Aplicaciones didácticas de redes neuronales mediante Excel® para Ingeniería Química y Bioquímica
Palabras clave:
Inteligencia Artificial Aplicada, Modelos de Redes Neuronales, Optimización en Ingeniería, Modelos algebraicos.Resumen
Actualmente se pueden encontrar aplicaciones de redes neuronales artificiales en diversos campos debido al rápido desarrollo de la tecnología de la información, abriendo paso a una nueva era de la Identificación de Sistemas (IS) que abarca cada aspecto de nuestra sociedad. El objetivo del presente trabajo es proporcionar a la comunidad estudiantil una visión de las metodologías generales con el fin de proporcionar a los estudiantes un panorama de la Identificación de Sistemas y sus aplicaciones potenciales en ingeniería química y bioquímica. Por lo tanto, se expone el fundamento de los algoritmos de Redes Neuronales Artificiales utilizando un software de hoja de cálculo electrónica (Microsoft Excel®). El manejo de resultados experimentales, construcción de modelos con ecuaciones algebraicas, uso de funciones y modelos matemáticos de minimización, así como el manejo de la herramienta de optimización (SOLVER™) se utilizaron para expresar los conceptos esenciales. Este procedimiento se aplicó, de forma didáctica, a diferentes casos de estudio utilizando redes neuronales feedforward, redes neuronales Dynamic-feedback, redes neuronales dinámicas continuas diferenciales (modelos de caja negra) y redes neuronales híbridas complementarias (Cajas Gris o modelos híbridos). Estos modelos requieren información a través de datos de entrada y generan una salida que predice comportamientos complejos y no lineales. Este trabajo proporciona una introducción al estudiante para que pueda usar modelos básicos de inteligencia artificial aplicados a la ingeniería química y bioquímica.
Referencias
[1] E. Esche, J. Weigert, G. Brand Rihm, J. Göbel, and J.-U. Repke, “Architectures for neural networks as surrogates for dynamic systems in chemical engineering”, Chemical Engineering Research and Design, vol. 177, pp. 184–199, Jan. 2022, doi: 10.1016/j.cherd.2021.10.042.
[2] M. Mowbray et al., “Machine learning for biochemical engineering: A review”, Biochem Eng J, vol. 172, no. May, p. 108054, 2021, doi: 10.1016/j.bej.2021.108054.
[3] D. M. Himmelblau, “Applications of artificial neural networks in chemical engineering”. Korean Journal of Chemical Engineering, vol. 17, no. 4, pp. 373–392, Jul. 2000, doi: 10.1007/BF02706848.
[4] J. Panerati, M. A. Schnellmann, C. Patience, G. Beltrame, and G. S. Patience, “Experimental methods in chemical engineering: Artificial neural networks–ANNs”, Canadian Journal of Chemical Engineering, vol. 97, no. 9, pp. 2372–2382, 2019, doi: 10.1002/cjce.23507.
[5] A. Sato, Z. Sha, and S. Palosaari, “Neural networks for chemical engineering unit operations”, Chem Eng Technol, vol. 22, no. 9, pp. 732–739, 1999, doi: 10.1002/(SICI)1521-4125(199909)22:9<732::AID-CEAT732>3.0.CO;2-1.
[6] M. Pirdashti, S. Curteanu, M. H. Kamangar, M. H. Hassim, and M. A. Khatami, “Artificial neural networks: Applications in chemical engineering”, Reviews in Chemical Engineering, vol. 29, no. 4, pp. 205–239, 2013, doi: 10.1515/revce-2013-0013.
[7] J. S. Almeida, “Predictive non-linear modeling of complex data by artificial neural networks”, Curr Opin Biotechnol, vol. 13, no. 1, pp. 72–76, 2002, doi: 10.1016/S0958-1669(02)00288-4.
[8] D. M. Himmelblau, “Accounts of experiences in the application of artificial neural networks in chemical engineering”, Ind Eng Chem Res, vol. 47, no. 16, pp. 5782–5796, 2008, doi: 10.1021/ie800076s.
[9] A. Aglodiya, “Application of Artificial Neural Network (ANN) in Chemical Engineering : A Review”, International Journal of Advance Research and Innovative Ideas in Education, vol. 3, no. 2, pp. 5322–5328, 2017, [Online]. Available: http://ijariie.com/AdminUploadPdf/Application_of_Artificial_Neural_Network__ANN__in_Chemical_Engineering__A_Review_ijariie5013.pdf
[10] M. N. Karim and S. L. Rivera, “Artificial neural networks in bioprocess state estimation”. Adv Biochem Eng Biotechnol, vol. 46, pp. 1–33, 1992, doi: 10.1007/bfb0000703.
