ANÁLISIS DE LAS VARIABLES DE COSECHA DE CAÑA Y SU IMPACTO

EN EL % CENIZA EN PRODUCTO TERMINADO – AZÚCAR BLANCO.

Autor
LADY JULIANA GASCA TABA
Ingeniero Agroindustrial

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERIA
MAESTRIA DE INGENIERIA QUIMICA
MAESTRIA EN INGENIERIA: ENFASIS EN INGENIERIA QUIMICA
CALI, COLOMBIA
2019
ANÁLISIS DE LAS VARIABLES DE COSECHA DE CAÑA Y SU IMPACTO
EN EL % CENIZA EN PRODUCTO TERMINADO – AZÚCAR BLANCO.

Autor
LADY JULIANA GASCA TABA
Ingeniero Agroindustrial

Anteproyecto presentado como requisito parcial para optar al título de

magister en Ingeniería con Énfasis en Ingeniería Química

DIRECTOR
OSCAR RUBIANO OVALLE
Ing. Industrial, PhD.

CO- DIRECTOR
WILFREDO ALFONSO, PhD

ASESOR:
SARA DEL CARMEN PEREDDO (CENICAÑA)
Química M.Sc.

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERIA
MAESTRIA DE INGENIERIA QUIMICA
MAESTRIA EN INGENIERIA: ENFASIS EN INGENIERIA QUIMICA
CALI, COLOMBIA
2019
GLOSARIO INDUSTRIA AZUCARERA.

PNC = Producto No Conforme

Z° = Grados polarimétricos

QQ = Quintal equivalente a 50 Kg

RNA = Red Neuronal Artificial

BPNN = Back Propagation Neural Network

DNN = Deep Neural Network

A-ES= Adaptive Evolution Strategies

3
1. INTRODUCCIÓN

El presente proyecto consiste en identificar a través de herramientas

estadísticas el grado de correlación que existe entre las variables (variedad,
edad de corte y tipo de corte) de los eslabones de la cadena agroindustrial,
específicamente en la dimensión cosecha del cultivo de caña de azúcar y su
impacto en el % de ceniza del azúcar terminada, usado como un parámetro
de calidad de azúcar, estipulado internacionalmente por la FAO y la OMS a
través de la comisión del Codex Alimentarius, y en Colombia, a través de la
NTC – 611: 2018.

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.

Variables de cosecha como lo son la variedad de caña, el tiempo de

permanencia, la edad de corte y el tipo de corte (manual o mecanizada),
pueden incidir en la calidad del azúcar en otras variables como lo son Pol
(Z°) [Larrahondo JE, 2012]; sin embargo, no se encuentran estudios acerca
de la incidencia en la cantidad de ceniza de conductividad (% m/m) debida a
estas variables.

Por lo tanto, este trabajo de grado plantea un primer acercamiento para

determinar el impacto del porcentaje de los componentes de ceniza en el
cristal de azúcar, a partir de las variables de cosecha de caña, a través de un
estudio de correlación estadístico.

4
2. DESCRIPCIÓN DEL PROBLEMA

El ingenio en estudio está ubicado en el municipio de Candelaria en la región

del Valle del Cauca desde la tercera década del siglo XX. A través del tiempo
ha tenido un crecimiento en la producción de azúcar y grandes avances
tecnológicos, logrando tener un papel importante en el progreso de la región.
Actualmente es productor de azúcares, alcoholes, abono orgánico, entre
otros productos comerciales. Dentro de sus principales procesos están:
campo, cosecha, fábrica, cogeneración de energía y alcohol carburante.

Debido a que el color y la ceniza son criterios de calidad muy importantes en

el azúcar blanco, regidos por estándares internacionales (FAO, CODEX
ALIMENTARIUS), la industria azucarera ha llevado a cabo una extensa
investigación y desarrollo a los equipos en las fábricas de caña de azúcar y
las refinerías, para eliminar estos componentes reduciendo los costos [JE.
Larrahondo .2012].

Por otro lado, la cristalización es el proceso más rentable para producir

cristales de alta pureza; sin embargo, éste permite que algunos componentes
no azucarados permanezcan en el cristal, como las cenizas; el parámetro de
ceniza para azúcar blanco establecido por la NTC 611 es máximo de 0.15%
m/m. Por ejemplo, el ingenio en estudio tuvo una producción de azúcar para
el cierre de 2017 de 5.911.540 QQ ~ 295.577 TON (QQ = 50kg), obteniendo
un Producto No Conforme (PNC) por un alto contenido de impurezas o
alteraciones de calidad (por color, turbiedad, granulometría, incidentes de
inocuidad y las cenizas), de 56.812 QQ y 83.433 QQ de azúcar en 2016 y
2017 respectivamente, lo equivalente a un aumento del 32%. El contenido de
Ceniza para estas muestras fue de 349 QQ en 2016 y de 6.279 QQ en 2017,
mostrando un incremento de 94.4% entre ambos años. Por lo tanto, el
porcentaje de ceniza de ambas muestras estuvo por encima de lo
establecido en la norma NTC 611.

