Nesta seção serão apresentados os resultados de teste de robustez do controlador nebuloso. Foi utilizado um segundo conjunto de dados (A12) de cultivo de E. coli para expressão de proteínas recombinantes, também gentilmente cedidos por Horta (HORTA, 2011).
4.3.1. Resultados utilizando o simulador simples
Após testes utilizando diversas redes neurais, o resultado do treinamento da Rede 1 escolhida (para o segundo conjunto de dados, A12) é mostrado na Tabela 11.
Tabela 11 - Resultados do treinamento da rede neural (Rede 1) para o segundo conjunto de dados
Amostras R
Treinamento 290 0,77393
Validação 62 0,72218
Teste 62 0,62811
Fonte: Acervo Pessoal
Observa-se que ao comparar os valores de R dispostos na Tabela 9 com os resultados da Tabela 11, nota-se que foi possível obter um melhor R ao aumentar o número de neurônios da camada escondida de 15 (treinamento de R1 para o primeiro conjunto de dados) para 20 (treinamento de R1 para o segundo conjunto de dados).
Os melhores resultados para as vazões de ar e oxigênio, utilizando o simulador simples, são mostrados nas Figuras 38 e 39, respectivamente.
Figura 38 - Vazão de ar (l/min) em função do tempo (h) utilizando o simulador simples (segundo conjunto de dados).
Figura 39 - Vazão de oxigênio (l/min) em função do tempo (h) utilizando o simulador simples (segundo conjunto de dados).
Fonte: Acervo pessoal
O Quadro 19 mostra as novas faixas de valores ótimos para QarEscolha e QO2Escolha utilizados no simulador simples.
Quadro 19 - Faixas de valores ótimos para QarEscolha e QO2Escolha utilizados no simulador simples
Faixa de valores QarP / QO2P
QarEscolha ≥ 16 QarP = QarantP + DeltaP
QarEscolha < 16 QarP = QarantP - DeltaP
QO2Escolha ≥ 6 QO2P = QO2antP + DeltaP
QO2Escolha ≤ 4 QO2P = QO2antP - DeltaP
4 < QO2Escolha < 6 QO2P = QO2antP
Fonte: Acervo Pessoal
Como o conjunto utilizado para o retreinamento da rede neural difere do conjunto utilizado no treinamento dos sistemas de inferência nebulosos pelo ANFIS, novas faixas de valores ótimos para QarEscolha e QO2Escolha foram heuristicamente determinadas. Isso possibilitou que não fosse necessário reajuste nas funções definidas pelo ANFIS para o controlador nebuloso. Novamente, as tendências das necessidades das vazões de ar e oxigênio requeridas pelo cultivo de Escherichia coli para expressão de proteínas recombinantes foram seguidas. Este resultado demonstra a robustez do controlador nebuloso proposto. Na Figura 40, plotou-se o gráfico da porcentagem de oxigênio dissolvido experimental (linha preta), obtido
utilizando a árvore de decisão, juntamente com os dados de oxigênio dissolvido simulados (linha vermelha), obtidos utilizando o controlador nebuloso, em função do tempo.
Figura 40 - Comparação entre as porcentagens de oxigênio dissolvido simulado e experimental utilizando o simulador simples (segundo conjunto de dados).
Fonte: Acervo pessoal
Utilizando o controle nebuloso foi possível manter a porcentagem de oxigênio dissolvido em valores muito próximos ao valor ótimo de 30% durante todo o cultivo. De um modo geral, os picos de oxigênio dissolvido foram abrandados, ou seja, a resposta ao controle nebuloso foi mais suave em relação ao controle por árvore de decisão.
4.3.2. Resultados utilizando o simulador avançado
O resultado do treinamento da rede neural escolhida (Rede 2) é mostrado na Tabela 12.
