Beruflich Dokumente
Kultur Dokumente
Autor
LADY JULIANA GASCA TABA
Ingeniero Agroindustrial
Autor
LADY JULIANA GASCA TABA
Ingeniero Agroindustrial
DIRECTOR
OSCAR RUBIANO OVALLE
Ing. Industrial, PhD.
CO- DIRECTOR
WILFREDO ALFONSO, PhD
ASESOR:
SARA DEL CARMEN PEREDDO (CENICAÑA)
Química M.Sc.
Z° = Grados polarimétricos
QQ = Quintal equivalente a 50 Kg
3
1. INTRODUCCIÓN
Como caso de estudio se utiliza un ingenio del Valle del Cauca, donde los
indicadores de Producto No Conforme (PNC) por alto contenido de ceniza en
azúcar blanco, el cual para el año 2017, tuvo un incremento del 95%
comparado con el año 2016, y con tendencia similar en lo corrido del 2018.
4
2. DESCRIPCIÓN DEL PROBLEMA
5
El no cumplimiento de este parámetro fisicoquímico, implica rechazo de los
lotes de producción, generando reprocesos en la fábrica, perdida de horas/
hombre, gasto de insumos, consumo de energía y hasta la pérdida de la
venta por el incumplimiento en las entregas.
6
3. JUSTIFICACIÓN.
4. OBJETIVOS.
5. MARCA TEÓRICO.
5.1. Antecedentes.
Antes de iniciar con la citación de los trabajos realizados alrededor del tema
de este proyecto, cabe resaltar que en la búsqueda de antecedentes no se
encontraron documentos locales e internacionales que permitieran conocer el
estado y avances obtenidos. Dado lo anterior se presentan a continuación las
8
publicaciones realizadas de forma general en el sector azucarero a nivel
internacional y sus aportes significativos para el desarrollo de este proyecto.
Los precursores de color son las sustancias que si bien por sí misma son
aportan significativamente color al jugo, son sustratos para la generación de
color en reacciones dentro del proceso (pardeamiento enzimático, reacciones
Maillard, caramelización, formación de complejos coloreados, oxidaciones,
etc.). La cantidad y proporción de precursores de color (enzimas, fenoles,
azúcares reductores, aminoácidos, hierro, polisacáridos, entre otros) y
pigmentos naturales en la caña de azúcar no es constante y varía de acuerdo
con la variedad y madurez de la caña, tipo y humedad del suelo, uso de
fertilizantes, forma de cosecha e inclusive el uso de pesticidas y madurantes
[Legendre, 1988]. Así mismo la cantidad de materia extraña incluida en la
caña afecta al color y a la concentración de los precursores de color
[Larrahondo, 2009].
9
Según las investigaciones desarrolladas por Legendre , Zossi et al. , Rupa y
Asokan entre otros, tanto el color como el contenido de precursores de color
presentan diferencias significativas con respecto a las distintas variedades de
caña así como con el grado de madurez del cultivo, encontrándose un
aumento en estos indicadores cuando la caña es cosechada en verde.
Aunque el contenido de precursores puede cambiar según la variedad, las
principales variaciones son determinadas por el tipo de cosecha; se ha
encontrado que el contenido de fenoles y aminoácidos puede llegar a ser de
entre 7.3 y 2.5 mayor en caña mecanizada con respecto a caña limpia
[Larrahondo, 2012].
10
5.1.3. Seguimiento de la cristalización de azúcar mediante procesado
de imagen con wavelets
Existen trabajos previos de los autores en los que se los que se utilizaban
técnicas basadas en la Transformada de Fourier para generar el patrón [E.S.
González.1998]. En el estudio se mejoran las técnicas mediante la utilización
de la transformada wavelet, que permite mejorar la eficiencia y reducir el
esfuerzo computacional, al permitir calcular las propiedades frecuenciales en
unos rangos concretos.
11
El objetivo de este estudio fue evaluar redes neuronales artificiales (RNA)
aplicadas en un proceso de selección de variedades dentro de la caña de
azúcar [Portela B, Dornelles C. 2014].
12
de azúcar a menudo han sido volátiles, lo que lleva a una mala gestión de
recursos y pérdidas económicas. Los modelos de pronóstico se desarrollaron
para ayudar a los ingenios azucareros a evitar tales situaciones.