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.

Estudios en Centroamérica [Garcia, Ricardo y Arrue, Jose Carlos, 2014]

demuestran la relación entre el contenido de materia extraña con respecto al
color y el contenido de precursores de color es muy clara; mientras mayor
proporción de materia extraña presente la caña, mayor será la proporción de
estos parámetros que, a excepción del contenido de azúcares reductores,
puede considerarse muy significativo incluso para bajas cantidades de
materia extraña, generando un incremento del 3% hasta más del 55% en
estos parámetros. Así mismo, no se han llegado a encontrar diferencias
significativas con respecto al color, contenido de aminoácidos y flavonoides
presentes en las dos variedades de caña estudiadas, cuando es comparada
la calidad de la caña limpia y mecanizada. Es así como se puede identificar
claramente el impacto que genera el corte mecanizado en el ingreso de una
mayor proporción de color y precursores de color.

Esto lleva a plantear la siguiente pregunta de investigación:

¿Existe algún impacto en el contenido de ceniza presente en el azúcar

blanco, en términos de una relación con las variables de cosecha?

6
3. JUSTIFICACIÓN.

El azúcar es un producto alimenticio de consumo masivo en los seres

humanos. Por ser producto alimenticio, entes de control y vigilancia a nivel
internacional y nacional establecieron unas especificaciones mínimas a
cumplir en el producto final. Para el caso del azúcar blanco en Colombia se
debe cumplir con las especificaciones establecidas en la NTC-611: 2018,
donde se ha establecido dentro de los requisitos fisicoquímicos, que el
parámetro de ceniza debe ser máximo de 0.15 %m/m.

El no cumplimiento de este parámetro fisicoquímico, implica rechazo de los

lotes de producción, generando reprocesos en la fábrica, perdida de horas/
hombre, insumos gastados, consumo de energía y hasta la pérdida de la
venta por el incumplimiento en las entregas.

Las variables de cosecha pueden incidir en la calidad del azúcar en variables

como el Pol (Z°) [Larrahondo, JE. 2012]; este trabajo busca evaluar los
impactos de la cantidad de ceniza en producto terminado de azúcar y
algunas variables de cosecha como: variedad de caña, los tiempos de
permanencia, la edad de corte y el tipo de corte; siendo el tiempo de
permanencia el tiempo que transcurre desde el momento que ingresa la caña
de azúcar al patio del proceso fabril hasta el momento que se inicia el
proceso de molienda; la edad de corte implica el tiempo que pasa desde la
siembra hasta la cosecha; y el tipo de corte, específica la forma como se
lleva a cabo la labor de cosecha.

Aunque no se han encontrado estudios formales que indiquen el efecto de

estas variables en la cantidad de ceniza en el producto terminado, algunos
trabajos que consideran variables meteorológicas [Italo, Mendoza-Haro;
Hiram, Marquetti-Nodarse. 2019] logran determinar el porcentaje de
sacarosa, usando redes neuronales artificiales. El uso de dicho método,
reconocido por extraer conocimiento de las variables disponibles [Martinez,
7
Victor e Hilera, Jose Ramón. 1995], motivan a presentar esta propuesta para
encontrar correlaciones entre la ceniza y las variables de cosecha.

4. OBJETIVOS.

4.1. OBJETIVO GENERAL.

Determinar el impacto en el contenido de ceniza del producto terminado de

azúcar blanco respecto a variables de cosecha, en un ingenio del Valle del
Cauca.

4.2. OBJETIVOS ESPECIFICOS.

 Caracterizar el proceso de cosecha y las variables de cosecha

relacionadas con la producción de azúcar, mediante trabajo de campo
y revisión bibliográfica.
 Proponer una arquitectura basada en redes neuronales artificiales,
para la identificación del porcentaje de ceniza en producto terminado
respecto a las variables de cosecha.
 Identificar los niveles de correlación entre variables de cosecha y el
porcentaje de ceniza en producto terminado, a través de métricas
estadísticas.

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.

5.1.1. La generación de color en el proceso de producción de azúcar:

Influencia de la materia prima.

