Escolar Documentos
Profissional Documentos
Cultura Documentos
(01)
onde:
T = temperatura do corpo;
t = tempo de resfriamento;
= difusividade trmica do sistema;
x = espessura do corpo.
com as seguintes condies de contorno:
( )
gua
0 x
T T h
x
T
k =
=
e
( )
gua
L x
T T h
x
T
k =
=
Este modelo leva em conta apenas o tempo de imerso, temperatura da gua, espessura
do msculo e caractersticas dos materiais.
Um modelo simplificado para prever a temperatura de resfriamento pode ser obtido
considerando que a transferncia de calor por conduo rpida, a massa e a capacidade
calorfica so constantes, neste caso, pode-se representar a transferncia de calor pela seguinte
equao:
( )
a P
T T ha
dt
dT
mC = (02)
Com a seguinte condio inicial: em 0 = t , tem-se que:
i
T T = ) 0 ( . A soluo analtica
da Eq. (02) dada pela seguinte equao:
( )
t
m
k
a i a f
e T T T T
.
+ = (03)
onde:
T
f
= temperatura final do corpo [K];
T
a
= temperatura do ambiente onde est o corpo [K]
T
i
= temperatura inicial do corpo [K];
k = (ha / Cp) = constante experimental [min
-1
];
15
t = tempo de resfriamento [min]
Este modelo simplificado leva em conta a temperatura inicial do material, a
temperatura do fluido refrigerante, a massa inicial e o tempo de resfriamento. No foram
encontrados trabalhos de resfriamento de carcaas de frango utilizando a Lei de Newton do
Resfriamento.
2.3.2 Modelagem da absoro de gua
O processo de absoro da gua pela carcaa de frango pode ser representado pela
segunda Lei de Fick, entretanto, nesta equao o coeficiente de difuso funo da
temperatura. Portanto, necessrio que seja resolvida simultaneamente a equao da difuso
de massa e energia, o que aumenta muito a complexidade do problema.
CARCIOFI e LAURINDO (2007) investigaram a absoro de gua por carcaas de
frangos em chiller numa escala piloto. Estudaram a influncia do mtodo de agitao da gua,
temperatura da gua, intensidade da agitao e presso hidrosttica. Estes autores propuseram
um modelo emprico para descrever a variao de massa das carcaas que considerava as
caractersticas do material e o tempo de imerso, descrito pela seguinte equao:
( ) W W e K
dt
dW
m
W
0
=
(04)
onde:
W = frao de gua na carcaa [kg/kg];
W
m
= frao mxima de gua na carcaa [kg/kg];
K
0
= constante experimental [min
-1
];
= constante experimental [kg/kg]
t = tempo de imerso [min]
Os erros encontrados por CARCIOFI e LAURINDO (2007) na aplicao deste modelo
nos dados experimentais ficaram na faixa de 5 a 8%.
2.4 Modelagem por redes neurais e uso na indstria
Redes Neurais Artificiais (RNAs) so tcnicas computacionais que apresentam um
modelo matemtico inspirado na estrutura neuronal de organismos inteligentes e que
adquirem conhecimento atravs da experincia. Uma grande Rede Neural Artificial pode ter
16
centenas ou milhares de unidades de processamento, j os crebros dos animais podem ter
muitos bilhes de neurnios (BRAGA et al, 2000).
As RNA`s podem ser utilizadas na resoluo de uma grande classe de problemas dos
mais diversos tipos: classificao, identificao, diagnstico, anlise de sinais e de imagens,
otimizao e controle, etc. As Redes Neurais na maioria dos casos so de fcil
implementao, robustas no tratamento de dados com rudo e eficientes, especialmente nos
problemas em que no se tem formulao analtica ou no se tem um conhecimento explcito
acessvel ou os dados "esto contaminados" por rudo ou o prprio problema modifica-se com
o tempo (BRAGA et al, 2000). O emprego de uma Rede Neural depende da habilidade em
adapt-la ao problema considerado, por meio de mudanas nos pesos sinpticos
(aprendizagem), de modo a aumentar sua eficincia.
As redes neurais artificiais foram desenvolvidas originalmente na dcada de 40, pelo
neurofisiologista Warren McCulloch, do Massachusetts Institute of Technology, e pelo
matemtico Walter Pitts, da Universidade de Illinois, os quais, dentro do esprito ciberntico,
fizeram uma analogia entre clulas nervosas vivas e o processo eletrnico num trabalho
publicado sobre "neurnios formais". O trabalho consistia num modelo de resistores variveis
e amplificadores representando conexes sinpticas de um neurnio biolgico, conforme
descrito por GALKIN (2007).
Desde ento, mais enfaticamente a partir da dcada de 80, diversos modelos de redes
neurais artificiais tm surgido com o propsito de aperfeioar e aplicar esta tecnologia.
Algumas destas propostas tendem a aperfeioar mecanismos internos da rede neural para
aplicao na indstria e negcios, outras procuram aproxim-las ainda mais dos modelos
biolgicos originais (ELIAS, 2007).
2.4.1 Redes Neurais Artificiais e o Neurnio Biolgico
A clula nervosa, ou, simplesmente, neurnio, o principal componente do sistema
nervoso. Estima-se que no crebro humano existam aproximadamente 15 bilhes destas
clulas, que so responsveis por todas as funes do sistema.
Existem diversos tipos de neurnios, com diferentes funes dependendo da sua
localizao e estrutura morfolgica, mas em geral constituem-se dos mesmos componentes
bsicos:
O corpo do neurnio, constitudo do ncleo, que d suporte metablico a toda clula;
17
O axnio (fibra nervosa), prolongamento nico e grande que aparece no corpo.
responsvel pela conduo do impulso nervoso para o prximo neurnio, podendo ser
revestido ou no por mielina;
Os dendritos, que so prolongamentos menores em forma de ramificaes que
emergem do corpo e do final do axnio, sendo, na maioria das vezes, responsveis
pela comunicao entre os neurnios atravs das sinapses.
A Figura 09 representa um neurnio e seus principais constituintes.
Figura 09 Estrutura bsica de um neurnio e suas partes.
O sistema nervoso constitudo basicamente por um conjunto extremamente
complexo de clulas nervosas, que se interconectam de forma especfica e precisa, formando
os chamados circuitos neurais.
A plasticidade neural a capacidade de organizao do sistema nervoso frente ao
aprendizado. Esta organizao se relaciona com a modificao de algumas conexes
sinpticas. Os processos de modificao so conseqncia da interao com o meio ambiente
(TAFNER, 2008).
A plasticidade neural a propriedade do sistema nervoso que permite o
desenvolvimento de alteraes estruturais em resposta experincia, e como adaptao a
condies mutantes e a estmulos repetidos. A aprendizagem pode levar a alteraes
estruturais no crebro. A cada nova experincia do indivduo, portanto, redes de neurnios so
rearranjadas, outras tantas sinapses so reforadas e mltiplas possibilidades de respostas ao
ambiente tornam-se possveis. O mapa cortical de um adulto est sujeito a constantes
modificaes com base no uso ou atividade de seus caminhos sensoriais perifricos.
Os estmulos nervosos so transmitidos de um neurnio para outro por meio de
junes interneuronais, denominadas sinapses. O comportamento de uma sinapse qumica
18
pode ser resumido da seguinte maneira: quando um potencial de ao chega a um terminal
pr-sinptico, a despolarizao da membrana pode fazer com que um pequeno nmero de
vesculas sinpticas secretem um composto qumico denominado neurotransmissor na fenda
sinptica, que por sua vez, ir atuar nas protenas receptoras do neurnio seguinte produzindo
alteraes na permeabilidade da membrana neuronal ps-sinptica, podendo excit-lo, inibi-lo
ou modificar de alguma forma sua intensidade.
O potencial de ao de intensidade e durao definidas provocado em um neurnio
pelo efeito combinado de todos os estmulos excitatrios e inibitrios que chegam at ele
(integrao sinptica), e por uma despolarizao que seja suficientemente significativa para
atingir o limiar de secreo dos neurotransmissores (ELIAS, 2007).
O sistema nervoso detecta estmulos externos e internos, tanto fsico quanto qumico, e
desencadeia as respostas musculares e glandulares. Assim, responsvel pela integrao do
organismo com o seu meio ambiente. Em alguns seres vivos, a formao deste potencial ps-
sinptico aproxima-se simplesmente de uma soma algbrica destes estmulos.
2.4.2 Redes Neurais Artificiais como Ferramenta Computacional
O neurnio artificial uma estrutura lgico-matemtica que procura simular a forma,
o comportamento e as funes de um neurnio biolgico. Assim sendo, os dendritos foram
substitudos por entradas, cujas ligaes com o corpo celular artificial so realizadas atravs
de elementos chamados de peso (simulando as sinapses). Os estmulos captados pelas
entradas so processados pela funo de soma, e o limiar de disparo do neurnio biolgico foi
substitudo pela funo de transferncia. A Figura 10 apresenta um neurnio artificial e seus
constituintes.
