amplamente modelos determinísticos cada vez mais complexos. No entanto, em alguns casos, esses modelos não se aplicam devido à falta de informação experimental ou mesmo à complexidade do sistema em estudo. 80 Como já visto, a síntese enzimática cineticamente controlada de ampicilina realizada neste trabalho partiu de EMFG e 6-APA. O uso de EMFG para acilação do anel β-lactâmico, 6-
APA, resulta num sistema reativo série-paralelo, cujas reações indesejadas de hidrólise (do EMFG e do antibiótico) ocorrem simultaneamente à de formação do antibiótico (Figura 2.13). Vários autores apresentaram modelos cinéticos para as reações de síntese de antibióticos β-lactâmicos, 47,52,53,73,95,97,134,135 porém todos
vêm acompanhados de numerosas simplificações. Modelos semi-empíricos e mecanísticos clássicos simplificados não conseguem ser extrapolados para toda a faixa de estudo.
Figura 2.13: Reações envolvidas na síntese enzimática de ampicilina a partir de EMFG.
A cinética da síntese enzimática de antibióticos β-lactâmicos semi-sintéticos é complexa e altamente não-linear. Conseqüentemente, sua modelagem mecanística conduz a equações de velocidade de reação com grande número de parâmetros. O desenvolvimento de modelos empíricos alternativos tem grande relevância neste caso. Uma alternativa factível aos modelos cinéticos convencionais é o uso de redes neurais artificiais (RNA), uma técnica de inteligência artificial cujo ponto forte é apreender as características da resposta de um sistema a partir de conjuntos experimentais de dados de entrada e/ou saída. Esta ferramenta apresenta a capacidade de reproduzir comportamentos não- lineares complexos diretamente a partir de dados do processo, e de se adaptar a mudanças no comportamento dinâmico do mesmo através de um procedimento de treinamento ou aprendizado. 1 Assim, RNAs podem substituir ou complementar modelos determinísticos. A aplicação de RNAs em processos biotecnológicos vem aumentando nos últimos anos. Elas têm sido utilizadas para estimar variáveis de estado, para determinar fases biológicas em conjunto com sistemas especialistas, monitorando reatores bioquímicos. 94
Uma RNA é composta por um conjunto de neurônios com capacidade de processamento, e sua topologia define a forma como estes neurônios estão conectados. Seja x um conjunto de dados de entrada, f(x) a função saída. A
estimativa da saída f(x) é f(x), função do vetor de entrada e dos coeficientes de adaptação da rede (pesos) w. De uma maneira geral, o que se deseja obter é o valor do incremento ∆w a ser aplicado ao vetor w que faça f(x) aproximar-se de f(x). Este procedimento é chamado de treinamento ou aprendizado da rede. Dois eficientes algoritmos para isso são os de Marquardt (1963), para problemas de menores dimensões, e o de retropropagação, que não leva em conta todas as dimensões do erro para o cálculo de seu gradiente com respeito aos pesos a cada iteração, mas às custas de uma convergência mais lenta. Este último algoritmo é mais adequado a redes com maior número de neurônios. Ambos buscam o valor de w que, em geral, minimiza o quadrado da norma dos erros, ||f(x) – f(x)||2; usualmente, recai-se em problema de mínimos quadrados.
Os neurônios são a base da rede neural. Os componentes de um neurônio artificial são: 8
1. Entradas e Saídas 2. Pesos
3. Limiar do Neurônio 4. Funções de Transferência
A arquitetura de uma RNA se refere a como seus neurônios estão interconectados. Fazem parte da definição da arquitetura os seguintes parâmetros: número de camadas da rede, número de neurônios em cada camada, tipo de conexão entre os neurônios.
Treinar uma rede neural consiste em um processo iterativo de ajuste de parâmetros: os pesos das conexões entre as unidades de processamento, que guardam, ao final do processo, o conhecimento que a rede adquiriu do ambiente em que está operando. Diversos métodos para treinamento de redes foram desenvolvidos, podendo ser agrupados em dois grupos principais: aprendizado supervisionado e aprendizado não supervisionado. Outros dois grupos bastante conhecidos são os de aprendizado por reforço (caso particular de aprendizado supervisionado) e aprendizado por competição (caso particular de aprendizado não-supervisionado).
Existem vários algoritmos para treinar redes. Uma das formas mais comuns de treinamento de redes neurais é o método de correção de erros. Uma das técnicas dessa classe é conhecida como retropropagação (back-propagation). 8
O algoritmo de retropropagação é supervisionado e utiliza pares (entrada, saída desejada) para, por meio de um mecanismo de correção de erros, ajustar os pesos da rede. O treinamento ocorre em duas fases, chamadas de fase forward e fase backward. A fase forward é utilizada para definir a saída da rede para um dado padrão de entrada. A fase backward utiliza a saída desejada e a saída fornecida pela rede para atualizar os pesos de suas conexões.
Existem muitos parâmetros que controlam o desempenho e capacidade preditiva de uma RNA. Para se obter uma rede eficiente, deve-se levar em conta vários aspectos. No caso da RNA escolhida neste trabalho, eles são: (1) seleção do número de camadas ocultas e do número de neurônios nelas contidos; (2) normalização do conjunto de dados de entrada/saída; (3) inicialização dos pesos; (4) determinação da taxa de aprendizado e do termo de momento; (5) seleção de uma função de transferência apropriada e (6) realização de testes de sobre- treinamento e de validação.
A rede neural é um exemplo de modelo empírico e opera por ajuste de curva. É paralela, pois cada neurônio trabalha independentemente dos outros. Por causa do paralelismo, redes neurais têm uma melhor capacidade de filtração de dados com ruídos ou incompletos. Porém, a rede neural tem algumas limitações, pois necessita de longos tempos de treinamento, grandes quantidades de dados para o treinamento e não tem nenhuma garantia de bom resultado e robustez em extrapolações. A rede neural pode cair em mínimos locais durante seu treinamento, ser precisa em determinadas regiões e imprecisas em outras.
A explosão do uso de redes neurais aplicadas a engenharia pode ser atribuída a algumas razões: 90
1. O grande avanço de hardware que possibilitou que o treinamento das redes fosse econômico, relativamente fácil e rápido;
2. O sucesso na aplicação de RNAs, que utilizam técnicas algorítmicas, como sensores;
3. A capacidade de extrair informações das plantas industriais de maneira eficiente;
4. Alguns profissionais sustentam que RNAs são mais fáceis de usar e aplicar a processos reais quando comparadas a modelos polinomiais ou estatísticos; 5. Finalmente a versatilidade na estrutura e aplicação das RNAs possibilita seu
uso com modelos convencionais (sistemas híbridos).