Estudios realizados en Centroamérica, determinan desviaciones en el color

del azúcar producido y la cosecha mecanizada [García, Ricardo y Arrue,
Jose Carlos, 2014].

El color del azúcar producido es un aspecto de calidad muy importante para

la industria. Los precursores y colorantes, que aportan el color al azúcar
poseen dos principales fuentes: los generados en la caña de azúcar extraído
en el jugo (30%) y los compuestos coloreados formados en el proceso de
fabricación (70%) [Lindeman, 2001]. Este estudio se enfoca en el estudio de
los pigmentos y precursores de color que se encuentran naturalmente en la
caña de azúcar.

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].

5.1.2. Redes Neuronales Artificiales: factores que determinan la

cosecha de caña en la industria azucarera.

En Ecuador se desarrolló una investigación que muestra lo importante de las

redes neuronales artificiales dentro de la industria azucarera, como una
herramienta útil para la predicción del cultivo de la caña de azúcar, tomando
como entradas la información climatológica: temperaturas máximas y
mínimas, oscilación térmica, precipitaciones, heliofanía, humedad relativa,
evaporación y hectáreas de los cultivos sembrados, para obtener una salida:
toneladas de caña. Se desarrolló una herramienta de trabajo predictiva con
resultados confiables, comparados con métodos tradicionales utilizados,
como los aforos de expertos para la cosecha de la caña de azúcar. Se
analiza la base de datos histórica de la organización, mediante un software
MATLAB, herramienta matemática, que ofrece un entorno de desarrollo
integrado (IDE) con lenguaje M de programación propio. La investigación se
desarrolló en Compañía Azucarera Valdez S.A. Ubicada en la Ciudad de
Milagro-Provincia del Guayas-Ecuador [Italo, Mendoza-Haro; Hiram,
Marquetti-Nodarse. 2019].

10
5.1.3. Seguimiento de la cristalización de azúcar mediante procesado
de imagen con wavelets

Una de las partes más importantes del proceso de producción de azúcar en

la industria azucarera es el proceso de cristalización [Rein,P. 2012].
Actualmente este proceso es supervisado manualmente por un operario,
siguiendo unas reglas heurísticas basadas en la observación a través de un
microscopio.

En España, un estudio de la Universidad de Vallodolid [Tadeo F, Teresa

Álvarez T, González S.2017], presenta una posible solución al problema de
detección de las diferentes fases del proceso de cristalización, de forma que
se proporcione al operario correspondiente información objetiva del estado
en que se encuentra el proceso. Esta solución propuesta se basa en el
análisis automático de las imagines captadas mediante una cámara
incorporada al microscopio óptico que suele utilizarse en los cristalizadores
de azúcar. Las técnicas presentadas en el estudio se basan en la utilización
de wavelets para generar los patrones que utiliza una red neuronal, para
detectar la etapa concreta en que se encuentra el proceso.

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.

5.1.4. Selección en variedades de caña de azúcar con redes neuronales

artificiales.

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].

El mejor modelo de RNA no produjo errores, pero fue capaz de clasificar

correctamente todos los genotipos, es decir, la red hizo la misma selección
selectiva como el mejorador durante la simulación del mejor predictor lineal
insesgado (BLUP), lo que demuestra la capacidad de la RNA para aprender
de las entradas y salidas proporcionadas en las fases de entrenamiento y
validación. Dado que la selección basada en RNA facilita la identificación de
las mejores plantas y el desarrollo de una nueva estrategia de selección en
las mejores variedades, para asegurar que los mejores genotipos de la
población se evalúan en las siguientes etapas del programa de reproducción,
recomendamos clasificar a las variedades por BLUP, seguido de por
selección de las mejores familias y finalmente, seleccione las plantas de
semillero por ANN, de la información a nivel individual en las mejores familias

5.1.5. Modelos de rendimiento de la caña de azúcar y de pronóstico de

calidad: ES adaptativo vs. Aprendizaje profundo.

Estudios de la Universidad de Burapha en Tailandia [Srikamdee Supawadee

& Rimcharoen Sunisa, 2018], se han enfocado a la productividad de la
caña de azúcar y a los pronósticos de Calidad, el estudio presenta tres
modelos de pronóstico basados en una red neuronal de propagación hacia
atrás (BPNN), estrategias de evolución adaptativa (A-ES) y una red neuronal
profunda (DNN)) para predecir los niveles de calidad de la caña de azúcar
(llamados azúcar de caña comercial, CCS) y rendimiento. El análisis de
rendimiento de los tres modelos también se discute. La caña de azúcar es un
cultivo económicamente importante en muchos países, ya que la industria
azucarera también está relacionada con muchos otros sectores
manufactureros. Sin embargo, los niveles de rendimiento y calidad de la caña

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.