Figura 10 - Constituintes do neurnio artificial.
19
Combinando diversos neurnios artificiais se pode formar o que chamado de rede
neural artificial. As entradas, simulando uma rea de captao de estmulos, podem ser
conectadas em muitos neurnios, resultando, assim, em uma srie de sadas, onde cada
neurnio representa uma sada. Essas conexes, em comparao com o sistema biolgico,
representam o contato dos dendritos com outros neurnios, formando assim as sinapses. A
funo da conexo em si tornar o sinal de sada de um neurnio em um sinal de entrada de
outro, ou ainda, orientar o sinal de sada para o mundo externo (mundo real). As diferentes
possibilidades de conexes entre as camadas de neurnios podem gerar n nmeros de
estruturas diferentes.
Matematicamente, os valores de ativao para cada neurnio so a soma das
informaes recebidas multiplicadas pelos pesos correspondentes:
=
=
Z
1 j
j j , i a
x . w
i
(05)
onde:
i
a
= valor de ativao do neurnio i da camada a;
j , i
w = peso da fonte j em relao ao neurnio i;
j
x = varivel de alimentao no neurnio;
Z = nmero de alimentaes do neurnio.
Com relao funo de transferncia, esta pode ter muitas formas e mtodos, como
descrito por FRANCISCO (2000). Destacam-se as funes sigmoidal e tangente hiperblica,
pelo seu formato em S alongado, sendo contnuas, crescentes e limitadas por duas assntotas
horizontais. Tambm se utiliza uma funo linear, por apresentar resultados maiores que a
unidade. Matematicamente:
Tangente hiperblica: ( )
i i
a a
tanh o =
Sigmide:
i
a
i
e 1
1
o
a
+
=
Linear:
i i
a a
o =
onde
i
a
o e a funo de transferncia do neurnio i da camada a.
A rede neural deve possuir no mnimo duas camadas de neurnios, a de entrada de
dados e a da sada dos resultados. Assim, a resposta da rede seria o resultado da aplicao dos
valores de ativao na funo de transferncia da camada de sada.
20
Como a rede apresenta desempenho muito limitado com somente duas camadas
(TATIBANA & KAETSU, 2007), a adio de uma camada intermediria (ou oculta) faz-se
necessria. Neste tipo de configurao, cada neurnio est ligado com todos os outros das
camadas vizinhas, mas neurnios da mesma camada no se comunicam, alm da comunicao
ser unidirecional, apresentando assim um comportamento esttico (BRAGA et al, 2004).
Com apenas uma camada oculta j possvel calcular uma funo arbitrria qualquer a
partir de dados fornecidos. Independente de cada abordagem, quanto mais camadas de
neurnios, melhor o desempenho da rede neural, pois aumenta a capacidade de aprendizado,
melhorando a preciso com que ela delimita regies de deciso. Estas regies de deciso so
intervalos fixos onde a resposta pode estar (TATIBANA & KAETSU, 2007). Na Figura 11
representada uma rede com trs camadas, sendo uma oculta.
Figura 11 Arquitetura em camadas de uma rede neural.
Quando se trabalha com redes neurais, o grande desafio encontrar quais os pesos
adequados para o fenmeno em estudo. O ajustamento destes pesos entre as conexes,
estabelecendo as relaes entre as variveis de entrada e sada, chamado de treinamento da
rede, dando rede a capacidade de aprender o que ocorre no processo (ANTONELLI,
1998).
MEDEIROS (2006) fez uma reviso de aspectos avanados em RNA. Cita a tangente
hiperblica e as funes sigmoidais como as mais utilizadas para funes de transferncia.
Discute tambm o nmero de neurnios em cada camada da rede. Concluiu que uma rede
neural com trs camadas, sendo uma oculta, pode modelar qualquer funo matemtica
21
contnua atravs de uma rede com 2n+1 neurnios ocultos, sendo n o nmero de neurnios da
camada de entrada. Para redes com quatro camadas, duas ocultas, apresentam melhor
desempenho quando so treinadas com uma proporo de 3:1 entre o nmero de neurnios da
primeira camada oculta e o nmero de neurnios da segunda camada oculta, e que esta dever
conter o dobro do nmero de neurnios da camada de sada.
FUJITA (2001) estudou vrios trabalhos sobre mtodos de anlise de significncia das
variveis de entrada sobre as respostas das RNA. Um mtodo recomendado baseia-se na
correlao R
j
entre os valores experimentais e os previstos para a varivel j, conforme
equao abaixo:
( )( )
=
= = = =
=
2
N
1 i
i
N
1 i
2
i
2
N
1 i
i
N
1 i
2
i
N
1 i
y i x i
j
y y N x x N
y x N
R (06)
onde:
N o nmero de dados utilizados;
x
i
o valor calculado para a j-sima varivel;
y
i
o valor experimental para a j-sima varivel;
x
a mdia dos valores calculados pela rede neural;
y
a mdia dos valores experimentais;
N
V
o nmero de variveis de entrada da rede.
A anlise da sensibilidade efetuada pelo estudo do efeito da eliminao de uma
varivel de entrada no ndice de correlao do modelo, em relao ao ndice de correlao da
rede treinada com todas as variveis de entrada, conforme equao abaixo:
N
j
j
R
R
1 I = (07)
onde R
N
o ndice de correlao entre os valores experimentais e os valores calculados para o
caso base.
GOI et al (2008) empregaram redes neurais artificiais e algoritmos genticos para
prever o tempo de congelamento e descongelamento de diversos alimentos com variadas
geometrias. As variveis de entrada eram o fator de forma, caractersticas dimensionais,
nmero de Biot, difusividade trmica, e as temperaturas inicial, final e do ambiente. Seus
resultados mostram que as redes tiveram um erro mdio menor que 10%, sugerindo que o
mtodo simples e preciso para prever os tempos de congelamento e descongelamento para
um amplo grupo de alimentos de diversos tamanhos, formas e condies de trabalho
22
MITTAL & ZHANG (2002) tambm usaram redes neurais artificiais para prever
parmetros trmicos no processamento de alimentos. Prevendo a taxa de aquecimento
necessria para a esterilizao os erros encontrados ficaram abaixo de 16%.
Em outro trabalho, MITTAL & ZHANG (2000) aplicaram redes neurais artificiais
para prever o tempo de congelamento de alimentos de formatos variados. A espessura do
produto, largura, comprimento, coeficiente de transferncia de calor convectivo,
condutividade trmica do produto congelado, densidade, calor especfico do produto no
congelado, quantidade de gua no produto, temperatura inicial e a temperatura ambiente
foram utilizadas como variveis de entrada. Os resultados mostram que o mtodo se mostrou
simples, conveniente e preciso, prevendo o tempo de congelamento com um erro menor que
10%.
QIAO et al (2007) utilizaram processamento de imagens e redes neurais artificiais
para prever propriedades mecnicas de nuggets de frango fritos. Os parmetros de textura de
interesse foram medidos, e as variveis de entrada eram o tempo de fritura e cinco diferentes
imagens do produto. O coeficiente de correlao entre os valores reais e previstos ficaram
acima de 0,84, demonstrando que o mtodo eficiente. Uma grande vantagem do diagnstico
por imagem que a anlise no-destrutiva.
2.5 Modelos utilizados para treinar a rede
A etapa de treinamento uma das mais importantes na formulao de um modelo com
base em RNA. H basicamente dois tipos de treinamento, o supervisionado e o no-
supervisionado (FUJITA, 2001).
2.5.1 Treinamento no-supervisionado
Tambm conhecido como autnomo ou auto-organizado. Neste mtodo no h
interveno de um supervisor e nem h um vetor projetado de sada. O algoritmo de
treinamento necessita apenas vetores de entrada, modificando os pesos para produzir vetores
de sada consistentes. O processo de treinamento extrai propriedades estatsticas do conjunto
treinado e grupo de vetores similares entre classes. So exemplos o mtodo de Rosenblat e a
Regra Delta de Widrow (KOVCS, 2002).
23
2.5.2 Treinamento supervisionado
Neste caso h um supervisor que avalia o comportamento do sistema e providencia as
modificaes subseqentes. Pares so formados de cada vetor de entrada com um vetor alvo
de sada. Juntos so chamados par treinado. Um vetor de entrada aplicado, a sada da rede
calculada e comparada ao vetor alvo. O erro adquirido retropropagado atravs da rede e os
pesos so mudados conforme o algoritmo de treinamento escolhido que tende a minimizar o
erro. Os vetores do treinamento so aplicados seqencialmente, os erros so calculados para
cada par treinado e os pesos ajustados para cada vetor at que o erro de toda a rede atinja um
valor aceitvel. Por este motivo estes mtodos so tambm conhecidos como mtodos de
correo do erro. Os mtodos de otimizao matemtica se enquadram nesta classe.
A etapa seguinte, depois de a rede estar treinada, descobrir se esta realmente
aprendeu como o processo funciona, ou se apenas se ajustou aos pontos informados. Esta
etapa denominada validao da rede, e feita com um segundo conjuntos de vetores de
entrada, desconhecidos at ento pela rede, para os quais se calculam as respostas, sendo estas
comparadas com as respostas reais. Caso o grau de preciso na previso seja igual ou prximo
do obtido durante o treinamento, pode-se afirmar que o treinamento est validado.