[11] K. M. Desai, S. A. Survase, P. S. Saudagar, S. S. Lele, and R. S. Singhal, “Comparison of artificial neural network (ANN) and response surface methodology (RSM) in fermentation media optimization: Case study of fermentative production of scleroglucan”. Biochem Eng J, vol. 41, no. 3, pp. 266–273, 2008, doi: 10.1016/j.bej.2008.05.009.
[12] J. D. Olden and D. A. Jackson, “Illuminating the ‘black box’: a randomization approach for understanding variable contributions in artificial neural networks”, Ecol Modell, vol. 154, no. 1–2, pp. 135–150, Aug. 2002, doi: 10.1016/S0304-3800(02)00064-9.
[13] R. Rico-Martínez, K. Krischer, I. G. Kevrekidis, M. C. Kube, and J. L. Hudson, “Discrete- vs. Continuous-time nonlinear signal processing of Cu electrodissolution data”, Chem Eng Commun, vol. 118, no. 1, pp. 25–48, Nov. 1992, doi: 10.1080/00986449208936084.
[14] Q. Xiong and A. Jutan, “Grey-box modelling and control of chemical processes”, Chem Eng Sci, vol. 57, no. 6, pp. 1027–1039, 2002, doi: 10.1016/S0009-2509(01)00439-0.
[15] T. Muneer and S. Ivanova, “Excel-VBA”, in Springer Nature, vol. 4, no. 1, Cham: Springer International Publishing, 2022, pp. 143–160. doi: 10.1007/978-3-030-94085-0.
[16] W. Fone, “Using a familiar package to demonstrate a difficult concept”, ACM SIGCSE Bulletin, vol. 33, no. 3, pp. 165–168, Sep. 2001, doi: 10.1145/507758.377675.
[17] B. E. Segee and M. D. Amos, “Artificial Neural Networks using Microsoft Excel for Windows 95”, ASEE Annual Conference Proceedings, 1997, doi: 10.18260/1-2--6424.
[18] S. Demir, N. M. Demir, A. Karadeniz, and H. C. Yörüklü, “Implementation of an MS Excel Tool for Backpropagation Neural Network Algorithm in Environmental Engineering Education”. Sigma: Journal of Engineering & Natural Sciences / Mühendislik ve Fen Bilimleri Dergisi, vol. 36, no. 1, pp. 251–260, 2018, [Online]. Available: https://search.ebscohost.com/login.aspx?direct=true&db=a9h&AN=133819222&site=ehost-live&scope=site
[19] J. García et al., “Hojas de cálculo para la simulación de redes neuronales artificiales (RNA)”, Qüestiió: Quaderns d’Estadística i lnvestigació Operativa, vol. 26, no. 1–2, pp. 289–305, 2002, [Online]. Available: https://idus.us.es/handle/11441/41001
[20] T. Muneer and S. Ivanova, “Artificial Neural Networks in Excel”, in Excel-VBA, Cham: Springer International Publishing, 2022, pp. 143–162. doi: 10.1007/978-3-030-94085-0_9.
[21] R. González-García, R. Rico-Martínez, and I. G. Kevrekidis, “Identification of distributed parameter systems: A neural net based approach”, Comput Chem Eng, vol. 22, pp. S965–S968, Mar. 1998, doi: 10.1016/S0098-1354(98)00191-4.
[22] R. Rico-Martinez, J. S. Anderson, and I. G. Kevrekidis, “Continuous-time nonlinear signal processing: a neural network based approach for gray box identification”, in Proceedings of IEEE Workshop on Neural Networks for Signal Processing, IEEE, 1994, pp. 596–605. doi: 10.1109/NNSP.1994.366006.
[23] J. E. Gallot, M. P. Kapoor, and S. Kaliaguine, “Kinetics of 2-hexanol and 3-hexanol oxidation reaction over TS-1 catalysts”, AIChE Journal, vol. 44, no. 6, pp. 1438–1454, Jun. 1998, doi: 10.1002/aic.690440621.
[24] Fard Masoumi, H. R., Basri, M., Kassim, A., Abdullah, D. K., Abdollahi, Y., Gani, S. S. A., & Rezaee, M., “Optimization of process parameters for lipase-catalyzed synthesis of esteramines-based esterquats using wavelet neural network (WNN) in 2-liter bioreactor”, Journal of Industrial and Engineering Chemistry, vol. 20, no. 4, pp. 1973–1976, Jul. 2014, doi: 10.1016/j.jiec.2013.09.019.
[25] V. Dua, “An Artificial Neural Network approximation based decomposition approach for parameter estimation of system of ordinary differential equations”, Comput Chem Eng, vol. 35, no. 3, pp. 545–553, Mar. 2011, doi: 10.1016/j.compchemeng.2010.06.005.
[26] R. Bellman, J. Jacquez, R. Kalaba, and S. Schwimmer, “Quasilinearization and the estimation of chemical rate constants from raw kinetic data”, Math Biosci, vol. 1, no. 1, pp. 71–76, Mar. 1967, doi: 10.1016/0025-5564(67)90027-2.
