000 | 02034nab a22002777 4500 | ||
---|---|---|---|
999 |
_c43933 _d43933 |
||
001 | H(066) UTNSCyT | ||
003 | AR-sfUTN | ||
008 | 190909b xx |||p|r|||| 00| 0 spa d | ||
040 |
_cAR-sfUTN _aAR-SfUTN |
||
080 |
_aH(066) UTNSCyT _22000 |
||
100 | 1 |
_aBaccifava, Ruben L. _920291 |
|
245 | 1 | 0 | _aRendimiento quesero: su predicción como una herramienta para evaluar el proceso de elaboración |
336 |
_2rdacontent _atexto _btxt |
||
337 |
_2rdamedia _asin mediación _bn |
||
338 |
_2rdacarrier _avolumen _bnc |
||
505 | _aNo existe consenso en el modo de predecir el rendimiento quesero. En la actualidad, las ecuaciones disponibles se basan en un balance de masa de componentes que incluyen coeficientes de transferencia y/o retención de un componente en queso o suero, sin considerar desviaciones provocadas por las condiciones de procesamiento, siendo estas tan complejas y diversas que hacen imposible desarrollar un modelo matemático que incluya factores fisicoquímicos, tecnológicos y humanos. En el trabajo, se estudió el rendimiento quesero de queso Cremoso Argentino con datos provistos por la planta piloto de la ESIL situada en Villa Maria. Se modeló e implementó una red neuronal para predicción de rendimiento basado en datos de composición de la leche, comparando el rendimiento real y el predicho. Finalmente, se probó la capacidad de predicción del modelo desarrollado y su aplicación a nivel industrial, demostrándose su aptitud para obtener predicciones precisas de la dimensión Rendimiento Quesero. | ||
650 | _aRENDIMIENTO QUESERO | ||
650 | _aCOMPOSICION LACTEA | ||
650 | _aREDES NEURONALES ARTIFICIALES | ||
650 | _aINTELIGENCIA ARTIFICIAL | ||
700 | 1 | _aPalombarini, Jorge | |
700 | 1 | _aKivatinitz, Silvia C. | |
773 |
_tRevista de Ciencia y Tecnología de la Universidad Tecnologica Nacional _wH(066) UTNSCyT _nS.T.:H(066) UTNSCyT PP4337 _g(vol. 15, nro. 30, Mar. 2017), p. 7-16 |
||
942 |
_cAN _2udc |