Avaliação De Métodos De Convergência No Treinamento De Redes Neurais Artificiais Aplicadas À Predição De Índice De Iodo, Viscosidade E Densidade Em Biodiesel

Abstract

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,