2.6 Mtodos de otimizao
Os mtodos de otimizao matemtica foram criados com o objetivo de permitirem se
encontrar os mximos e mnimos de uma funo que dependa de uma ou mais variveis
independentes. As tarefas de minimizar ou maximizar uma funo so basicamente as
mesmas, pois o mximo de uma funo f(x) ser o mnimo de f(x).
Como mostrado na Figura 12, os extremos de uma funo (pontos de mximo e
mnimo) num determinado intervalo podem ser locais (o maior ou menor valor de uma
vizinhana finita, mas no o limite da vizinhana) ou globais (verdadeiramente o maior ou
menor valor da funo). Em geral, achar um extremo global um problema muito difcil. Na
figura os pontos A, C e E so mximos locais, e G o mximo global; B e F so mnimos
locais, e D o mnimo global.
24
Figura 12 Extremos de uma funo em um intervalo. Fonte: PRESS et al (1992)
Os mtodos de otimizao estudados no presente trabalho so o Simplex, o mtodo de
Powell e a Simulated Annealing.
2.6.1 Mtodo Simplex
O mtodo simplex de Nelder & Mead uma tcnica simples de busca direta que
utilizada em problemas de otimizao. Uma busca direta significa que o mtodo guiado
somente pelo clculo do valor da funo em vrios pontos e no necessita da avaliao da
primeira e segunda derivadas (parcial) da funo a ser otimizada. O mtodo simplex
mantm diversos pontos diferentes. Ele escolhe estes pontos de forma determinstica,
configurando um politopo e forma a repelir solues inadequadas.
2.6.2 Mtodo de Powell
Muitos mtodos para a soluo de problemas sem restrio so desenvolvidos para
minimizar funes quadrticas, embora a maior parte dos problemas tenham funes que no
sejam quadrticas. Isso porque toda funo pode ser bem aproximada por uma funo
quadrtica prxima do mnimo. Esse o caso do mtodo de Powell. Nesse mtodo, a cada
passo a funo a ser minimizada aproximada localmente por uma funo quadrtica, dada
por:
( ) c x b Qx x
2
1
x f
T T
+ + = (08)
25
Considere agora um conjunto de direes s
i
, i=1, 2Q-conjugadas linearmente
independentes, ou seja:
0 Qs s
j
T
i
= para i j
Pode ser mostrado que: "se f for minimizada ao longo de cada direo s definida
acima, ento o mnimo de f ser encontrado no (ou antes) do n-simo passo
independentemente do ponto inicial, dado que erros de arredondamento no sejam
acumulados", onde n o nmero de variveis. importante que as direes sejam linearmente
independentes (como definido acima) caso contrrio no h convergncia para o mnimo
(SILVA, S.d.).
2.6.3 Simulated Annealing
O desenvolvimento do Simulated Annealing (SA) ou recozimento simulado
baseado num fenmeno de mecnica estatstica relacionado com o equilbrio de um grande
nmero de tomos em slidos e lquidos numa certa temperatura. Esse fenmeno observado
na solidificao de metais, onde um nmero de estados slidos com diferentes estruturas
atmicas internas que correspondem a diferentes nveis de energia que podem ser atingidos
dependendo da taxa de resfriamento. Assim se o resfriamento rpido, o estado slido
resultante tende a ter uma pequena margem de estabilidade porque os tomos iro assumir
posies na estrutura cristalina de forma a atingir um nvel de energia que corresponde a um
mnimo local. Para atingir um nvel de energia mais estvel (correspondente a um mnimo
global), o processo de recozimento usado onde o metal reaquecido at uma alta
temperatura e resfriado lentamente, dando tempo suficiente aos tomos para encontrar
posies que minimizem a energia potencial.
26
3. MODELAGEM MATEMTICA
3.1 Esquema do processo a ser modelado
O processo de resfriamento da unidade da SADIA-Toledo constitudo de trs chillers
em srie, todos com dimetro de 2,5 m. Na linha de abate onde foram coletados os dados o
primeiro mdulo possui 9 m de comprimento, o segundo 12 m e o terceiro 24 m. O segundo e
terceiro mdulos possuem camisas de propilenoglicol, e todos possuem borbulhamento de ar.
feita adio de gelo em todos os mdulos.
Um esboo do sistema, com a relao das variveis envolvidas, apresentado na
Figura 13.
3.2 Variveis de entrada e sada
Conforme mostrado na Figura 13, foram definidas 25 variveis de entrada, sendo elas:
X
1
: temperatura da escaldagem [C];
X
2
: velocidade de abate [aves/h];
X
3
: temperatura ambiente [C];
X
4
: tempo de reteno no pr-chiller [minutos];
X
5
: temperatura da gua no incio do pr-chiller [C];
X
6
: temperatura da gua no final do pr-chiller [C];
X
7
: intensidade do borbulhamento no pr-chiller [adimensional];
X
8
: quantidade de gelo no pr-chiller [adimensional];
X
9
: vazo de renovao do pr-chiller [L/carcaa];
X
10
: massa inicial da carcaa [g];
X
11
: temperatura inicial da carcaa [C];
X
12
: tempo de reteno no chiller 1 [minutos];
X
13
: temperatura da gua no incio chiller 1 [C];
X
14
: temperatura da gua no final do chiller 1 [C];
X
15
: intensidade do borbulhamento no chiller 1 [adimensional];
X
16
: temperatura do propilenoglicol no chiller 1 [C];
X
17
: quantidade de gelo no chiller 1 [adimensional];
X
18
: vazo de renovao do chiller 1 [L/carcaa];
X
19
: tempo de reteno no chiller 2 [minutos];
27
Figura 13 Fluxo do processo em estudo.
I
N
C
I
O
F
I
M
28
X
20
: temperatura da gua no incio chiller 2 [C];
X
21
: temperatura da gua no final do chiller 2 [C];
X
22
: intensidade do borbulhamento no chiller 2 [adimensional];
X
23
: temperatura do propilenoglicol no chiller 2 [C];
X
24
: quantidade de gelo no chiller 2 [adimensional];
X
25
: vazo de renovao do chiller 2 [L/carcaa].
A quantidade de gelo e a intensidade do borbulhamento em cada mdulo foram
adimensionalizadas considerando-se como 0 quando completamente ausentes, e como 5
quando na capacidade mxima (para se ter uma escala e intensidades).
Como variveis respostas foram estudadas a temperatura das carcaas aps o
resfriamento (Y
1
, [C]) e a massa final das carcaas (Y
2
, [g]).. Foram medidos tambm, sem
objetivo especfico de previso, a temperatura e a massa aps o primeiro e o segundo mdulos
do sistema de resfriamento.
Estas variveis foram escolhidas com base nos trabalhos j publicados sobre o assunto,
como citado anteriormente, e na experincia prtica do autor. As demais variveis citadas
como possivelmente influentes no foram avaliadas por serem de difcil medio, e sero
consideradas como rudos.
3.3 Coleta de dados
Durante o perodo da coleta de dados 92% dos frangos abatidos eram da linhagem
Cobb, sendo que nesta linha eram exclusivamente machos.
Depois de definidas as variveis de entrada e sada, foi elaborada um planilha de
coleta de dados para registro das informaes. Foi definido como tamanho de cada amostra
um conjunto de 13 carcaas, considerado como adequado por garantir que no mnimo 10
chegassem ao final do sistema de resfriamento sem perder os lacres de identificao (uma das
pernas do frango recebe um lacre plstico numerado nesta coleta), e que para um nmero
maior de carcaas apenas uma pessoa no conseguiria realizar a coleta.
Para medio da temperatura foi utilizado um termmetro digital marca Testo, modelo
106-T2, com preciso de 0,1C. A pesagem foi feita em balana digital marca Toledo, com
preciso de 1g. Tanto o termmetro quanto a balana foram calibrados no laboratrio de
metrologia da empresa, e apresentavam desvio menor que o mximo recomendado pelos
fabricantes.
29
De posse dos instrumentos de medida e da planilha de coleta, foi treinado um
funcionrio para que realizasse as coletas. As carcaas eram retiradas dos ganchos antes de
carem nos chillers, e acondicionadas em caixas plsticas. Na seqncia eram pesadas e
tinham a temperatura inicial medida, e recebiam um lacre plstico contendo um nmero de
identificao. Depois de todas as medies feitas as carcaas eram ento jogadas no primeiro
mdulo do sistema de resfriamento. Neste mesmo momento era anotada a hora, a temperatura
da gua no incio do mdulo, a vazo da gua de renovao, a intensidade do borbulhamento
e a quantidade de gelo adicionada. O peso e a temperatura eram medidos individualmente.
