Vantagens do Uso de Redes Neurais

Redes neurais têm inúmeras propriedades que dão a elas vantagens sobre outras técnicas computacionais. Na rede neural 8:

1. A informação é distribuída sobre um campo de neurônios; 2. Tem a habilidade para aprender;

3. Tem habilidade para estocar grande quantidade de informação e acessá-la facilmente;

4. É apropriada para processar dados com ruídos, incompletos, ou inconsistentes. Se o valor de uma variável é apagado, o modelo não irá ser afetado substancialmente. A rede minimiza os ruídos, o sinal enviado para, e a partir dos neurônios são funções contínuas;

5. Redes neurais imitam o processo de aprendizagem humano;

6. Possui abstração automática – pode determinar as relações essenciais de entrada e saída automaticamente. A base de conhecimento é simplesmente uma coleção de fatos, regras e heurísticas em um domínio específico de aplicação. Através de treinamento com dados numéricos diretos (às vezes imprecisos), a rede pode automaticamente determinar relações de causa e efeito.

7. Tem potencial de uso em tempo real – pode levar muito tempo para ser treinada, mas uma vez treinada calcula resultados muito rapidamente. Ela tem o potencial para ser usada on line em um sistema de controle.

A rede neural é uma ferramenta 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. Chentouf et al., 1997, 23 apresentaram RNAs

feedforward multicamada, denominadas incrementais, e usaram dados reais para

estudar sua capacidade de filtrar ruídos e evitar overfitting no sistema.

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 credibilidade. A rede neural pode cair em mínimos locais, 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:

6. O tremendo avanço de hardware que possibilitou que o treinamento das redes fosse econômico, relativamente fácil e rápido;

7. O sucesso na aplicação de RNAs que utilizam técnicas algorítmicas ou sistemas especialistas para sensores;

8. A capacidade de extrair informações das plantas industriais de maneira eficiente;

9. Alguns profissionais sustentam que RNAs são mais fáceis de usar e aplicar a processos reais quando comparadas a aproximações de modelos;

10. Finalmente a versatilidade na estrutura e aplicação das RNAs que possibilita seu uso com modelos convencionais (sistemas híbridos).

A.2 SISTEMA HÍBRIDO NEURAL

Embora RNAs tenham se mostrado uma técnica eficiente para a solução de um grande número de problemas, é um grave erro afirmar que elas são suficientes para resolver qualquer tipo de problema. RNAs apresentam vários limitações que não permitem seu uso exclusivo. Sistemas híbridos combinam dois ou mais tipos diferentes de enfoques de modelagem matemática, podendo um deles ser uma RNA, para formar um sistema heterogêneo com características inteligentes 14.

A utilização de redes neurais em modelos híbridos é prática difundida em vários campos 111. Modelos híbridos são constituídos de modelos fenomenológicos acoplados a redes neurais, cuja função é fornecer parâmetros ou substituir equações constitutivas do modelo. A idéia por trás do desenvolvimento de sistemas híbridos é a de que uma única técnica, devido às suas limitações e/ou deficiências, pode não ser capaz, por si só, de resolver um dado problema. Neste caso, a combinação de duas ou mais técnicas pode levar a uma solução mais robusta e eficiente. É importante ressaltar, porém, que a utilização de sistemas híbridos não leva necessariamente a uma melhora do desempenho do sistema como um todo sobre aquele obtido individualmente pelas técnicas que foram combinadas para gerá-los.

Um importante foco de pesquisas em sistemas híbridos tem sido o de combinar técnicas fortemente baseadas em dados (RNAs, por exemplo) com técnicas que utilizam de conhecimento. Algumas abordagens têm sido propostas para integrar RNAs com:

• Estatística; • Lógica fuzzy;

• Sistemas baseados em conhecimento; • Algoritmos genéticos;

• Raciocínio baseado em casos; • Lógica matemática;

• Linguagens formais; • Agentes inteligentes; • Sistemas tutores; • Linguagem natural.

Montecino, 1995, apud 1 descreveu uma metodologia geral para formulação de um modelo híbrido-neural:

• Estabelecer as equações de balanço que junto com relações termodinâmicas e de transporte, permitem relacionar as variáveis de entrada e saída com parâmetros do modelo;

• Determinar quais os parâmetros do modelo que serão estimados pela rede neural e estabelecer a dependência com as variáveis de entrada;

• Determinar a estrutura e o treinamento das redes neurais usando dados obtidos do processo;

• Avaliar a qualidade do ajuste e a capacidade de predição do modelo final usando dados não incluídos no ajuste.

Em reações enzimáticas, muitos efeitos podem influenciar a velocidade de reação, tais como inibição/ativação por produtos e/ou reagentes. A obtenção de modelos que representem adequadamente o comportamento dos dados experimentais não é uma tarefa fácil. Para poder reduzir o número de parâmetros que decorrem do modelo mecanístico usado, geralmente se fazem hipóteses muito simplificadoras. Esses modelos tornam-se restritos e a cinética da reação pouco generalizável.

A aplicação de modelos híbridos usando RNAs em processos biotecnológicos vem aumentando nos últimos anos. Os aspectos do problema que são bem conhecidos são descritos por equações matemáticas, enquanto RNAs descrevem os termos desconhecidos do modelo 79, no nosso caso a cinética de síntese de ampicilina. Ferreira e Kalid, 2000, 56 usaram um sistema híbrido para simular e otimizar a produção de uma planta industrial de isopreno (2-metil-1,3- butadieno). Os autores usaram uma rede neural feedforward para estimar a cinética da reação com função de transferência sigmoidal. Harada et al., 2000, 84 usaram um sistema híbrido-neural para descrever a velocidade específica de crescimento celular numa fermentação alcóolica. A rede neural usou um algoritmo de Levenberg Maquardt em FORTRAN 90. A rede era do tipo feedforward com 6 neurônios na camada oculta. Alencar et al., 2000, 1 usaram o sistema híbrido neural para controle preditivo em uma fermentação alcóolica contínua. As velocidades específicas de crescimento celular, formação de produto e consumo de substrato foram dadas pela rede neural.