Modelamiento de un secador rotatorio directo continuo con aire caliente para la Planta Pesquera COPEINCA S.A.C. Sede Ilo usando las Redes Neurales Artificiales

• Autor: Flores Tuso, César Abel
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Jorge Basadre Grohmann
• Repositorio: UNJBG-Institucional
• Lenguaje: español
• OAI Identifier: oai:172.16.0.151:UNJBG/4550
• Enlace del recurso: http://repositorio.unjbg.edu.pe/handle/UNJBG/4550
• Nivel de acceso: acceso abierto
• Materia: Secador rotatorio; Redes neuronales artificiales; Ecuaciones fenomenológicas; Microsoft Excel; https://purl.org/pe-repo/ocde/ford#2.04.01

El presente trabajo de investigación tiene por objetivo mejorar el proceso de secado de una planta pesquera de harina de pescado. Esto es porque se ha observado que el proceso tradicional industrial de secado puede aumentar su eficacia adaptándose a los nuevos procesos tecnológicos. Para ello se propone un modelo de predicción para que un futuro pueda ser usado en sistemas de automatización y control. El modelo que se propone consiste en predecir los datos de salida con respecto a las variables de humedad de la harina de pescado y la temperatura del aire del secador rotatorio, con el propósito de adelantarnos al resultado de la muestra futura y así tomar las correcciones debidas en los equipos a operar. El método innovador a usarse será el método híbrido neural, el cual consiste en la combinación de las redes neuronales artificiales con las ecuaciones fenomenológicas obtenidas a base de balances de materia y energía. Para facilitar el desarrollo del modelo se realizará en una hoja de cálculo de Microsoft Excel. Se trabajó con datos reales de planta muestreados en los años 2013 y 2014 obtenidos con autorización de la planta pesquera COPEINCA S.A.C. sede Ilo. Algunos datos y constantes físicas del proceso de secado fueron obtenidos a través de bibliografía. Los parámetros a calcular son la velocidad de secado (Ns) y el coeficiente volumétrico de transferencia de calor (Ua) haciendo uso de las redes neuronales artificiales. Luego la estimación manual mediante las ecuaciones fenomenológicas usando los parámetros Ns y Ua ya calculados.