6. MARCO TEORICO
Área de
Campo
La planta de caña
de azúcar
Área
Cosecha Corte, Alce,
Transporte
14
Los constituyentes químicos de la caña de azúcar (Tabla 1) son de carácter
orgánico e inorgánico, y se puede agrupar en los siguientes componentes
tecnológicos:
15
Fibra (~ 15%)
Caña de azúcar
100%
Agua (~ 70%)
Jugo (~ 85%)
Sólidos solubles
(Brix, aprox ~ 15%)
Los sólidos solubles (Brix), contienen sacarosa (nombre técnico del azúcar),
principal objetivo de extracción y recuperación en la fábrica como producto
final. Además, el brix comprende otros azucares y no azucares (Ej.
minerales, los cuales van a formar parte de las mieles finales y la cachaza, o
llegan a ser parte del contenido de ceniza en el producto final del azúcar.
(Figura 3).
16
CAÑA
Jugo Sólidos
Fibra
Insolubles
Sólidos
Agua Brix
Solubles
Azúcares No Azúcares
Polisacárido Cenizas:
Pol
Azúcares Sales de
s
Reductores Potasio,
Proteínas
Ácidos sodio,
calcio, etc
17
Proteínas 0.5 - 0.6
Polisacáridos 0.3 - 0.6
Almidones 0.001 - 0.050
Colorantes 3.0 -5.0
Altura de corte.
Contenido de basuras o material extraño.
18
Quema y tiempo entre corte y molienda.
Acciones de microorganismos.
Así tenemos que, para una sacarosa % caña (So) observada en la caña
limpia (tallos sin quemar) será entregada para el proceso azucarero un
contenido promedio de sacarosa % caña (St) según la siguiente ecuación:
( )
( ) ( )
( ) ( )
19
El retiro de las hojas y cogollos durante el corte y limpieza de la caña es de
mucha importancia para el proceso fabril. Estos materiales aportan un alto
contenido de sílice, el cual contribuye al desgaste de los molinos. Como
consecuencia de un corte inadecuado (altura de corte), el cogollo (puntas)
además de reducir la pureza general de los jugos, incrementa el contenido
no-sacarosa, tales como almidones, azúcares reductores, fenoles, etc., los
cuales tienden a reducir el recobrado y calidad del azúcar en la elaboración
fabril [Ramos AA, 2002].
6.2.1. Definiciones.
Se han desarrollado modelos computacionales que han intentado emular el
comportamiento del cerebro humano. Los cuales usan una estructura de red
en la cual los nodos o neuronas son procesos numéricos que involucran
estados de otros nodos según sus uniones. Una clase de estos son las
Redes Neuronales Artificiales.
20
Las investigaciones en torno a esto están motivadas en modelar la forma de
procesamiento de información en sistemas nerviosos biológicos. El cerebro
humano corresponde al de un sistema complejo, no-lineal y paralelo; es
decir, que puede realizar varias operaciones simultáneamente [Facultad de
Informática - Universidad Nacional de La Plata: 2015].
Varias capas constituirán una red neuronal. Finalmente una red neuronal
junto con las interfaces de entrada y salida constituirá el sistema global de
proceso.
21
estructura de conexiones sinápticas. Estas conexiones sinápticas son
direccionales, es decir, la información solamente puede propagarse en un
único sentido (desde la neurona pre-sináptica a la pos-sináptica). En general
las neuronas se suelen agrupar en unidades estructurales que
denominaremos capas. El conjunto de una o más capas constituye la red
neuronal.
22
- Ocultas: son internas a la red y no tienen contacto directo con el entorno
exterior. El número de niveles ocultos puede estar entre cero y un número
elevado. Las neuronas de las capas ocultas pueden estar interconectadas de
distintas maneras, lo que determina, junto con su número, las distintas
topologías de redes neuronales.
Una red neuronal debe aprender a calcular la salida correcta para cada
constelación (arreglo o vector) de entrada en el conjunto de ejemplos. Este
proceso de aprendizaje se denomina: proceso de entrenamiento o
acondicionamiento. El conjunto de datos (o conjunto de ejemplos) sobre el
cual este proceso se basa es, por ende, llamado: conjunto de datos de
entrenamiento.
El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos
en respuesta a una información de entrada. Los cambios que se producen
durante el mismo se reducen a la destrucción, modificación y creación de
conexiones entre las neuronas. En los sistemas biológicos existe una
continua destrucción y creación de conexiones entre las neuronas. En los
23
modelos de redes neuronales artificiales, la creación de una nueva conexión
implica que el peso de la misma pasa a tener un valor distinto de cero. De la
misma manera, una conexión se destruye cuando su peso pasa a ser cero.
