Optimization of process parameters in feed manufacturing using artificial neural network

Se presenta la problemática de las productoras y fabricadoras, por lo tanto, se realiza el uso de la optimización por medio del uso de redes neuronales artificiales (ver fig. 1), para mejorar los procesos de producción de los mismos, se identificaron cinco parámetros críticos donde la tasa de producción es uno de los más importantes.

Fig. 1. Redes neuronales artificiales. Ejemplo de una red neuronal totalmente conectada.

Imagen tomada del artículo

Como se mencionó anteriormente, este procedimiento se implementará junto al uso de redes neuronales artificiales, teniendo en cuenta que su salida está conformada por la tasa de producción, y que sus parámetros de entrada son el tamaño de alimentación de pure, la temperatura del vapor, el tiempo de acondicionamiento y la velocidad de alimentación. Este mecanismo se implementa para conseguir una automatización en los procesos actuales de los piensos, la mejoría se verá reflejada en sus costos y efectividad de producción, pero el impacto de la optimización realmente se basa en las mejoras de sus procesos algorítmicos, es decir, en su receta, en cómo se realiza su paso a paso en la preparación es el punto donde radica realmente la implementación de mejorar aspectos como se mencionó anteriormente:
- Tamaño de la alimentación de pure.
- Temperatura del vapor.
- Tiempo de acondicionamiento.
- Velocidad de alimentación.

Además de que para poder realizar correctamente la optimización se debía tener en cuenta las operaciones en una fábrica, es decir, el ingrediente crudo que recibe, la distribución y almacenamiento de ingredientes crudos, el moliendo, la dosificación, el proceso de mezclado, el acondicionamiento, la granulación, el almacenamiento final del producto y carga; cada uno de estos factores fueron importantes características para saber cómo aplicar una correcta optimización.

Referencias

L. Sudha, R. Dillibabu, S. S. Srinivas, and A. Annamalai, “Optimization of process parameters in feed manufacturing using artificial neural network,” Comput. Electron. Agric., vol. 120, pp. 1–6, 2016.