Tabela 12 - Resultados do treinamento da rede neural (Rede 2) para o segundo conjunto de dados
Amostras R
Treinamento 5160 0,98335
Validação 1106 0,98122
Teste 1106 0,97978
Fonte: Acervo Pessoal
Observa-se que, ao comparar os valores de R dispostos na Tabela 10 com os resultados da Tabela 12, nota-se uma diminuição nos valores de R para as três fases (treinamento, validação e teste). Após diversos testes constatou-se a necessidade de diminuição do número
de neurônios da camada escondida da rede neural, uma vez que a mesma estava “super- treinada”. Uma vez reduzido o número de neurônios da camada escondida de 15 (treinamento de R2 para o primeiro conjunto de dados) para 4 (treinamento de R2 para o segundo conjunto de dados) houve uma pequena redução no valor de R.
Os melhores resultados para as vazões de ar e oxigênio, utilizando o simulador avançado são mostrados nas Figuras 41 e 42 respectivamente.
Figura 41 - Vazão de ar (l/min) em função do tempo (h) utilizando o simulador avançado (segundo conjunto de dados).
Fonte: Acervo Pessoal
Figura 42 - Vazão de oxigênio (l/min) em função do tempo (h) utilizando o simulador avançado (segundo conjunto de dados).
O Quadro 20 mostra as novas faixas de valores ótimos para QarEscolha e QO2Escolha utilizados no simulador avançado.
Quadro 20 - Faixas de valores ótimos para QarEscolha e QO2Escolha utilizados no simulador avançado.
Faixa de valores QarP / QO2P
QarEscolha ≥ 7 QarP = QarantP + DeltaP
QarEscolha < 7 QarP = QarantP - DeltaP
QO2Escolha ≥ -108 QO2P = QO2antP + DeltaP
QO2Escolha ≤ -195 QO2P = QO2antP - DeltaP
-195 < QO2Escolha < -108 QO2P = QO2antP
Fonte: Acervo Pessoal
Novamente, como o conjunto utilizado para o retreinamento da rede neural difere do conjunto utilizado no treinamento dos sistemas de inferência nebulosos pelo ANFIS, novas faixas de valores ótimos para QarEscolha e QO2Escolha foram heuristicamente determinadas. Há de se notar que houve uma mudança significativa para os valores de QO2Escolha (comparando os Quadros 18 e 20). Isso poderia ser de se esperar, já que existe uma ampla faixa de valores para os coeficientes “a”, “b”, “c”, “d”, “e” e “f”, conforme observado na Tabela 14 apresentada no Apêndice C. Novamente, as tendências das necessidades das vazões de ar e oxigênio requeridas pelo cultivo de Escherichia coli para expressão de proteínas recombinantes foram seguidas. Este resultado demonstra a robustez do controlador nebuloso proposto. Na Figura 43, plotou-se o gráfico da porcentagem de oxigênio dissolvido experimental (linha preta), obtido utilizando a árvore de decisão, juntamente com os dados de oxigênio dissolvido simulados (linha vermelha), obtidos utilizando o controlador nebuloso, em função do tempo.
Figura 43 - Comparação entre as porcentagens de oxigênio dissolvido simulado e experimental utilizando o simulador avançado (segundo conjunto de dados).
Fonte: Acervo Pessoal
Utilizando o controle nebuloso foi possível manter a porcentagem de oxigênio dissolvido em uma faixa de 20% a 40%, que compreende o valor ótimo de 30%. De um modo geral, a resposta ao controle nebuloso foi novamente mais suave em relação ao controle por árvore de decisão, é possível concluir que neste caso também haveria uma diminuição no stress metabólico, e consequentemente um aumento da produtividade do cultivo celular. Comprovou- se portanto que o sistema de lógica nebulosa é uma opção viável para o controle do oxigênio dissolvido no cultivo de E.coli para expressão de proteínas recombinantes, com boa robustez em relação aos parâmetros do controlador otimizado via ANFIS. Os principais resultados do trabalho desenvolvido neste mestrado foram compilados em um artigo, aceito para apresentação e publicação no European Symposium on Computer-Aided Process Engineering (ESCAPE-28).