O procedimento para medio da temperatura consiste em inserir a ponteira do
termmetro na regio do peito do frango, perpendicular ao msculo, penetrando o suficiente
para que a ponteira atinja o centro do msculo peitoral. Esta a regio mais espessa da
musculatura do frango e por este motivo considerada como ponto padro para aferio da
temperatura.
No momento em que as carcaas passavam de um mdulo para o outro eram
novamente pesadas e tinham a temperatura medida. Anotavam-se os demais parmetros como
descrito anteriormente, at que passassem por todo o sistema de resfriamento, momento em
que era anotada a temperatura final e a massa final das carcaas. Para a ltima pesagem das
carcaas foi considerado um tempo de gotejamento de cinco minutos, conforme procedimento
padro da empresa e recomendao do MAPA. Durante este cinco minutos as carcaas
permaneciam penduradas em ganchos para s depois serem pesadas.
A velocidade da linha de abate, a temperatura da escaldagem e a temperatura do
propilenoglicol no momento de cada coleta eram obtidas de outras planilhas, onde so
registradas informaes do gerenciamento dos processos do abatedouro. Estes dados so
coletados rotineiramente, com o objetivo de detectar desvios dos processos e efetuar as
correes necessrias, de modo a garantir o controle e a constncia dos resultados de cada
etapa do processo.
A necessidade da retirada das carcaas de dentro da gua nas passagens de um mdulo
para outro para conseguir efetuar a pesagem causou alterao dos valores reais, pois houve
perda de gua e mudana da temperatura durante este trnsito.
Foram realizadas coletas em horrios diversos, totalizando 350 conjuntos de
informaes. Os ajustes das variveis do processo foram feitos de forma emprica, baseando-
se na experincia do operador. No foi dada nenhuma instruo a ele para proceder de
maneira diferenciada durante a coleta dos dados, para que a rotina de operao dos
30
equipamentos no sofresse nenhum tipo de influncia. Os 300 primeiros conjuntos de dados
coletados foram utilizados no treinamento, e os 50 restantes na validao.
3.4 Arquitetura da rede
Para anlise da influncia da arquitetura da rede neural sobre a preciso das respostas
partiu-se de uma rede prevendo apenas uma das variveis, com apenas uma camada
intermediria. Em seguida foi adicionada a segunda varivel resposta, e posteriormente a
segunda camada intermediria. Tambm foi avaliada a resposta de apenas uma varivel com
duas camadas intermedirias.
Foram testados diferente nmero de neurnios em cada camada, sendo 3 x 3, 6 x 6, 12
x 12, 3 x 3 x 3 e 6 x 6 x 6. Tambm foram testados arranjos de nmeros de neurnios
conforme recomendado pela literatura, nas configuraes 6 x 12 x 9, 6 x 12 x 4 e 4 x 12 x 4.
Inicialmente as redes foram aplicadas considerando todo o sistema de resfriamento (os
trs mdulos de chillers simultneamente), e posteriormente cada um dos mdulos
separadamente. Quando avaliados um a um s foram consideradas nas simulaes as variveis
relativas aquele mdulo (vazo e temperatura da gua, borbulhamento, gelo e glicol), alm
daquelas externas ao resfriamento (peso e temperatura inicial das carcaas, temperatura
ambiente e da escaldagem e velocidade da linha e abate).
3.5 Treinamento da rede
Em todas as simulaes foi utilizada como funo de transferncia a tangente
hiperblica, como recomendado por MEDEIROS (2006), exceto na camada de sada que
utilizava uma funo linear.
A funo a ser minimizada pelas rotinas de otimizao foi a soma dos quadrados dos
desvios entre as variveis previstas e as reais (funo erro), na forma da equao abaixo:
( ) =
=
N
1 i
2
i i
y (10)
onde
y
i
= resposta prevista para o vetor de entrada i
i
= resposta real para o vetor de entrada i
N = nmero total de vetores avaliados
O critrio de convergncia foi definido como sendo uma variao menor que 1x10
-5
da
funo erro entre uma iterao e outra. Os valores iniciais dos pesos foram estabelecidos
31
aleatoriamente entre 0 e 0,1. Foram testados valores iniciais maiores e tambm negativos, que
geravam erros de execuo nas rotinas computacionais.
3.6 Efeitos das variveis do processo
As influncias das variveis estudadas sobre o processo foram determinadas utilizando
a relaes de correlaes, conforme descrito no item 2.4.2. Foram determinadas
separadamente para a massa e para a temperatura o efeito de cada uma das 25 variveis.
3.7 Modelagem fenomenolgica
O modelo proposto por CARCIOFI e LAURINDO (2007) para descrever a absoro
da gua pelas carcaas tambm foi utilizado buscando se prever a massa final das carcaas,
descrito pela Eq. (04). Diferente da abordagem utilizando RNA, a aplicao do modelo deve
ser feita para cada um dos mdulos do sistema de resfriamento. Os parmetros do modelo
( )
m
W K , ,
0
foram ajustado a partir da minimizao da funo objetivo, representada pela Eq.
(04). Foi empregado o mtodo de otimizao SIMPLEX para a estimao dos parmetros.
A Lei de Newton do Resfriamento, representada pela Eq. (02) tambm foi aplicada
para a temperatura final das carcaas. Novamente, este modelo deve ser aplicada em cada um
dos mdulos, e no sobre o conjunto deles, como feito para as RNA. O parmetro do modelo
k foi ajustado a partir da minimizao da funo objetivo, representada pela Eq. (03). O
mtodo de otimizao de busca direta golden search foi empregado para determinao do
parmetro.
3.8 Mtodos de otimizao
Foram avaliados trs mtodos de otimizao matemtica: Simplex, mtodo de Powell
e Simulated Annealing. A comparao entre os mtodos levou em conta o esforo
computacional demandado em cada um deles, o erro absoluto na previso das respostas e a
correlao entre os valores previstos e os experimentais. Quanto maior a correlao e menor o
erro mais preciso o mtodo. Todas as anlises foram realizadas em um computador com
processador Athlon XP com clock de 1,8 GHz e 512 MB de memria RAM.
32
4. RESULTADOS
Os dados experimentais foram todos normalizados entre 0 e 1 antes de serem
utilizados para as simulaes, conforme recomendao (Murkherjee & Biswas, citados por
FUJITA, 2001). Para cada varivel foi encontrado o maior valor, e em seguida todos os
demais foram divididos por este. No caso de variveis negativas dividiu-se pelo menor valor
(maior valor em mdulo), obtendo-se no final um conjunto de dados positivos. Os valores
normalizados de todos os pontos, assim como as resposta reais e previstas, podem ser
encontrados na tabela anexa no final do trabalho.
Primeiro foram simuladas redes prevendo uma varivel resposta de cada vez (massa da
carcaa e temperatura final da carcaa), e depois as duas ao mesmo tempo. Tambm foram
inicialmente testadas redes com apenas uma camada oculta, e depois duas.
Em todos os grficos que seguem, as informaes identificadas com T se referem aos
resultados relativos aos dados do treinamento, e V aos dados da validao.
Foram testadas arquiteturas com uma e duas camadas ocultas, e com nmero de
neurnios variando entre 3 e 12 em cada camada. Nas primeiras arquiteturas se utilizou o
mesmo nmero de neurnios em cada camada (exceto na de sada), e na seqncia se testaram
os arranjos recomendados por MEDEIROS (2006). Em todos os casos o nmero de neurnios
na camada de sada igual ao nmero de respostas previstas, uma ou duas.
Dos mtodos de otimizao testados, o que se mostrou mais rpido e confivel foi o
Simplex. Todos os resultados a seguir foram determinados utilizando-se este mtodo, exceto
quando citado de outra forma. Em todos os casos a tolerncia empregada no ajuste dos
parmetros foi de 1x10
-5
.
Um ponto importante a ser lembrado que os resultados obtidos pelas redes neurais s
devem ser considerados dentro dos intervalos observados na coleta de dados para cada
varivel. Extrapolaes para valores fora deste intervalo devem ser feitas com cautela, pois
no existe garantia nenhuma de que estas respostas tenham coerncia com a realidade.
4.1 Previso somente da temperatura
Foram testadas diferentes arquiteturas de rede (conforme descrito no item 3.4) para
prever a temperatura de sada das carcaas, e consideradas todas as 25 variveis de entrada.
Os erros obtidos no ajuste e na validao da rede so apresentados na Figura 14. Observa-se
que as diferentes arquiteturas influenciam muito pouco no erro durante o treinamento da rede,
33
porm h grande diferena na validao. A melhor das arquiteturas testadas a 6 x 6 x 6,
porm o erro encontrado na validao de todas elas demasiadamente alto. Para a correlao
se tem um comportamento parecido com o do erro, com a rede 6 x 6 x 6 com o melhor
resultado, mas ainda com uma baixa correlao na validao. A Figura 15 mostra a correlao
para cada uma das arquiteturas avaliadas, calculada pela Eq. (06). O coeficiente da correlao
ficou muito distante da unidade o que indica que o modelo no foi eficaz para representar os
dados experimentais da temperatura da carcaa do frango.