Recolectaron los datos de los agricultores de caña de azúcar que residen en

las 24 provincias de Tailandia (durante el período 2010-2014). Al analizar
comparativamente las precisiones de pronosticar el CCS de la caña de
azúcar y el rendimiento obtenido de los tres modelos, encontraron que 1), el
modelo basado en DNN es prometedor en algunos casos donde sus errores
son menores que en los otros modelos, 2) A-ES- y DNN - los modelos
basados tienen un rendimiento de predicción comparable en promedio, y 3)
la precisión de la predicción del modelo basado en DNN es sensible a sus
valores iniciales y a la estructura de la red (es decir, los rangos de error de
prueba y de prueba son 10.0-11.6 y 12.25-13.76, respectivamente, variando
estructuras de red y semillas aleatorias).

6. MARCO TEORICO

6.1. Proceso fabril de la caña de azúcar.

Entre los principales objetivos del proceso agroindustrial de la caña de

azúcar se puede citar: obtener la máxima productividad en el campo,
reducir costos de producción y lograr mejor recuperación de azúcar y
de sus derivados, o ambos.

El área agrícola busca inmensamente la mayor producción de caña y mejor

calidad de la materia prima. Por otra parte, el área industrial tiene como
objetivo principal el incremento del “rendimiento industrial”, es decir, mayor
cantidad de azúcar y alcohol, o ambos, producida por tonelada de caña. Para
lograr estos objetivos, es necesario que las diferentes áreas trabajen
conjuntamente y tengan conocimientos transversales sobre las diferentes
operaciones involucradas en el proceso agroindustrial de la caña de azúcar.
13
Una comunicación eficiente entre el área de campo (agrícola) y el área
industrial, en asocio con las diferentes operaciones de cosecha contribuye a
dar soluciones a los problemas inherentes del proceso azucarero y el
aumento de la eficiencia industrial. La ruta y proceso industrial de la caña de
azúcar se puede observar en la Figura 1.

Prácticas agrícolas Clima

Área de
Campo
La planta de caña
de azúcar

Área
Cosecha Corte, Alce,
Transporte

Área Características químicas: Procesamiento

Industrial Sacarosa, no-sacarosa fabril

Figura 1. Ruta del proceso agroindustrial de la caña de azúcar

6.1.1. COMPONENTES QUIMICOS DE LA CAÑA DE AZÚCAR.

En el proceso fabril de la caña de azúcar, la composición de la materia prima

es fundamental para obtener un buen rendimiento y obtención de azúcar de
buena calidad. La calidad de la caña en especial de los jugos depende de la
variedad, condiciones del cultivo y cosecha de la misma.

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:

Fibra (material insoluble) F

Brix (Sólidos solubles) B
Pol (Sacarosa) S
Pureza (Pol % brix)
Azúcares reductores (Glucosa y fructosa)
Azúcares reductores totales (ART)
Azúcares totales recuperables (ATR)
Agua
Celulosa, pectinas, ligninas
Monosacáridos (glucosa, fructosa)
Disacáridos (sacarosa)
Oligosacáridos
Sales Solubles (K,Ca,Mg, etc)
Compuestos Nitrogenados
Acido Orgánicos
Tabla 1 Principales constituyentes químicos de la caña de azúcar

En general, la caña de azúcar está constituida por agua (aprox. 70%) y

materia seca (aprox. 30%). A su vez, la materia seca comprende un material
insoluble denominado fibra (aprox. 15%) y los sólidos totales solubles en el
agua, denominado brix (Figura 2)

15
 Fibra (~ 15%)

Caña de azúcar
100%
Agua (~ 70%)

Jugo (~ 85%)

Sólidos solubles
(Brix, aprox ~ 15%)

Figura 2. Composición general de la caña de azúcar.

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

Sacarosa Glucosa, Orgánicos No Orgánicos

Fructosa

Polisacárido Cenizas:
Pol
Azúcares Sales de
s
Reductores Potasio,
Proteínas
Ácidos sodio,
calcio, etc

Figura 3. Composición tecnológica de la caña de azúcar y los jugos

Los niveles promedios de los principales constituyentes químicos solubles del

jugo de la caña son los siguientes:

Constituyente % en Sólidos Solubles

Azúcares 75 - 90
Sacarosa 70 - 88
Glucosa 2-4
Fructosa 2-4
Sales 3.0 - 4.5
Ácidos orgánicos 1.5 - 5.5

