AVALIAÇÃO DE MÉTODOS DE CONVERGÊNCIA NO TREINAMENTO DE REDES NEURAIS ARTIFICIAIS APLICADAS À PREDIÇÃO DE ÍNDICE DE IODO, VISCOSIDADE E DENSIDADE EM BIODIESEL

Resumo

Algumas propriedades do biodiesel, como índice de iodo, viscosidade e densidade, podem sofrer variações conforme as estruturas moleculares dos seus ésteres constituintes. O objetivo do pre-sente estudo é avaliar e comparar três métodos de convergência no treinamento supervisionado de redes neurais com arquitetura MLP na predição de propriedades de biodiesel. Os métodos aplicados foram os de BFGS, Gradiente Descendente e Gradiente Conjugado. Dados do LAPQAP e da literatura foram padronizados, organizados e armazenados no Sistema Oleodata, sendo divididos em três partes: 70% para o treinamento da rede, 15% para a fase de validação e 15% para a de teste. As variáveis de entrada foram os percentuais de cada éster de ácido graxo que compõe as amostras de biodiesel, e as variáveis de saída foram o índice de iodo, a viscosidade e a densidade. As seguintes funções de ativação foram previamente testadas: tangente hiperbólica, seno, identidade, exponencial e logística. Além disso, foram fixadas a quantidade de 1000 redes treinadas para cada variação do estudo e 1000 ciclos de treinamento para cada rede. Em seguida, foram variados os métodos de convergência: BFGS, Gradiente Descenden-te e Gradiente Conjugado. Após a obtenção do método de convergência, um novo treinamento foi feito para a otimização da quantidade de neurônios, variando-se de 5 a 15. Ao final de todos os treinamentos a rede com melhores desempenhos foi treinada pelo método de BFGS e apresentava 10 neurônios ocul-tos, função logística em ambas as camadas oculta e de saída, com um coeficiente médio superior a 0,88.

Palavras-chave: Parâmetros de Qualidade. Método de BFGS. Método de Gradiente Descendente. Mé-todo de Gradiente Conjugado.

EVALUATION OF CONVERGENCE METHODS IN TRAINING OF ARTIFICIAL NEURAL NETWORKS APPLIED TO PREDICTION OF IODINE INDEX, VISCOSITY AND DENSITY IN BIODIESEL

ABSTRACT: Some properties of biodiesel, like iodine index, viscosity and density, can vary with the mo-lecular structures of its esters. The present study evaluates and compares three convergence methods of supervised training of neural networks with MLP architecture on prediction of biodiesel properties. The methods applied were BFGS, Descent Gradient and Conjugate Gradient. Data from LAPQAP and from literature were standardized, organized and stored into the Oleodata System, being divided in three parts: 70% for networks training, 15% for validation phase and 15% for test. The input variables were the per-cent of each fatty ester which compose the biodiesel samples, and the output variables were iodine index, viscosity and density. The following activation functions were previously tested: hyperbolic tangent, sine, identity, exponential and logistic. Moreover, it was fixed the quantity of 1000 networks trained for each va-riation of the study and 1000 cycles of training for each network. Then, convergence methods were varied: BFGS, Descent Gradient and Conjugate Gradient. After selected the best convergence method, a new training was carried out for optimization of neurons quantity, ranging from 5 to 15. At the end of training, the network with best performances was trained by BFGS method and presented 10 hidden neurons, logistic function in both hidden and output layers, with a mean coefficient higher than 0,88.

KEYWORDS: Quality Parameters. BFGS Method. Descent Gradient Method. Conjugate Gradient Method.

EVALUACIÓN DE MÉTODOS DE CONVERGENCIA EN EL ENTRENAMIENTO DE REDES NEURONALES ARTIFICIALES APLICADAS A LA PREDICCIÓN DEL ÍNDICE DE YODO, LA VISCOSIDAD Y LA DENSIDAD DE BIODIESEL

RESUMEN: Algunas propiedades del biodiesel, como índice de yodo, viscosidad y densidad, pueden va-riar con las estructuras moleculares de sus ésteres. El presente estudio evalúa y compara tres métodos de convergencia de entrenamiento supervisado de las redes neuronales con la arquitectura MLP en la predicción de las propiedades del biodiesel. Los métodos aplicados fueron BFGS, Gradiente de Descen-so y Gradiente Conjugado. Los datos de LAPQAP y de la literatura fueron estandarizados, organizado y almacenado en el Sistema de Oleodata, siendo divididos en tres partes: 70% para el entrenamiento de redes, 15% para la fase de validación y 15% para el test. Las variables de entrada fueron el porcentaje de cada éster de grasa que componen las muestras de biodiesel, y las variables de salida fueron el índice de yodo, la viscosidad y la densidad. Las siguientes funciones de activación fueron probadas previamente: tangente hiperbólica, seno, identidad, exponencial y logística. Además, se determinó la cantidad de 1.000 redes entrenadas para cada variación del estudio y 1000 ciclos de formación para cada red. Entonces, los métodos de convergencia fueron variados: BFGS, Gradiente de Descenso y Gradiente Conjugado. Después de seleccionar el mejor método de convergencia, un nuevo entrenamiento fue realizado para la optimización de la cantidad de neuronas, que van de 5 a 15. Al final de la formación, la red con las mejores actuaciones fue entrenada por el método BFGS y presentó 10 neuronas ocultas, la función logística en capas encubiertas y de salida, con un coeficiente medio superior a 0,88.

PALABRAS CLAVE: Parámetros de Calidad. Método de BFGS. Método del Gradiente de Descenso. Método del Gradiente Conjugado.