyces cerevisiae. W. J. Microb. Biothecnol., v.2, p. 112-115, 1987.
SILVA, F. L. H. Modelagem, simulao e controle de fermentao alcolica
contnua extrativa. Campinas: 1997. Tese de doutorado em Engenharia de Alimentos.
Faculdade de Engenharia de Alimentos, Universidade Estadual de Campinas. 162p.
SOUZA, C. S. Avaliao da produo de etanol em temperaturas elevadas por uma
linhagem de S. cerevisiae. So Paulo: 2009. Tese de Doutorado. Programa de Ps-Graduao
Interunidades em Biotecnologia (USP), Instituto Butantan (IPT).
TASSO JNIOR, L. C.; SILVA NETO, H. F.; MARQUES, M. O.; NOGUEIRA, G. A.;
ROMN, R. A. A.; Calidad qumica em el almacenamiento de la caa de azcar. In: VIII
Tecnicaa Congreso de la Associacin Colombiana de Tcnicos de la Caa de Azcar, 8,
Memrias: 2009, p. 771-779.
THIBAULT J.; BREUSEGEM V.V.; CHERUY A. On-line prediction of fermentation
variables using neural networks. Biotechnol. Bioeng., v.36(12), p.1041-1048, 1990.

67
UDOP - Usinas e Destilarias do Oeste Paulista. lcool: Histria de um combustvel
sustentvel. Disponvel em: <www.udop.com.br/index.php?cod=38495 &tipo=clipping>.
Acesso em: 16 jan. 2006.
WALKER-CAPRIOGLIO, H.M.; RODRIGUEZ, R.J.; PARKS, L.W. Recovery of
Saccharomyces cerevisiae from ethanol-induced growth inhibition. Appl. Environ.
Microbiol. Oregon, v.50, n.3, p. 685-689, 1985.

68
9 ANEXOS
9.1 ANEXO 1 INTERPRETAO DOS DADOS DO LABORATRIO INDUSTRIAL E MTODOS
ANALTICOS
Para a interpretao correta dos dados contidos nos boletins das mdias
semanais segue uma explanao sucinta de cada parmetro e seu respectivo mtodo
analtico de determinao.

9.1.1 Percentual de Acares Redutores na cana (AR cana)
O Percentual de Acares redutores na cana representa a quantidade de
glicose e de frutose presentes na cana, que afetam diretamente a sua pureza, j que
refletem em uma menor eficincia na recuperao da sacarose pela fbrica.
determinada por meio de do mtodo Titulomtrico.

9.1.2 Acares Redutores Totais (ATR)
Os acares Redutores Totais indicador que representa a quantidade total de
acares da cana (sacarose, glicose e frutose). O ATR determinado pela relao
POL/0,95 mais o teor de acares redutores. A concentrao de acares na cana varia,
em geral, dentro da faixa de 13 a 17,5%. Entretanto, importante lembrar que canas
muito ricas e com baixa percentagem de fibras esto mais sujeitas a danos fsicos e
ataque de pragas e microrganismos. Os estudos mostram que nas primeiras 14 horas de
deteriorao da cana, 93% das perdas de sacarose foram devidas ao de
microrganismos, 5,7% por reaes enzimticas e 1,3% por reaes qumicas,
resultantes da acidez.

9.1.3 Acidez da Cana
Esta anlise foi realizada no caldo de cana-de-acar in natura, para verificar as
condies de sanidade da matria-prima. Valores elevados de acidez so indcio de
deteriorao da cana-de-acar, que dificulta e at inviabiliza o seu processamento.

69
O mtodo titulomtrico foi empregado utilizando-se uma soluo de
hidrxido de sdio 0,1 mol/L e fenolftalena alcolica (1%) como indicador. O clculo
de acidez foi realizado de acordo com a Equao 1, e o resultado expresso em acidez
actica (mg/100 g).

9.1.4 Dextrana na Cana
As determinaes analticas de dextrana foram feitas pelo mtodo
espectrofotomtrico de acordo com Roberts (1983) e pelo mtodo rpido indicado por
Clarke, Begersone Cole (1987).

9.1.5 Percentual de lcool na Cana
Representa a quantidade de lcool transformado in natura a partir da cana
de acar antes de processo de fermentao industrial.

9.1.6 Quantidade de Bastonetes no Caldo Primrio (x10^5).
ndice de contaminao bacteriana do caldo primrio. determinado pelo
contagem de bastonetes em cmara de Neubauer.
9.1.7 Frequncia de Paradas de Fbrica
Representa o nmero de paradas ocorridas no perodo. Em geral essas paradas
ocorrem por excesso de chuvas ou problemas relacionados a manuteno ou limpeza
de mquinas e equipamentos. Essas paradas causam uma probabilidade maior de
infeco no processo.
70

9.1.8 Temperatura Mosto
Representa a temperatura mdia em que se encontra o mosto. Ela muito
importante, pois determina a temperatura em que ocorrer a fermentao.

9.1.9 Percentual de impureza no Mosto
Representa o percentual de impurezas provenientes do caldo. Em geral slidos
em suspenso que interferem no processo de fermentao.

9.1.10 Unidades Formadoras de Colnias no Mosto
ndice de contaminao bacteriana no mosto. determinado pela contagem de
bastonetes em cmara de Neubauer.

9.1.11 Mosto Acidez gH
2
S0
4
/L (titulao)
O mesmo mtodo utilizado para determinar a acidez do caldo.

9.1.12 Mosto % ART
O mesmo mtodo utilizado para determinar o ART do caldo.

9.1.13 Mosto Nitrognio Amoniacal
Determinado por colorimetria.

71
9.1.14 Viabilidade Vinho
A viabilidade sem dvida um aspecto importante no controle da
fermentao alcolica. Quanto maior esse nmero melhor ser o desempenho do
processo. Como o ambiente das dornas de fermentao no propriamente ideal para
manuteno da viabilidade celular um controle minucioso deve ser feito nas unidades
produtoras (STECKELBERG, 2001).

9.1.15 Tempo de Fermentao
Tempo em horas at que a fermentao dada por terminada. Leva em
considerao os valores mdios de tempo e o esgotamento dos acares
fermentescveis indicados por baixos valores de ARRT.

9.1.16 Rendimento da Fermentao
Representa o rendimento da fermentao em termos percentuais segundo
clculo na seo 3.2.2 Rendimento por subprodutos.

Dissertação Redes Neurais e Fermentação Alcoolica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertação Redes Neurais e Fermentação Alcoolica

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE POSITIVO

PROGRAMA DE MESTRADO EM BIOTECNOLOGIA

Você também pode gostar