17
 Proteínas 0.5 - 0.6
Polisacáridos 0.3 - 0.6
Almidones 0.001 - 0.050
Colorantes 3.0 -5.0

La proporción anterior de estos constituyentes varían según la variedad,

prácticas de cultivo (fertilización), suelos, clima, edad de corte y estado de la
maduración. Además los contenidos e incorporación, o ambos, de material
extraño, p. ej. hojas y cogollos, pueden alterar la calidad de la caña,
incrementando los niveles de no-azúcares, como material colorante,
polisacáridos y cenizas, los cuales no son deseables para el proceso fabril.
Por consiguiente, el propósito fundamental de las áreas de campo y
cosecha, debe suministrar a la fábrica, caña de las más alta calidad y alto
contenido de azúcar (caña libre de impurezas y mínimo deterioro).

6.1.2. COSECHA DE LA CAÑA DE AZUCAR Y PERDIDAS DE

SACAROSA ENTRE CORTE – MOLIENDA

Los principales factores que afectan la calidad de la caña son:

 Factores que inciden en la calidad de la caña antes del corte: la

variedad, las prácticas de cultivo, edad, época de corte, maduración,
entre otros.
 Factores y perdidas de sacarosa relacionados con la calidad después
y/o durante la cosecha.

Entre las principales causas que inciden directamente en la calidad de la

caña de azúcar después del corte son:

 Altura de corte.
 Contenido de basuras o material extraño.

18
  Quema y tiempo entre corte y molienda.
 Acciones de microorganismos.

Se ha demostrado (Solomon, 2003) que le 13% de las pérdidas de sacarosa,

después del corte son de naturaleza química, 25% de las pérdidas son
debidas a la acción bioquímica de las invertasas (acidas y neutras) y el 62%
son de naturaleza microbiológica.

El efecto de la materia extraña y su impacto en las reducciones de sacarosa,

antes de la molienda, ha sido evaluado:

“Para cada 1% de materia extraña (hojas, cogollos, tierra, etc.), se han

observado reducciones en la sacarosa % caña (determinada en caña limpia)
en el rango de: 0.15-0.25 unidades porcentuales (promedio de 0.20
unidades)” (Larrahondo JE, 2012).

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:

( )
( ) ( )

Si por ejemplo, se cosecha en verde (sin quema) caña con un contenido de

15.0% de sacarosa % caña, y se entrega a la fábrica (molinos) después de
35 horas de realizado el corte (cosecha), con un contenido de 5% de material
extraño; entonces se podrá estimar u observar en el momento de la
evaluación un nivel de sacarosa % caña, como sigue:

( ) ( )

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].

El 41% de la ceniza total de la caña se encuentra en cogollo y las hojas.

Este alto contenido de cenizas en el jugo, especialmente de iones

melasigénicos (generador de mieles), como el potasio, sodio, calcio,
magnesio, etc., afectan el recobrado de azúcar.

En síntesis, los efectos combinados de tierra (materia extraña mineral) y la

materia extraña de origen vegetal, pueden causar además de las
reducciones de sacarosa, incrementos de las no-sacarosas (N) y fibra (F).
Estudios efectuados por Cenicaña (Larrahondo JE, 2012) demostraron que,
por cada 1% de materia extraña, los niveles de no-sacarosa se incrementan
en 0.02 % unidades (%) y la fibra entre 0.06 y 0.80 unidades porcentuales,
dependiendo de la composición y característica del material extraño.

6.2. REDES NEURONALES ARTIFICIALES.

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].

6.2.2. Redes Neuronales Artificiales - Feedforward

El elemento básico de un sistema neuronal biológico es la neurona. Un

sistema neuronal biológico está compuesto por millones de neuronas
organizadas en capas. En la emulación de dicho sistema neuronal biológico,
por medio de un sistema neuronal artificial, se puede establecer una
estructura jerárquica similar a la existente en el cerebro. El elemento esencial
será la neurona artificial, la cual se organizara en capas.

Varias capas constituirán una red neuronal. Finalmente una red neuronal
junto con las interfaces de entrada y salida constituirá el sistema global de
proceso.

Figura 4 Sistema global de proceso de una red neuronal

Extraído de http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf

Se denomina arquitectura a la topología, estructura o patrón de conexionado

de una red neuronal. En una red neuronal artificial los nodos se conectan por
medio de sinapsis, estando el comportamiento de la red determinado por la

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.

La misma está constituida por neuronas interconectadas y arregladas en tres

capas. Los datos ingresan por medio de la “capa de entrada”, pasan a través
de la “capa oculta” y salen por la “capa de salida”. Cabe mencionar que la
capa oculta puede estar constituida por varias capas.

