Redes Neurais Artificiais são métodos de calibração bem estabelecidos com vantagens explícitas na modelagem de bancos de dados grandes e complexos. O princípio básico da ANN será apresentado e o ‘poder’ das ANN exemplificado por um estudo de caso sobre a previsão de Cor em amostras de Açúcar utilizando o NIRS DS2500 da FOSS.
Douglas Beletti e Vinícius Passos, CETEC Equipamentos, 2021.
Do cérebro para o computador
A inspiração original para o desenvolvimento de redes neurais artificiais veio da neurociência. Os neurônios do cérebro estão conectados por meio de redes complexas e esse conceito foi a inspiração para a Rede Neural Artificial como uma analogia à rede neural biológica humana. O cérebro humano possui habilidades extraordinárias de reconhecimento de padrões com respeito ao mundo ao nosso redor; com base na entrada para os sentidos transmitidos ao cérebro, as decisões são tomadas e os padrões são discernidos e reconhecidos com grande confiança. Por outro lado, é muito difícil para o cérebro humano extrair informações qualitativas e, especialmente, quantitativas sobre parâmetros em amostras utilizando os espectros NIR – nesses casos, as Redes Neurais Artificiais farão um excelente trabalho.
![](https://fermentec.com.br/wp-content/uploads/2021/02/cetec_webmeeting_fermentec_01-1.jpg)
Network design
Uma rede neural pode ter vários designs; como exemplo, vamos nos concentrar nas chamadas redes de duas camadas pro-alimentadas que incluem a) entradas, b) uma camada oculta e c) uma camada de saída – consulte a Figura 2 (as entradas não contam como camadas na terminologia ANN). Os neurônios de entrada – primeira camada de neurônios ou unidades – representam simplesmente os valores espectrais registrados; no caso de espectros de transmissão NIR de açúcar, temos registros para cada 0,5 nm de 400 nm a 2500 nm correspondendo a 4200 dados de entrada. Diferentes métodos de pré-processamento podem ser aplicados antes de alimentar os espectros na rede; não os descreveremos aqui, mas enfatizaremos que o pré-processamento inteligente é essencial para obter modelos robustos e de bom desempenho; na FOSS, usamos um estágio de pré-processamento matemático proprietário antes que as calibrações de rede neural artificial sejam desenvolvidas.
![](https://fermentec.com.br/wp-content/uploads/2021/02/cetec_webmeeting_fermentec_02-1.jpg)
Determinação de cor no açúcar utilizando redes neurais artificiais
Ao utilizar modelos de previsão baseados em redes neurais artificiais abrimos a possibilidade de lidar com problemas não lineares e também utilizar o sistema de agrupamentos de padrões para prever com maior acurácia em uma calibração local, global ou também com diferentes produtos – o que chamamos aqui de multi-product calibration. Aqui avaliaremos a previsão do parâmetro COR em amostras de diferentes tipos de açúcar, contemplando VHP, Cristal, Amorfo e Granulado e comparamos a capacidade dos modelos ANN modelar não linearidades em relação ao mPLS e suas performances a partir dos valores RMSEP (Erro Padrão de Previsão) em comparação com os modelos locais, também nos dois algoritmos.
Banco de dados
É extremamente importante ter o máximo de variação relevante representada em seu banco de dados de calibração para obter previsões robustas e precisas, bem como para garantir a estabilidade ao longo do tempo.
O banco de dados FOSS/CETEC utilizado para confecção do modelo apresenta as seguintes características:
- Mais de 25.000 amostras de açúcar;
- Amostras coletadas em diferentes regiões ao longo de 5 safras com diferentes processos, geografias e sazonalidades;
- Diferentes tipos de açúcar entre eles VHP, VVHP, Cristal, Refinado Amorfo e Refinado Granulado;
- Faixa de 10 a 2000 UI;
- Diferentes instrumentos NIRS DS2500.
Desenvolvimento do modelo & previsão
O modelo ANN foi treinado com as 25.000 amostras do banco de dados para obter a configuração ideal de todos os pesos na rede – como descrito, esta é uma tarefa complexa, mas pode ser facilmente realizada pelo computador. Quando ANN é treinada, os pesos são fixos e temos um modelo onde conhecemos todas as configurações e agora é fácil realizar a previsão da cor para uma nova amostra. O espectro é registrado (50 segundos) e inserido na arquitetura da ANN com os pesos treinados. Por pré-processamento, multiplicação, adição e transferência de função não linear desses dados de entrada, obtemos uma estimativa do conteúdo de cor da amostra analisada. Na Figura 3, o modelo é avaliado no conjunto de teste independente cobrindo todas as variações possíveis e também comparado com os diferentes tipos açúcares e seus modelos locais. O valor RMSEP (Erro Padrão de Previsão) varia de acordo com o tipo de açúcar e faixa de cor conforme método ICUMSA e tanto localmente quanto globalmente os modelos ANN apresentam melhor performance.
![](https://fermentec.com.br/wp-content/uploads/2021/02/cetec_webmeeting_fermentec_03-1.jpg)
Os modelos lineares não são capazes de lidar com esses dados não lineares e terão um desempenho muito inferior que o modelo ANN como podemos visualizar nas regressões da figura 4.
![](https://fermentec.com.br/wp-content/uploads/2021/02/cetec_webmeeting_fermentec_04-2.jpg)
Conclusão
As redes neurais artificiais são muito eficientes para a extração de informações quantitativas de grandes bancos de dados espectroscópicos onde a não linearidade é inerente devido a complexas variações biológicas, ambientais e instrumentais. A base para um modelo de ANN de bom desempenho é um banco de dados abrangente que contemple todas as variações relevantes e ferramentas de modelagem eficientes e otimizadas. A combinação de ANN e um banco de dados bem estruturado oferece maior robustez, estabilidade e por último, mas não menos importante, precisão. Os modelos globais ANN possuem várias vantagens sobre os modelos locais mPLS em relação ao monitoramento do processo: [1] a implementação dos modelos globais ANN permitem uma simples manutenção de calibrações porque apenas um modelo por parâmetro de qualidade teria que ser mantido. [2] a implementação permite uma estimativa mais precisa dos parâmetros de qualidade e, portanto, um melhor monitoramento do processo.
A empresa Cetec é patrocinadora do Webmeeting Fermentec Reunião Anual 2021