Durante el proceso de aprendizaje, los pesos de las conexiones de la red
sufren modificaciones, por lo tanto, se puede afirmar que este proceso ha
terminado (la red ha aprendido) cuando los valores de los pesos permanecen
estables (dwij/dt = 0).
24
informaciones que se le han mostrado hasta entonces (en el pasado). En otro
caso, podría realizar una agrupación (clustering) o establecimiento de
categorías, indicando la red a la salida a qué categoría pertenece la
información presentada a la entrada, siendo la propia red quien debe
encontrar las categorías apropiadas a partir de las correlaciones entre las
informaciones presentadas.
7. METODOLOGÍA.
25
7.1. Caracterización del proceso de cosecha y las variables de
cosecha relacionadas con la producción de azúcar.
Una vez concluido el diagrama de SIPOC, se cuenta con todas las variables
de cosecha que impactan en el proceso de fabricación de azúcar blanco. El
siguiente paso es elaborar el mapeo del proceso, el cual es una ilustración
gráfica del proceso a detalle, que incluye todos y cada uno de los pasos que
componen al proceso. El mapeo de procesos permite tener una visión
sistémica del proceso. El mapeo ayuda a identificar los pasos del proceso
que agregan valor y aquéllos que no lo hacen, las variables de entrada (X) y
de salida (Y), y las necesidades en cuanto medición de variables.
26
Con la caracterización del proceso definida y las variables de cosecha que
interfieren en la producción de azúcar identificadas, nos adentramos a la
propuesta de la arquitectura de la RNA con la data “Datos de Permanencia”
como entrada de la RNA y los datos de Ceniza en producto terminado a la
salida de red, se utilizará el software MATLAB® - toolboxes que ofrece
herramientas y funciones para administrar grandes conjuntos de datos.
Antes de dar formar a los datos para que sean interpretables por la toolbox
hay que asegurarse de que cumplen las siguientes generalidades, que
garantizarán un buen funcionamiento de la red neuronal.
27
Codificado de los datos: La variable tiempos de permanencia (hrs)
se codificará de tal forma que sus valores estén acotados entre cero (0) y
uno (1) como se ha comentado anteriormente.
Crear la red neuronal: Para realizar la implementación de la red
neuronal se utilizará una toolbox de Matlab que permite manejar redes
neuronales con gran facilidad. Sin embargo habrá que definir una serie de
parámetros, como el tipo de red neuronal, el número de capas, el número
de neuronas, el método de entrenamiento.
28
fin de minimizar el sobreajuste del modelo, con este conjunto se verifica
que la modificación de los pesos sinápticos debido a la minimización del
error de entrenamiento conlleva una mejora en el conjunto de datos y no
solo sobre los datos de entrenamiento.
29
8. CRONOGRAMA
30
BIBLIOGRAFIA.
Jojo A., Sunday A. & Theophilus N. (2016). Application of FTA and FMEA
Method to Improve Sugar Production Process Quality. Journal Spektrum
Industri, 2016, Vol. 14, No. 2, 109 – 230. Recuperado de:
http://journal.uad.ac.id/index.php/Spektrum/article/view/4907
31
azucarera. Revista Ciencia UNEMI. Vol. 12, Nº 29, pp. 36 – 50. Enero-Abril
2019. Recuperado de:
http://ojs.unemi.edu.ec/index.php/cienciaunemi/article/view/823/707
R. T. Rupa and S. Asokan, "Effect of rind pigments and juice colorants ond
juice claribility time and mud volume of sugarcane," Sugar Technologist, vol.
10, no. 2, pp. 109-113, 2008.
33
Gestal Pose, M. (13 de octubre de 2011). Introducción a las Redes de
Neuronas Artificiales. [PDF] Recuperado de
http://sabia.tic.udc.es/mgestal/cv/RNAtutorial/TutorialRNA.pdf
González C., F., & Hernández M., J. E. (2011). Introducción a las Redes
Neuronales. Parte 2. Preguntas y Respuestas. Electónica y Computadores.
Izaurieta, F., & Saavedra, C. (2010). Redes Neuronales Artificiales. [PDF]
Recuperado de Universidad de Concepción:
http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf
34