Figura 5 Ejemplo de una red neuronal totalmente conectada.

Extraído de: https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-
redesneuronales.pdf

La distribución de neuronas dentro de la red se realiza formando niveles o

capas, con un número determinado de dichas neuronas en cada una de
ellas. A partir de su situación dentro de la red, se pueden distinguir tres tipos
de capas:

- De entrada: es la capa que recibe directamente la información proveniente

de las fuentes externas o entorno de la red.

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.

- De salidas: transfieren información de la red hacia el exterior.

En la Figura 8 se puede ver el ejemplo de la estructura de una posible red

multicapa, en la que cada nodo o neurona únicamente está conectada con
neuronas de un nivel superior. Notar que hay más conexiones que neuronas
en sí; en este sentido, se dice que una red es totalmente conectada si todas
las salidas desde un nivel llegan a todos y cada uno de los nodos del nivel
siguiente.

6.2.3. APRENDIZAJE, VALIDACIÓN Y CODIFICACIÓN.

6.2.3.1. Mecanismos de aprendizaje.

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).

El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje

se realiza mediante un entrenamiento controlado, por un agente externo
(supervisor, maestro) que determina la respuesta que debería generar la red
a partir de una entrada determinada. El supervisor controla la salida de la red
y en caso de que ésta no coincida con la deseada, se procederá a modificar
los pesos de las conexiones, con el fin de conseguir que la salida obtenida se
aproxime a la deseada.

Las redes con aprendizaje no supervisado (también conocido como

autosupervisado), no requieren influencia externa para ajustar los pesos de
las conexiones entre sus neuronas. La red no recibe ninguna información por
parte del entorno que le indique si la salida generada en respuesta a una
determinada entrada es o no correcta.

Estas redes deben encontrar las características, regularidades, correlaciones

o categorías que se puedan establecer entre los datos que se presenten en
su entrada.
Existen varias posibilidades en cuanto a la interpretación de la salida de
estas redes, que dependen de su estructura y del algoritmo de aprendizaje
empleado.

En algunos casos, la salida representa el grado de familiaridad o similitud

entre la información que se le está presentando en la entrada y las

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.

Este trabajo es analítico descriptivo, porque busca conocer la influencia de 4

variables de cosecha: Variedades de caña (TON), Tipo de cosecha (TON),
Edad de corte (TON) y Tiempo de permanencia (Hrs), en el contenido de
ceniza en producto terminado de azúcar blanco.
Su meta no se limita a la descripción de datos sino a la predicción e
identificación de las relaciones que existen entre dos o más variables. Tiene
fuentes primarias porque los datos se toman de la base de datos del Ingenio
azucarero que presenta la problemática.

Se trabajará con 2 bases de datos, la primera llamada “Datos de

permanencia” que se alimenta a través del software SIAGRI © Biosalc, que
se utiliza en la Industria Azucarera para la captación en línea de la
información de los frentes de cosecha, y la base de datos “Datos análisis
físico- químicos producto terminado” se alimenta a través del Software
SIGIND® Biosalc, por las analistas de control de calidad de azúcar.

La información se descarga del software a Excel© Microsoft, la base de

datos se acota desde el 2017 año donde se evidencia el incremento del
contenido de ceniza en la producción de azúcar hasta el año 2018, con el fin
de tener datos suficientes para el estudio propuesto en el trabajo de grado.

25
7.1. Caracterización del proceso de cosecha y las variables de
cosecha relacionadas con la producción de azúcar.

Mediante la herramienta SIPOC (suppliers, inputs, process, outputs,

customers) siglas en inglés, se realizará el diagrama de flujo del proceso de
azúcar blanco, definiendo claramente sus entradas, salidas, proveedores y
clientes. Recogiendo detalles importantes sobre el inicio y el final del proceso
desde cosecha hasta la producción de azúcar.

Supplie Input Process Output Costum

rs
•Personas u •Información, •Serie de •Producto
er
•Personas,
Organizaciones Materiales actividades o Servicio organizacio
proporcionan suministrado que usado nes u otros
materiales,Infor por transforman por el procesos
mación otros Suppliers los Inputs cliente que
recursos reciben el
Output

Figura 6 Diagrama flujo metodología SIPOC.

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.

7.2. Proponer una arquitectura basada en redes neuronales

artificiales, para la identificación del porcentaje de ceniza en producto
terminado respecto a las variables de cosecha.

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.

Para la aplicación a desarrollar en este proyecto de se debe adecuar el

conjunto de datos de entrada a una determinada forma que sea interpretable
por la toolbox en el entrenamiento de la red.

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.

