Estudio del espectro infrarrojo FTIR de los cuescos de café obtenido en el proceso de pirólisis lenta utilizando Redes Neuronales Artificiales.

Abstract

Se realizó el estudio del Espectro Infrarrojo FTIR de los cuescos de café obtenido en el proceso de pirólisis lenta utilizando redes neuronales artificiales. Para lo cual, se utilizaron espectros FTIR provenientes del NIST para entrenar la red neuronal GAN que fue la responsable de la generación de nuevos espectros FTIR con características similares a los espectros originales obtenidos del NIST. Posteriormente utilizando los espectros generados y aquellos obtenidos del NIST se entrenaron a las redes neuronales convolucionales; la primera construida con una arquitectura básica y la segunda con capas “dropout” incluidas en su arquitectura. Finalmente se evaluó las Redes Neuronales Convolucionales entrenadas, utilizándolas para el reconocimiento automático de picos de espectros FTIR provenientes del trabajo realizado por (García & Villareal, 2021). Los resultados obtenidos por parte de la red GAN son espectros FTIR artificiales de ciertos compuestos con características muy similares a los espectros FTIR originales obtenidos del NIST. Por otro lado, las redes neuronales convolucionales realizaron reconocimientos exitosos de espectros FTIR en 6 de los 9 compuestos, es decir, concuerdan con los resultados mencionados en el trabajo realizado por (García & Villareal, 2021). Finalmente se evaluó la eficacia de las redes neuronales convolucionales, como por ejemplo para el compuesto anhídrido propiónico la red neuronal convolucional 1 presentó un 50% de reconocimientos exitosos mientras que la red neuronal convolucional 2 presentó un 90%.

The study of the FTIR Infrared Spectrum of coffee husks obtained in the slow pyrolysis process was carried out using artificial neural networks. To do this, FTIR spectra from NIST were used to train the GAN neuronal network responsible for the generation of new FTIR spectra with similar characteristics to the original spectra obtained from NIST. Afterward, using the generated spectra and spectra obtained from NIST, the convolutional neural networks were trained; the first one was built with a basic architecture, and the second one with "dropout" layers included in its architecture. Finally, the trained Convolutional Neural Networks were evaluated, using them for automatic recognition of FTIR spectra peaks from the work carried out by (Garcia & Villareal, 2021). The results obtained by the GAN network are artificial FTIR spectra of certain substances with characteristics very similar to the original FTIR spectra obtained from NIST. On the other hand, the convolutional neural networks performed successful recognitions of FTIR spectra in 6 of the 9 compounds, which is consistent with the results mentioned in the work done by (Garcia & Villareal, 2021). Finally, the efficiency of the convolutional neural networks was evaluated, for instance, for the propionic anhydride compound, the convolutional neural network 1 showed a 50% of successful recognition while the convolutional neural network 2 showed a 90%. Finally, the efficiency of convolutional neural networks was evaluated, such as for the propionic anhydride compound, convolutional neural network 1 presented 50% of successful recognitions while convolutional neural network 2 presented 90%.