0% 20% 40% 60% 80% 100% 120% 140%
3 x 3
6 x 6
12 x 12
3 x 3 x 3
6 x 6 x 6
12 x 12 x 12
Erro V
Erro T
Figura 14 Erro no treinamento e validao da rede, prevendo apenas temperatura, para
diferentes arquiteturas.
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
3 x 3
6 x 6
12 x 12
3 x 3 x 3
6 x 6 x 6
12 x 12 x 12
Correlao V
Correlao T
Figura 15 Correlao no treinamento e validao da rede, prevendo apenas temperatura,
para diferentes arquiteturas.
As Figuras 16 e 17 demonstram o crescimento do esforo computacional com o
nmero de pesos envolvidos no treinamento. O comportamento observado linear.
Erro percentual
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
Correlao
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
34
0 150000 300000 450000 600000 750000
3 x 3
6 x 6
12 x 12
3 x 3 x 3
6 x 6 x 6
12 x 12 x 12
Iteraes
Figura 16 Nmero de iteraes no treinamento da rede, prevendo apenas temperatura, para
diferentes arquiteturas.
0
100000
200000
300000
400000
500000
600000
700000
800000
0 100 200 300 400 500 600 700
Nmero de pesos sinpticos
I
t
e
r
a
e
s
Figura 17 Correlao entre o nmero de pesos da rede e o nmero de iteraes at
convergncia.
4.2 Previso somente da massa
Foram testadas diferentes arquiteturas de rede (conforme descrito no item 3.4) para
prever a massa das carcaas na sada do ltimo chiller, e consideradas todas as 25 variveis de
entrada. Os erros obtidos no ajuste e na validao da rede so apresentados na Figura 18 e as
correlaes na Figura 19. Observa-se uma influncia muito pequena da arquitetura da rede
com o erro na previso da massa final das carcaas, principalmente no treinamento. Na
validao se observa alguma influncia, mas todas as arquiteturas com patamares muito
Iteraes
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
35
baixos, demonstrando uma preciso muito boa. O melhor resultado novamente foi obtido na
arquitetura 6 x 6 x 6. A anlise da correlao leva s mesmas concluses da interpretao do
erro. Novamente a arquitetura 6 x 6 x 6 mostra ser a melhor, porm h pouca diferena entre
os modelos. O coeficiente da correlao ficou muito prximo da unidade o que indica que o
modelo conseguiu representar satisfatoriamente os dados experimentais da massa da carcaa
do frango.
0,0% 0,5% 1,0% 1,5% 2,0% 2,5% 3,0% 3,5% 4,0%
3 x 3
6 x 6
12 x 12
3 x 3 x 3
6 x 6 x 6
12 x 12 x 12
Erro V
Erro T
Figura 18 Erro no treinamento e validao da rede, prevendo apenas a massa final, para
diferentes arquiteturas.
0 0,2 0,4 0,6 0,8 1
3 x 3
6 x 6
12 x 12
3 x 3 x 3
6 x 6 x 6
12 x 12 x 12
Correlao V
Correlao T
Figura 19 Correlao no treinamento e validao da rede, prevendo apenas a massa final,
para diferentes arquiteturas.
As Figuras 20 e 21 demonstram o crescimento do esforo computacional com o
nmero de pesos envolvidos no treinamento. Novamente o comportamento observado
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
Erro percentual
Correlao
36
linear, porm com uma convergncia (ou taxa de aprendizagem) muito mais rpida que na
previso apenas da temperatura.
0 50000 100000 150000 200000
3 x 3
6 x 6
12 x 12
3 x 3 x 3
6 x 6 x 6
12 x 12 x 12
Iteraes
Figura 20 Nmero de iteraes no treinamento, prevendo apenas a massa final, para
diferentes arquiteturas.
0
20000
40000
60000
80000
100000
120000
140000
160000
180000
0 100 200 300 400 500 600 700
Nmero de pesos sinpticos
I
t
e
r
a
e
s
Figura 21 Correlao entre o nmero de pesos da rede e o nmero de iteraes at
convergncia.
4.3 Previso conjunta da massa e da temperatura
Foram testadas diferentes arquiteturas de rede (conforme descrito no item 3.4) para
prever simultaneamente a massa e a temperatura das carcaas na sada do ltimo chiller, e
consideradas todas as 25 variveis de entrada. Os erros obtidos no ajuste e na validao da
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
Iteraes
37
rede so apresentados na Figura 22. Os resultados obtidos para a temperatura, neste caso, a
melhor arquitetura a uma camada intermediria com 12 neurnios de entrada e 12 neurnios
na camada intermediria. Porm, na anlise considerando as duas variveis de sada (massa e
temperatura), a rede com arquitetura a 3 x 3 parece ser mais apropriada, pois os ganhos na
temperatura no so muitos significativos. A mesma concluso sobre o erro pode ser usada
para a correlao. A rede mais simples treinada parece ser a melhor para o conjunto das
variveis, como pode ser observado nas Figuras 22 e 23. Entretanto, deve-se destacar que a
rede no conseguiu representar a temperatura da carcaa.
0%
20%
40%
60%
80%
100%
120%
3 x 3 6 x 6 12 x 12 3 x 3 x 3 6 x 6 x 6
Erro temp. T
Erro temp. V
Erro peso T
Erro peso V
Figura 22 Erro no treinamento e validao da rede, prevendo temperatura a massa ao
mesmo tempo, para diferentes arquiteturas.
0
0,2
0,4
0,6
0,8
1
3 x 3 6 x 6 12 x 12 3 x 3 x 3 6 x 6 x 6
Corr. temp. T
Corr. temp. V
Corr. peso T
Corr. peso V
Figura 23 Correlao no treinamento e validao da rede, prevendo temperatura e massa ao
mesmo tempo, para diferentes arquiteturas.
Arquitetura da rede
Arquitetura da rede
E
r
r
o
p
e
r
c
e
n
t
u
a
l
C
o
r
r
e
l
a
o
massa V
massa T
massa V
massa T
38
O esforo computacional para a rede prevendo as duas variveis tambm segue o
comportamento linear. H uma ressalva da arquitetura 12 x 12 x 12, pois a rotina de
otimizao extrapolou seis milhes de iteraes sem convergncia. A dificuldade na
aprendizagem equivalente s dificuldades das duas redes com uma sada somadas. As
Figuras 24 e 25 representam estas concluses.
0 150000 300000 450000 600000 750000 900000
3 x 3
6 x 6
12 x 12
3 x 3 x 3
6 x 6 x 6
Iteraes
Figura 24 Nmero de iteraes no treinamento da rede, prevendo temperatura e massa ao
mesmo tempo, para diferentes arquiteturas.
0
100000
200000
300000
400000
500000
600000
700000
800000
900000
0 100 200 300 400 500
Nmero de pesos sinpticos
I
t
e
r
a
e
s
Figura 25 Correlao entre o nmero de pesos da rede e o nmero de iteraes at
convergncia.
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
Iteraes
39
4.4 Uso de redes com arquiteturas alternativas
Seguindo o recomendado por MEDEIROS (2006) foram testadas outras arquiteturas
de redes com duas camadas ocultas e como variveis resposta da rede a temperatura e a massa
das carcaas.
As Figuras 26 e 27 mostram que a rede 4 x 12 x 4 apresentou os melhores resultados,
tanto para o erro como para a correlao, valores prximos ou at um pouco melhores que da
rede 3 x 3 recomendada na anlise anterior.
0%
20%
40%
60%
80%
100%
6 x 12 x 9 6 x 12 x 4 4 x 12 x 4
Erro temp. T
Erro temp. V
Erro peso T
Erro peso V
Figura 26 Erro no treinamento e validao da rede, prevendo temperatura e massa ao
mesmo tempo, para arquiteturas alternativas.
0
0,2
0,4
0,6
0,8
1
6 x 12 x 9 6 x 12 x 4 4 x 12 x 4
Corr. temp. T
Corr. temp. V
Corr. peso T
Corr. peso V
Figura 27 Correlao no treinamento e validao da rede, prevendo temperatura e massa ao
mesmo tempo, para arquiteturas alternativas.
Arquitetura da rede
Arquitetura da rede
E
r
r
o
p
e
r
c
e
n
t
u
a
l
C
o
r
r
e
l
a
o
massa V
massa T
massa V
massa T
40
As Figuras 28 e 29 mostram que o esforo computacional nas redes com duas camadas
ocultas com a arquitetura recomendada por MEDEIROS (2006) apresentam a mesma
velocidade de aprendizagem que as arquiteturas convencionais.
0 100000 200000 300000 400000 500000
6 x 12 x 9
6 x 12 x 4
4 x 12 x 4
Iteraes
Figura 28 Nmero de iteraes no treinamento da rede, prevendo temperatura e massa ao
mesmo tempo, para arquiteturas alternativas.
0
50000
100000
150000
200000
250000
300000
350000
400000
450000
500000
150 200 250 300 350 400
Nmero de pesos sinpticos
I
t
e
r
a
e
s
Figura 29 Correlao entre o nmero de pesos da rede e o nmero de iteraes at
convergncia.