 Acceder a los datos y prepararlos: En esta etapa se determina la

confiabilidad de la información, es decir, se realizan tareas que garanticen la
utilidad de los datos. Para esto se hace la limpieza de datos (tratamiento de
datos perdidos o remover valores atípicos). Esto implica eliminar variables o
atributos con datos faltantes.

 Cambio de escala: Se debe normalizar las variables, para que tomen

valores entre cero y uno. De esta forma, se elimina el sesgo debido a las
unidades de medida (Ton) y (Hrs). Además, las redes neuronales aumentan
considerablemente al trabajar con valores acotados entre cero y uno. El
motivo de tener que realizar esta normalización se debe a las funciones
utilizadas durante el proceso de entrenamiento, donde se aplicará una
modificación del método del gradiente. Si las entradas no están
normalizadas, se tendrán valores muy altos, donde las funciones de
activación estarán “saturadas” y el gradiente será prácticamente cero, lo que
dificulta el uso de estas técnicas.

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.

 Configurar las entradas y salidas de la red: Con los datos de

Variedades de caña, Tipo de cosecha, Edad de corte y Tiempo de
permanencia, ordenados y codificados en vectores se puede proceder a
formar las matrices necesarias para el entrenamiento de la red neuronal.
Para el entrenamiento de la red neuronal es necesario introducir a la red
neuronal un conjunto de datos que después del procedimiento aplicado
en la red neuronal darán como salida el contenido de ceniza (%) de ese
día. La salida y objetivo de la red neuronal, será el contenido de ceniza
(%) de la fecha correspondiente.

 Entrenar la red: El entrenamiento de la red neuronal consistirá en la

determinación de los pesos sinápticos de cada una de las neuronas. Se
emplean múltiples métodos para determinar los pesos. El método más
conocido es el algoritmo backpropagation, sin embargo, también existen
otros métodos que determinan el valor de los pesos sinápticos, mínimo
error de los cuadrados medios (MSE) de predicción en los datos de
entrenamiento.

 Validar los resultados de la red: La validación analítica de la red

neuronal, consistirá en generar una base de datos (datos de Validación),
distinta a la base de datos generada para entrenar la red neuronal, con el

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.

7.3. Identificación de oportunidades de intervención, mediante un

análisis de sensibilidad basado en el tratamiento de las variables claves
controlables.

Con el algoritmo de la RNA evaluado y aplicado a nuestra base de datos,

identificamos las variables dependientes de cosecha que impactan la
característica de ceniza en el azúcar.

Realizaremos un análisis de sensibilidad (AS), basado en la Estadística

descriptiva con objeto de conocer la influencia relativa de las variables
dependientes en los resultados finales obtenidos con el modelo.

Dependiendo del número de variables que se sensibilicen en forma

simultánea, el análisis puede clasificarse como unidimensional o
multidimensional. En el análisis unidimensional, la sensibilización se aplica a
una sola variable, mientras que en el multidimensional, se examinan los
efectos sobre los resultados que se producen por la incorporación de
variables simultáneas en dos o más variables relevantes.

Interpretando los resultados del análisis de Sensibilidad, se identificaran

oportunidades de intervención en el proceso, para que el ingenio las adopte e
implemente según su viabilidad.

29
8. CRONOGRAMA

SEMANAS AÑO 2019

ACTIVIDAD 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

Identificar variables de cosecha y su interacción en el proceso de azúcar

OBJETIVO 1

Caracterizar proceso de cosecha y producción de azúcar

Realizar diagrama SIPOC
Documentar Capitulo 1
Fundamentación RNA
Organizar y depurar las Bases de Datos
Definir variables de Cosecha
Caracterizar hiperparametros
OBJETIVO 2

Definir arquitecturas y topologías de RNA

Ajustar los parámetros de la red (las ponderaciones y tendencias) para optimizar el
rendimiento
Entrenar la red
Validar los resultados de la red
Presentar resultados
Documentar Capitulo 2
Identificar variables dependientes e independientes de cosecha
OBJETIVO 3

Realizar análisis de sensibilidad bajo herramientas estadísticas

Presentar resultados
Documentar Capitulo 3

30
BIBLIOGRAFIA.

Errecalde, M L. (2009). Preparación de los datos en el proceso KDD: Curso:

Aprendizaje Automático y Minería de Datos. Recuperado de
https://www.researchgate.net/publication/266445601_Preparacion_de_los_da
tos_en_el_proceso_KDD

E.S. González, Sensor Inteligente para el proceso de Cristalización de

Azúcar. Tesis Doctoral, Universidad de Valladolid, Abril 1998.

