Please use this identifier to cite or link to this item: https://repositorio.ufpb.br/jspui/handle/123456789/13555
metadata.dc.type: TCC
Title: Rede neural para previsão de velocidade de produção enzimática da ampicilina
metadata.dc.creator: Carvalho, André de Brito
metadata.dc.contributor.advisor1: Ferreira, Andrea Lopes de Oliveira
metadata.dc.description.resumo: Os antibióticos correspondem a maior rede de produção da indústria farmacêutica utilizados na medicina humana e veterinária, principalmente na avicultura e na suinocultura. A produção enzimática de antibióticos é complexa e não linear. Consequentemente, sua modelagem possui equações de velocidade com grande número de parâmetros. Nesse contexto, as redes neurais surgem como uma alternativa aos modelos cinéticos convencionais. Trata-se de uma ferramenta computacional que apresenta modelos matemáticos inspirados nos neurônios humanos, o que permite, após treinamento, auxíliar no estudo e aprimoramento dos dados de produção. A aplicação de redes neurais em processos biotecnológicos vem sido utilizada por anos, podendo ser utilizada para estimar variáveis de estado, determinar fases biológicas, monitorar reatores bioquímicos. Este trabalho utilizou a metodologia de rede neural para obter modelo cinético para a síntese enzimática de ampicilina a partir de éster metílico de fenilglicina e ácido 6-aminopenicilânico catalisada por penicilina G acilase imobilizada em quitosana. A metodologia para o treinamento e simulação da rede neural usada neste trabalho iniciou-se com a obtenção de uma base de dados de velocidades de produção do antibiótico (Ampicilina), de hidrólises do reagente e do produto. A base de dados foi montada em pares de dados de concentração e velocidade para formação da matriz de treinamento, simulação e validação. Para modelar a rede neural foram utilizados comandos no Silab. O número de camadas ocultas, o número de neurônios e o modelo matemático foram definidos para a realização do treinamento, simulação e validação da rede neural. Foram testadas diferentes funções de transferência e a função Pureling mostrou-se a menos precisa. Foram realizados múltiplos treinamentos mudando os seus parâmetros com o objetivo de se obter a melhor combinação de forma a prever a velocidade de produção do antibiótico. A configuração que obteve os melhores resultados em relação aos erros foi usando a função transferência tansig e com 100 neurônios na camada oculta.
Abstract: The antibiotics correspond to the largest production network of the pharmaceutical industry used in human and veterinary medicine, mainly in poultry and swine farming. The enzymatic production of antibiotics is complex and non-linear. Therefore, its modelling owns rate equations with a large number of parameters. In this context, neural networks emerge as an alternative to conventional kinetic models. It is a computational tool that presents mathematical models inspired by human neurons, which allows, after training, to assist in the study and improvement of production data. The application of neural networks in biotechnological processes has been used for years, in order to estimate state variables, to determine biological phases, and to monitor biochemical reactors. The present study utilized the neural network methodology to obtain a kinetic model for the enzymatic synthesis of ampicillin from phenylglycine methyl ester and 6-aminopenicillanic acid catalyzed by penicillin G acylase, immobilized on chitosan. The methodology for the training and simulation of the neural network used in this study began with obtaining a database of antibiotic production rates (Ampicillin), hydrolysis of the reagent and the product. The database was assembled in pairs of concentration and velocity data to form a matrix of training, simulation and validation. Commands in Silab were used to shape the neural network. The number of hidden layers, the number of neurons and the mathematical model were defined for the training, simulation and validation of the neural network. Different transfer functions were tested and the Pureling function proved to be the less precise. Multiple training sessions were accomplished, changing its parameters, in order to obtain the best combination to predict the rate of antibiotic production. The transfer function Tansig, with 100 neurons in the hidden layer, provided the configuration that obtained the best results, in regards to the errors.
Keywords: antibiótico
ampicilina
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal da Paraíba
metadata.dc.publisher.initials: UFPB
metadata.dc.publisher.department: Engenharia Química
metadata.dc.rights: Acesso Aberto
URI: https://repositorio.ufpb.br/jspui/handle/123456789/13555
Issue Date: 26-Jun-2018
Appears in Collections:TCC - Engenharia Química

Files in This Item:
File Description SizeFormat 
ABC29062018.pdf869,69 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.