A Figura 30 mostra que a rede representa a previso do comportamento observado
para temperatura, porm com uma grande disperso mesmo no treinamento. J a Figura 31,
com o comportamento na validao, no deixa dvida de a rede no capaz de prever esta
resposta com segurana.
A
r
q
u
i
t
e
t
u
r
a
d
a
r
e
d
e
Iteraes
41
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,0 0,1 0,2 0,3 0,4 0,5 0,6
Temperatura real
T
e
m
p
e
r
a
t
u
r
a
p
r
e
v
i
s
t
a
Figura 30 Grfico de correlao entre a temperatura real normalizada e a temperatura
prevista normalizada no treinamento da rede 4 x 12 x 4 prevendo tambm a massa.
0,3
0,4
0,5
0,6
0,7
0,0 0,1 0,2 0,3 0,4
Temperatura real
T
e
m
p
e
r
a
t
u
r
a
p
r
e
v
i
s
t
a
Figura 31 Grfico de correlao entre a temperatura real normalizada e a temperatura
prevista normalizada na validao da rede 4 x 12 x 4 prevendo tambm a massa.
Diferente da temperatura, os resultados para a previso da massa foram excelentes,
tanto no treinamento como na validao, como pode ser observado nas Figuras 32 e 33.
Temperatura real normalizada
T
e
m
p
e
r
a
t
u
r
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
Temperatura real normalizada
T
e
m
p
e
r
a
t
u
r
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
42
0,3
0,4
0,5
0,6
0,7
0,8
0,3 0,4 0,5 0,6 0,7 0,8
Peso real
P
e
s
o
p
r
e
v
i
s
t
o
Figura 32 Grfico de correlao entre a massa real normalizada e a massa prevista
normalizada no treinamento da rede 4 x 12 x 4 prevendo tambm a temperatura.
0,3
0,4
0,5
0,6
0,7
0,3 0,4 0,5 0,6 0,7
Peso real
P
e
s
o
p
r
e
v
i
s
t
o
Figura 33 Grfico de correlao entre a massa real normalizada e a massa prevista
normalizada na validao da rede 4 x 12 x 4 prevendo tambm a temperatura.
4.5 Modelagem do processo de resfriamento separado de cada um dos chillers
Foram implementadas trs redes neurais para prever em cada um dos mdulos do
sistema de resfriamento ao invs de uma nica rede para todo o sistema de resfriamento que
composto por trs tanques de imerso. As variveis de resposta da rede foram a temperatura e
a massa na sada de cada um dos chillers. Os resultados obtidos para cada um dos chillers so
apresentados nas Figuras 34 e 35. Observa-se que no final do primeiro mdulo, tanto no
Massa real normalizada
M
a
s
s
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
Massa real normalizada
M
a
s
s
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
43
treinamento quanto na validao, a temperatura e a massa foram previstas com boa preciso.
No final do segundo mdulo h um aumento do erro nas duas previses, mas com uma
recuperao apenas do resultado da massa no final do terceiro mdulo. H ento uma
contaminao dos dados no segundo mdulo que influencia de maneira irrecupervel a
determinao da temperatura. A provvel origem desta contaminao a alterao impingida
nas variveis no prprio procedimento de coleta, como descrito no item 3.3.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Temperatura Peso Temperatura Peso Temperatura Peso
Mdulo 1 Mdulo 2 Mdulo 3
Treinamento
Validao
Figura 34 Erro no treinamento e validao da rede, prevendo temperatura e massa ao
mesmo tempo, no final de cada um dos chillers, para a arquitetura 4 x 12 x 4.
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
Temperatura Peso Temperatura Peso Temperatura Peso
Mdulo 1 Mdulo 2 Mdulo 3
Treinamento
Validao
Figura 35 Correlao no treinamento e validao da rede, prevendo temperatura e massa ao
mesmo tempo, no final de cada um dos chillers, para a arquitetura 4 x 12 x 4.
E
r
r
o
p
e
r
c
e
n
t
u
a
l
C
o
r
r
e
l
a
o
Massa Massa Massa
Massa Massa Massa
44
4.6 Anlise da influncia das variveis
A anlise de significncia das variveis de entrada sobre as respostas das RNA foi
realizada empregando o mtodo recomendado por FUJITA (2001) e apresentado na seo 4.2,
que se baseia no clculo do coeficiente de correlao R
j
obtido pela eliminao da varivel
j de entrada da rede, em relao ao ndice de correlao da rede treinada com todas as
variveis de entrada. Todos os fatores com valor do coeficiente de correlao inferior a 1%
foram considerados como no influentes no processo.
De acordo com a Figura 36, a temperatura final da carcaa influenciada por um
grande nmero de variveis, sendo elas:
X
10
: massa inicial da carcaa;
X
2
: velocidade do abate;
X
24
: temperatura do glicol no chiller 2;
X
25
: vazo de renovao no chiller 2;
X
20
: temperatura da gua no incio do chiller 3;
X
5
: temperatura da gua no incio do pr-chiller;
X
21
: temperatura da gua no final do chiller 2;
X
11
: temperatura inicial da carcaa;
X
13
: temperatura da gua no incio do chiller 2;
X
23
: quantidade de gelo no chiller 2;
X
19
: tempo de residncia no chiller 2;
X
7
: intensidade do borbulhamento no pr-chiller;
X
1
: temperatura da escaldagem;
X
17
: temperatura do glicol no chiller 1;
X
3
: temperatura ambiente;
X
14
: temperatura da gua no final do chiller 1.
Somados os respectivos ndices, a temperatura da gua encontrada pela carcaa se
torna o conjunto de fatores mais importante (X
20
+X
5
+X
21
+X
13
+X
14
), responsvel por 8,86%
dos efeitos observados. Em seguida est o volume do abate, caracterizado pela velocidade e a
massa das carcaas (X
10
+X
2
), que respondem por 7,99% do total. O terceiro fator a energia
disponvel para manter a temperatura da gua baixa, com 7,43% de influncia, representado
pela vazo de renovao, temperatura do glicol e massa de gelo adicionada
(X
24
+X
25
+X
23
+X
17
). A quantidade de energia trazida pela carcaa fica em quarto lugar, com a
temperatura inicial da carcaa e a temperatura da escaldagem. Somente aps estes fatores
45
aparece o tempo de reteno com 1,70%, a intensidade do borbulhamento com 1,57%, e a
temperatura ambiente com 1,29%.
5
,
4
2
%
2
,
5
7
%
2
,
1
5
%
2
,
1
1
%
2
,
0
1
%
1
,
9
8
%
1
,
9
6
%
1
,
9
2
%
1
,
8
5
%
1
,
8
3
%
1
,
7
0
%
1
,
5
7
%
1
,
4
3
%
1
,
3
4
%
1
,
2
9
%
1
,
0
6
%
1
,
0
0
%
0
,
9
4
%
0
,
7
0
%
0
,
5
8
%
0
,
3
8
%
0
,
1
1
%
-
0
,
9
3
%
-
0
,
3
1
%
-
0
,
2
1
%
-2%
-1%
0%
1%
2%
3%
4%
5%
6%
7%
X
1
0
X
2
X
2
4
X
2
5
X
2
0
X
5
X
2
1
X
1
1
X
1
3
X
2
3
X
1
9
X
7
X
1
X
1
7
X
3
X
1
4
X
6
X
4
X
2
2
X
9
X
8
X
1
6
X
1
5
X
1
2
X
1
8
Figura 36 Influncia de cada uma das variveis na previso da temperatura das carcaas
para a rede 4 x 12 x 4 prevendo tambm a massa.
Para a previso da massa apenas trs fatores se destacaram, sendo eles a massa inicial
das carcaas com 31,93%, a temperatura da gua no incio do pr-chiller com 2,62%, e o
borbulhamento do chiller 1 com 2,45%, conforme mostrado na Figura 37.
3
1
,
9
3
%
2
,
6
2
%
2
,
4
5
%
0
,
8
6
%
0
,
2
5
%
0
,
1
8
%
-
0
,
0
1
%
-
1
,
0
8
%
-
0
,
9
7
%
-
0
,
9
3
%
-
0
,
8
1
%
-
0
,
7
0
%
-
0
,
6
2
%
-
0
,
6
1
%
-
0
,
5
7
%
-
0
,
3
8
%
-
0
,
3
4
%
-
0
,
5
7
%
-
0
,
5
5
%
-
0
,
4
8
%
-
0
,
4
7
%
-
0
,
4
6
%
-
0
,
4
4
%
-
0
,
3
9
%
-5%
0%
5%
10%
15%
20%
25%
30%
35%
40%
X
1
0
X
5
X
1
5
X
2
X
1
9
X
1
2
X
1
8
X
2
2
X
1
X
9
X
6
X
3
X
1
7
X
8
X
4
X
1
6
X
2
3
X
1
1
X
1
3
X
7
X
1
4
X
2
4
X
2
0
X
2
1
X
2
5
Figura 37 Influncia de cada uma das variveis na previso da massa das carcaas para a
rede 4 x 12 x 4 prevendo tambm a temperatura.