Gutiérrez H y Vara R. (2013). Control Estadístico de Calidad y Seis Sigma. 3ª

Ed. McGraw-Hill. México.

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

Larrahondo JE Composición y características químicas de la caña de azúcar

y su impacto en el proceso de elaboración del azúcar. 1ª. Ed. Cali, Colombia:
Universidad del Valle. 2012

Ramos AA. Proceso de elaboración de azúcar y etanol de la caña. 2ª. Ed.

Cali, Colombia: Universidad del Valle; 471 pp. 2009

Solomon S. Inshwar Sengh. Post- harvest quality loss of sugarcane

genotypes under sub-tropical climate: Deterioration of whole stalk and billets.
Sugar Tech, vol 5 (4): 285 – 288.2003

Mendoza-Haro.Italo, Marquetti-Nodarse. Hiram, Redes Neuronales

Artificiales: factores que determinan la cosecha de caña en la industria

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

Peter Rein, Ingeniería de la Caña de Azúcar. Berlín: Bartens, 2012

E.S. González, Sensor Inteligente para el proceso de Cristalización de

Azúcar. Tesis Doctoral, Universidad de Valladolid, Abril 1998

Fernando Tadeo, Teresa Álvarez, Susana González. Dpto. Ingeniería de

Sistemas y Automática Facultad de Ciencias, Universidad de Valladolid,
47005 Valladolid, Spain.2017

Portela B , Dornelles C. Selection in sugarcane families with artificial neural

networks. Crop Breeding and Applied Biotechnology 15: 72-78, 2015.
http://dx.doi.org/10.1590/1984-70332015v15n2a14

P. F. Lindeman and M. G. O'Shea, "High molecular weight (HMW) colorants

and their impact on the refinability of raw sugar. A study of Australian and
overseas raw sugars," Proceedings of Australian Society Sugar Cane
Technologist, vol. 23, pp. 322-329, 2001.

Benjamin L. Legendre, "Varietal differences in the chemical composition of

sugarcane," in Chemistry and processing of sugarbeet and sugarcane.
Amsterdam: Elsevier Science Publisher B. V., 1988, pp. 176-185

J. E. Larrahondo et al., "Impact of extraneous matter on post harvest sucrose

losses and quality parameters in sugarcane," Sugar Technologist, vol. 11, no.
2, pp. 171-175, 2009.

Silvia B. Zossi, Gerónimo J. Cárdenas, Natalia Sorol, and Marcos Sastre,

"Influencia de compuestos azúcares y no azúcares en la calidad industrial de
32
caña de azúcar en Tucumán. Parte I y II," Revista Industrial y Agrícola de
Tucumán, vol. 87, no. 1, pp. 15-27, 2010.

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.

Larrahondo. Jesús Eliecer, Composición y características químicas de la

caña de azúcar y su impacto en el proceso de elaboración del azúcar,
Primera ed. Colombia: CENICAÑA, 2012.

Garcia, Ricardo y Arrue, Jose Carlos, La generación de color en el proceso

de producción de azúcar: Influencia de la materia prima, Departamento de
Ingeniería de Procesos y Ciencias Ambientales, Universidad
Centroamericana José Simeón Cañas, El Salvador. 2014.
https://www.researchgate.net/publication/277306610

Álvarez Agudelo, C. P. (septiembre de 2013). Las Redes Neuronales

Artificiales (RNA) Aplicadas al Sistema de Control. Recuperado de
Universidad de
Antioquia:http://aprendeenlinea.udea.edu.co/revistas/index.php/cont/article/vi
ew/25595/21137

Asociación Colombiana para el Avance de la Ciencia. (2010). Redes

Neuronales Artificiales. Innovación y Ciencia, 2(4), 28.

Facultad de Informática - Universidad Nacional de La Plata. (abril de 2015).

Redes Neuronales Artificiales. Aplicaciones en Mineria de Datos y
Procesamiento de Señales Temporales. [PDF] Recuperado de
http://sedici.unlp.edu.ar/bitstream/handle/10915/45598/Documento_completo.
pdf?sequence=1

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

Kohonen, T. (2010). Self-Organization and associative. New York: Springer

Verlag.

Srikamdee Supawadee, Rimcharoen Sunisa & Leelathakul Nutthanon,

Sugarcane Yield and Quality Forecasting Models: Adaptive ES vs. Deep
Learning, Burapha University,Thailand. Published in: Proceedings of the 2nd
International Conference on Intelligent Systems, Metaheuristics & Swarm
Intelligence Pages 6-11. March 24 - 25, 2018.
https://dl.acm.org/citation.cfm?id=3206190

34