Artificial neural network in response of mass transfer parameters predictions (moisture loss and solid gain) during osmotic dehydration of fruits | Red neuronal artificial en respuesta a predicciones de parámetros de transferencia de masa (pérdida de humedad y ganancia de sólidos) durante la deshidratación osmótica de frutas

Inglés. Models for the prediction of water loss (ML) and solid gain (SG) in osmotic dehydration process based on artificial neural network (ANN) perform better as compared to other models developed for osmotic dehydration, because these models mathematically correlate a wide quantity of processing variables with ML and SG. The main advantage of these models is that they are predictive rather than correlative, also these models can be easily implemented in a spreadsheet, and they are very useful and practical for process design and control. The aim of this work is to use a developed model based on ANN to predict outcomes in osmotic dehydration processes. Predictions were made with different process conditions and were validate by using experimental data reported in literature. Good predictions of ML (MRE 19%) and variable behavior for SG (MRE: 62%) were obtained.

Español; castellano. Los modelos para predecir las cinéticas de pérdida de agua (ML) y ganancia de sólidos (SG) empleando redes neuronales artificiales (ANN) han demostrado tener mejor comportamiento que los demás modelos desarrollados debido a que correlacionan empíricamente gran cantidad de las variables con ML y SG. La principal ventaja de estos modelos es que son predictivos en vez de correlativos, además pueden implementarse fácilmente en una hoja de datos, y son muy útiles y prácticos para el diseño y control del proceso. El objetivo de este trabajo es emplear un modelo desarrollado con ANN para predecir resultados en procesos de deshidratación osmótica. Se hicieron predicciones de comportamiento con diferentes condiciones de proceso y se validaron con resultados experimentales presentados en la literatura. Se obtuvieron buenas predicciones de ML (MRE 19%) y un comportamiento variable para SG (MRE 62%).