-
0
,
0
7
%
Varivel
E
r
r
o
p
e
r
c
e
n
t
u
a
l
Varivel
E
r
r
o
p
e
r
c
e
n
t
u
a
l
46
4.7 Anlise da rotinas de otimizao
Foram avaliados trs mtodos de otimizao para a buscar dos pesos da RN, sendo
eles o Simplex, mtodo de Powell e Simulated Annealing. Como descrito anteriormente cada
um deles utiliza um caminho para encontrar os valores ideais, com maior ou menor esforo
computacional em cada alternativa. Desta forma no possvel comparar estes esforos
baseando-se apenas no nmero de iteraes necessrios para atingir um determinado erro. Em
tempo de processamento o mtodo mais rpido foi o Simplex, seguido do mtodo de Powell e
depois do Simulated Annealing. Este tempo foi avaliado em redes com arquitetura 6 x 6, de
apenas uma camada intermediria, prevendo massa e temperatura ao mesmo tempo. A anlise
foi posteriormente repetida para a arquitetura 4 x 12 x 4, escolhida conforme anlise feita no
item 4.4, sendo que os comportamento encontrados foram os mesmos. O simplex levou
menos da metade do tempo utilizado pelos outros mtodos para atingir o mesmo erro.
Em otimizaes de redes com arquiteturas mais complexas, com um nmero maior de
neurnios e de pesos, se observou muita instabilidade do mtodo de Powell, alm de taxas de
convergncia muito lentas. J o simulated annealing se mostrou confivel, porm tambm
com convergncia muito lenta. As alteraes possveis nos processos de otimizao de cada
mtodo no foram significativas para aumentar a taxa de convergncia ou diminuir o erro
final.
Para a rede 4 x 12 x 4, a figura 38 mostra que o simplex foi um pouco melhor que a
simulated annealing (SA) tanto no treinamento quanto na validao da massa final das
carcaas. Para a temperatura os resultados do treinamento foram praticamente idnticos, com
uma pequena vantagem na validao, mas ainda mostrando um erro extremamente alto. O
mtodo de Powell no foi levado em conta, pois apresentou erros em alguns pontos maiores
que 1000%.
47
0%
10%
20%
30%
40%
50%
60%
70%
80%
Treinamento Validao Treinamento Validao
Massa Temperatura
Simplex
SA
Figura 38 Erro no treinamento e validao da rede prevendo temperatura e massa ao mesmo
tempo para a arquitetura 4 x 12 x 4 e para as diferentes rotinas de otimizao.
J a Figura 39 faz uma anlise da correlao entre os valores reais e os estimados por
cada um dos mtodos. Nota-se novamente uma vantagem do simplex sobre os demais,
seguido da SA e depois do mtodo de Powell. Na validao da temperatura SA leva pequena
vantagem sobre o simplex, mas ambos com correlao muito baixa.
0,0
0,2
0,4
0,6
0,8
1,0
Treinamento Validao Treinamento Validao
Massa Temperatura
Simplex
Powell
SA
Figura 39 Correlao no treinamento e validao da rede prevendo temperatura e massa ao
mesmo tempo para a arquitetura 4 x 12 x 4 e para as diferentes rotinas de otimizao.
48
4.8 Aplicao do modelo fenomenolgico para previso da massa
O modelo de CARCIOFI e LAURINDO (2007) foi aplicado para cada um dos
mdulos do sistema de resfriamento, com o objetivo de comparar os resultados com os
previstos pela rede neural. Foram otimizados os parmetros K
0
, e W
m
tambm utilizando
Simplex, de maneira semelhante a utilizada para os pesos das redes neurais. Os resultados
encontrados foram excelentes, melhores at do que os descritos no trabalho dos autores. Os
erros encontrados foram de 0,69%, 1,00% e 1,53% para o pr-chiller, chiller 1 e chiller 2,
respectivamente. As correlaes foram de 0,9944, 0,9895 e 0,9770 tambm na mesma ordem.
As Figuras 40, 41 e 42 mostram as correlaes entre as massas previstas e reais.
0,3
0,4
0,5
0,6
0,7
0,8
0,3 0,4 0,5 0,6 0,7 0,8
Massa real normalizada
M
a
s
s
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
K
0
= 35,14 min
-1
, = -221,58 [kg gua/kg carcaa] e W
m
= 309,68 [kg gua/kg carcaa]
Figura 40 Grfico de correlao entre a massa real normalizada e a massa prevista
normalizada na aplicao do modelo de CARCIOFI & LAURINDO para o pr-chiller.
49
0,3
0,4
0,5
0,6
0,7
0,8
0,3 0,4 0,5 0,6 0,7 0,8
Massa real normalizada
M
a
s
s
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
K
0
= 24,77 min
-1
, = -151,99 [kg gua/kg carcaa] e W
m
= 214,62 [kg gua/kg carcaa]
Figura 41 Grfico de correlao entre a massa real normalizada e a massa prevista
normalizada na aplicao do modelo de CARCIOFI & LAURINDO para o chiller 1.
0,3
0,4
0,5
0,6
0,7
0,8
0,3 0,4 0,5 0,6 0,7 0,8
Massa real normalizada
M
a
s
s
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
K
0
= 24,38 min
-1
, = -309,75 [kg gua/kg carcaa] e W
m
= 455,40 [kg gua/kg carcaa]
Figura 42 Grfico de correlao entre a massa real normalizada e a massa prevista
normalizada na aplicao do modelo de CARCIOFI & LAURINDO para o chiller 2.
4.9 Aplicao da Lei de Newton do Resfriamento para previso da temperatura
A Lei de Newton do Resfriamento foi aplicada em um dos mdulos do sistema de
resfriamento com o objetivo de comparar os resultados com os previstos pela rede neural. Foi
otimizados o parmetro k tambm utilizando Simplex, de maneira semelhante a utilizada para
50
os pesos das redes neurais. Foi considerada como temperatura ambiente de cada mdulo a
mdia entre a temperatura da gua na entrada e na sada dos chillers. Os resultados
encontrados foram piores at do que os previstos pela RNA. No primeiro mdulo ainda houve
certa coerncia na previso, como mostrado na Figura 43, mas nos mdulos seguintes os
valores encontrados esto completamente fora do esperado. As Figuras 44 e 45 evidenciam
esta concluso.
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Temperatura real normalizada
T
e
m
p
e
r
a
t
u
r
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
k = -0,6178 min
-1
Figura 43 Grfico de correlao entre a temperatura real normalizada e a temperatura
prevista normalizada na aplicao da Lei do Resfriamento de Newton para o pr-chiller.
0,1
0,2
0,3
0,4
0,5
0,6
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
Temperatura real normalizada
T
e
m
p
e
r
a
t
u
r
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
k = 0,2443 min
-1
Figura 44 Grfico de correlao entre a temperatura real normalizada e a temperatura
prevista normalizada na aplicao da Lei do Resfriamento de Newton para o chiller 1.
51
0,0
0,2
0,4
0,6
0,8
1,0
1,2
0,0 0,1 0,2 0,3 0,4 0,5 0,6
Temperatura real normalizada
T
e
m
p
e
r
a
t
u
r
a
p
r
e
v
i
s
t
a
n
o
r
m
a
l
i
z
a
d
a
k = 0,2000 min
-1
Figura 45 Grfico de correlao entre a temperatura real normalizada e a temperatura
prevista normalizada na aplicao da Lei do Resfriamento de Newton para o chiller 2.
4.10 Desenvolvimento de planilha para previso da absoro
A partir dos resultados obtidos no treinamento da rede com estrutura 4 x 12 x 4
considerando como varivel de sada apenas a massa da carcaa da massa final das carcaas
foi desenvolvida um planilha de clculo de maneira a simular qual seria a resposta para um
dado conjunto de parmetros. Esta planilha poder ser utilizada pelo operador da fbrica
responsvel pelo sistema de resfriamento para auxiliar na sua tomada de decises. A Figura
46 mostra a interface desta planilha.
52
Figura 46 Tela de interface com o operador da planilha de clculo para previso da massa
final das carcaas.
Pretende-se utilizar a planilha na linha estudada, verificando-se a praticidade e
funcionalidade. Em seguida ser ampliada para as demais linhas. A planilha faz
automaticamente a normalizao dos dados de entrada e aplica na rede neural juntamente com
os pesos que tem gravados em sua memria. Caso a massa final esteja prxima do limite da
legislao (entre 7 e 8%) a clula Absoro pintada de laranja. Se estivar distante do
mximo pintada de verde (abaixo de 7%), e se estiver acima do mximo (mais que 8%) de
vermelho.
Outra aplicao pretendida para esta planilha reduzir os custos de operao do
sistema de resfriamento, e tambm o consumo de gua.
53
5. CONCLUSO
Neste trabalho foi investigado o emprego das redes neurais para descrever o processo
de resfriamento de frango em chillers de imerso, na qual foram consideradas como variveis
de sada a temperatura e a massa das carcaas. Tambm foram testados o modelo emprico
proposto por CARCIOFI e LAURINDO (2007) para descrever a absoro de gua e o modelo
de resfriamento de Newton para a previso de temperatura das carcaas. Os principais
resultados obtidos neste trabalho foram os seguintes:
- As redes neurais artificiais mostraram que funcionam muito bem para previso da absoro
de gua pelas carcaas de frango no processo de resfriamento por imerso, mesmo quando
modelando todo o sistema ao mesmo tempo, grande vantagem sobre o modelo
fenomenolgico.
- O modelo proposto por CARCIOFI e LAURINDO (2007) tambm se mostrou eficiente para
prever a absoro da gua pelas carcaas de frango, entretanto, a utilizao de redes neurais
mais vlida porque leva em conta as 25 variveis de entrada..
- As redes neurais no foram eficientes para prever a temperatura final das carcaas, assim
como a abordagem fenomenolgica pela Lei de Newton do Resfriamento.
- Atribui-se ao procedimento de coleta adotado na passagem das carcaas de um mdulo para
outro o grande erro encontrado na previso da temperatura.
-A arquitetura da rede influenciou pouco na preciso dos resultados. O nmero de camadas e
de neurnios em cada uma delas praticamente no altera o resultado final. As arquiteturas
alternativas tambm no apresentaram vantagens significativas, uma vez que mesmo as
convencionais mais simples forneceram boas previses.
- A previso conjunta da absoro e da temperatura foi um pouco pior para a temperatura do
que na previso independente, mas quase sem significncia para a absoro, mostrando que a
rede consegue ser precisa em uma das sadas mesmo quando uma das outras apresenta algum
problema de aprendizagem.
- As variveis mais importantes encontradas para a absoro foram o peso inicial da carcaa,
depois a temperatura da gua no primeiro estgio, seguida do borbulhamento do segundo
estgio. O tempo de resfriamento, parmetro do modelo fenomenolgico, no apareceu entre
os mais influentes. Para a temperatura o erro foi muito grande para se considerar os resultados
encontrados como sendo conclusivos.
- O mtodo de otimizao Simplex se mostrou mais vantajoso sobre os demais, para os tipos
de arranjo testados. Mostrou-se mais estvel e tambm mais rpido, alm de aproximar os
54
valores procurados com uma previso to boa quanto, ou at melhor, que as outras rotinas
testadas. Em todos os casos o esforo computacional do simplex cresce linearmente com a
quantidade de pesos sinpticos.
- O desenvolvimento da planilha de clculo baseada no resultado da modelagem por redes
neurais demonstrou ser de grande utilidade e aplicabilidade, pois auxilia na deciso das
correes a serem feitas no processo produtivo.
- Uma sugesto de trabalho futuro refazer a coleta dos dados, desconsiderando os valores
intermedirios, de forma a no embutir erros nos valores finais da temperatura. Com estes
dados deve-se treinar as redes novamente e verificar o erro nas previses.
- Outra sugesto analisar a influncia de cada uma das variveis pelo mtodo da anlise dos
componentes principais.
- Um desenvolvimento importante a ser feito no resfriamento de carcaas a otimizao
energtica, e a ferramenta desenvolvida neste trabalho pode ajudar e servir de base para esta
aplicao.
55
6. BIBLIOGRAFIA
ALLEN, V. M. et al. Hygiene aspects of modern poultry chilling. R. International Journal
of Food Microbiology, p 1-10, 2000.
ANTONELLI, G. C. Controle de Processos com Redes Neurais Inversas. Maring:
Departamento de Engenharia Qumica, Universidade Estadual de Maring, 1998. 110 p.
Dissertao (Mestrado).
BRAGA, A. P.; CARVALHO, A. P. L; LUDERMIR, T. B. Redes Neurais Artificiais:
Teoria e Aplicaes. Rio de Janeiro: LTC Livros Tcnicos e Cientficos, 2000. 262 p.
BRASIL. Ministrio da Agricultura, Pecuria e Abastecimento - MAPA. Regulamento
Tcnico da Inspeo Tecnolgica e Higinico-Sanitria de Carne de Aves. Portaria n.
210, de 10 de novembro de 1998.
CARCIOFI, B. A. M.; LAURINDO, J. B. Water uptake by poultry carcasses during
cooling by water immersion. R. Chemical Engineering and Processing, n. 46, p. 444-
450, 2007.
COELHO, L. S. Fundamentos, potencialidades e aplicaes de algoritmos evolutivos. So
Carlos: SBMAC, 2003. 111 p.
CORAZZA, F. C. Estimao de Estado e Controle timo em um Secador Industrial de
Gelatina Anlise de Viabilidade Tcnica. Maring: Departamento de Engenharia
Qumica, Universidade Estadual de Maring, 2004. 139 p. Tese (Doutorado).
DYER, Jerry. Comunicao pessoal ao autor, em 30 de maio de 2007.
ELIAS, M. Redes Neurais Artificiais. Disponvel em
<www.geocities.com/capecanaveral/runway/4303/index.html>. Acesso em 14 de outubro
de 2007.
56
FRANCISCO, C. O. Modelagem e simulao de um secador industrial de gelatina
atravs de redes neurais artificiais. Campinas: Faculdade de Engenharia Qumica,
Universidade Estadual de Campinas, 2000. 112 p. Dissertao (Mestrado).
FUJITA, E. G. L. Modelagem de forno para a produo de cimento atravs da aplicao
de tcnicas de redes neurais. Campinas: Faculdade de Engenharia Qumica,
Universidade Estadual de Campinas, 2001. 100 p. Dissertao (Mestrado).
GALKIN, I. Crash Introduction to Artificial Neural Networks. Disponvel em
<http://ulcar.uml.edu/~iag/CS/Intro-to-ANN.html>. Acesso em 14 de outubro de 2007.
GOI, S. M. et al. Prediction of foods freezing and thawing times: artificial neural
networks and genetic algorithm approach. R. Journal of Food Engineering, no.84, p
164-178, 2008.
JAMES, C. et al. The primary chilling of poultry carcasses a review. R. International
Journal of Refrigeration, p 1-17, 2006.
KOVCS, Z. L. Redes neurais artificiais: fundamentos e aplicaes. So Paulo: Editora
Livraria de Fsica, 2002. 174 p.
LINCO. Catlogo de Equipamentos para Abate e Processamento de Frangos. Dinamarca,
2004.
MEDEIROS. F. T. P. Desenvolvimento de um modelo de predio de condies
operacionais de altos-fornos siderrgicos com base em redes neurais artificiais.
Campinas: Faculdade de Engenharia Qumica, Universidade Estadual de Campinas, 2006.
134 p. Tese (Doutorado).
MITTAL, G. S.; ZHANG, J. Prediction of food thermal process evaluation parameters
using neural networks. R. International Journal of Food Microbiology, no.79, p 153-
159, 2002.
57
MITTAL, G. S.; ZHANG, J. Prediction of freezing time for food products using a neural
network. R. Food Research International, no.33, p 557-562, 2000.
NEVES FILHO, L. C. Estudo de algumas variveis no resfriamento contnuo por imerso
de frango. Campinas: Faculdade de Engenharia de Alimentos e Agrcola, Universidade
Estadual de Campinas, 1978. 164 p. Tese (Mestrado).
PRESS, W. H. et al. Numerical Recipies in Fortran 77: the art of scientific computing.
Cambridge: Press Syndicate of the University of Cambridge, 1992. 973 p.
QIAO, J. et al. Predicting mechanical properties of fried chicken nuggets using image
processing and neural network techniques. R. Journal of Food Engineering, no.79, p
1065-1070, 2007.
SAVELL, J. W.; MUELLER, S. L; BAIRD, B. E. The chilling of carcasses. R. Meat
Science, p 1-11, 2004.
SILVA, E. C. N. Otimizao aplicada ao projeto em engenharia mecnica. [S.n.t.]
TAFNER, M. Redes Neurais Artificiais: Aprendizado e Plasticidade. Disponvel em <
http://www.cerebromente.org.br/n05/tecnologia/plasticidade2.html>. Acesso em 06 de
janeiro de 2008.
TATIBANA, C. Y.; KAETSU, D. Y. Uma Introduo s Redes Neurais. Disponvel em
<http://www.din.uem.br/ia/neurais>. Acesso em 14 de outubro de 2007.
TERUEL, B.; CORTEZ, L. A.; NEVES FILHO, L. Estudo comparativo do resfriamento de
laranja valncia com ar forado e com gua. R. Cincia e Tecnologia de Alimentos,
vol.23, no.2, p 174-178, 2003.
TERUEL, B. et al. Estudo terico do resfriamento com ar forado de frutas de
geometrias diferentes. R. Cincia e Tecnologia de Alimentos, vol.21, no.2, p 228-235,
2001.
58
WANG, L.; SUN, D. Evaluation of performance of slow air, air blast and water
immersion cooling methods in the cooked meat industry by the finite element
method. R. Journal of Food Engineering, p 1-12, 2001.
59
ANEXOS