Utilização de redes neurais artificiais para a determinação do número de refeições diárias de um restaurante universitário
Palabras clave:
Desperdícios de alimentos, Redes neurais artificiais, Serviços de alimentaçãoResumen
Objetivo
Construir uma rede neural artificial para auxiliar os gestores de restaurantes universitários na previsão de refeições diárias.
Métodos
O estudo foi desenvolvido a partir do levantamento de oito variáveis que influenciam o número de refeições diárias servidas no restaurante universitário. Utiliza-se o algoritmo de treinamento Backpropagation. Os resultados por meio da rede são comparados com os da série estudada e com resultados da estimação por média aritmética simples.
Resultados
A rede proposta acompanha as inúmeras alterações que ocorrem no número de refeições diárias do restaurante universitário. Em 73% dos dias analisados, o método das redes neurais artificiais apresenta uma taxa de acerto maior do que o método da média aritmética simples.
Conclusão
A rede neural artificial mostrou-se mais adequada para a previsão do número de refeições do que a metodologia de média simples ou quando a decisão do número de refeições é feita de forma subjetiva, sem critérios científicos.
Citas
Antunes MA, Andrade NJ, Silva CAB, Azeredo RMC, Lopes FA. Sistema multimídia de apoio à decisão em procedimentos de higiene para unidades de alimentação e nutrição. Rev Nutr. 2006; 19(1); 93-101. doi: 10.1590/S1415-52732006000100010.
Abreu ES, Spinelli MGN, Zanardi AMP. Gestão de unidades de alimentação e nutrição: um modo de fazer. 2ª ed. São Paulo: Metha; 2007
Ricarte MPR, Moura Fé MAB, Santos IHVS, Lopes AKM. Avaliação do desperdício de alimentos em uma unidade de alimentação e nutrição institucional em Fortaleza-CE. Saber Científico. 2008; 1(1):158-75.
Zuben FJV. Uma caricatura funcional de redes neurais artificiais. Rev SBRN. 2003; 1(2):66-76.
Kovács ZL. Redes neurais artificiais: fundamentos e aplicações. 3ª ed. São Paulo: Livraria da Física Editora; 2002.
Braga AP, Carvalho APLF, Ludemir TB. Redes neurais artificiais: teoria e aplicações. 2ª ed. Rio de Janeiro: Livro Técnico e Cientifico; 2007.
Chagas CS, Vieira CAO, Fernandes Filho EI, Waldir Júnior C. Utilização de redes neurais artificiais na classificação de níveis de degradação de pastagens. Rev Bras Eng Agric Ambient. 2008; 13(3):319-27
Gleriani JM. Redes neurais artificiais para classificação espectro-temporal de culturas agrícolas [doutorado]. São José dos Campos: INPE; 2004
Cruz NC, Galo MLBT. Mapeamento das infestações por plantas aquáticas em reservatórios utilizando imagens multiescala e redes neurais artificiais. RBC. 2005; 57(2):103-12
Arruda EF, Carneiro AAFM, Coury DV, Delmont OF, Souza SA, Oleskovicz M. Estudo comparativo de ferramentas modernas de análise aplicadas à qualidade da energia elétrica. Rev Contr Autom. 2006; 17(3):331-41
Coury DV, Segatto EC. Inteligência aplicada à proteção de transformadores de potência. Rev SBRN. 2006; 4(2):70-8.
Chávez G, Muniz C, Figueiredo K, Pacheco M, Vellasco M. Indicação de suspeitos de irregularidades em instalações elétricas de baixa tensão. Rev SBRN. 2008; 6(1):16-28
Zanetti SS, Sousa EF, Carvalho DF, Bernardo S. Estimação da evapotranspiração de referência no estado do Rio de Janeiro usando redes neurais artificiais. Rev Bras Eng Agríc Ambient. 2007; 12(2):174-80
Moreira MC, Pruski FF, Oliveira TECO, Pinto FAC, Silva DD. Neterosividade MG: erosividade da chuva em Minas Gerais. Rev Bras Cienc Solo. 2008; 32: 1349-53.
Silveira DD. Modelo para seleção de sistemas de tratamento de efluentes de indústrias de carnes [doutorado]. Florianópolis: Universidade Federal de Santa Catarina; 1999.
Santos WP, Souza RE, Silva AFD, Santos Filho PB. Avaliação da doença de Alzheimer pela análise multiespectral de imagens DW-MR por redes RBF como alternativa aos mapas ADC. Rev SBRN. 2006; 4(1):41-53.
Argoud FIM, Azevedo FM. Sistema de detecção automática de paroxismos epileptogênicos em sinais de eletroencefalograma. Rev Contr Autom. 2004; 15(4):467-75.
Gandia CP, Facchinetti A, Sparacino G, Cobelli C, Gómez EJ, Rigia MMD, et al. Artificial neural network algorithm for online glucose prediction from continuous glucose monitoring. Diabetes Technol Ther. 2010; 12(1):81-8
Goular DA, Tacla MA, Marback PMF, Solé D, Paranhos Junior A, Perez HB, et al. Redes neurais artificiais aplicadas no estudo de questionário de varredura para conjuntivite alérgica em escolares. Arq Bras Oftalmol. 2006; 69(5):707-13.
Sousa EA, Teixeira LCV, Mello MRPA, Torres EAFS, Moita Neto JM. Aplicação de redes neurais para avaliação do teor de carne mecanicamente separada em salsicha de frango. Ciênc Tecol Aliment. 2003; 23(3):307-11.
Gabuti L, Burnier M, Mombelli G, Malé F, Pelledrini L, Marone C. Usefulness of artificial networks to predict follow-up dietary protein intake in hemodialysis patients. Kidney Int. 2004; 66:399-407. doi: 10.1 111/J.1523-1755.2004.00744.x.
Argryri AA, Panagou EZ, Tarantilis PA, Polysiou M, Nychas GJE. Rapid qualitative and quantitative detection of beef fillets spoilage based on Fourier transform infrared spectroscopy data and artificial neural networks. Sens Actuators B. 2010; 145: 146-54.
Salle CTP, Guahyba AS, Wald VB, Silva AB, Salle FO, Fallavena LCB. Uso de redes neurais artificiais para estimar parâmetros de produção de galinhas reprodutoras pesadas em recria. Rev Bras Cienc. 2001; 3(3):257-64.
Khatchatourian O, Padilha FRR. Reconhecimento de variedades de soja por meio do processamento de imagens digitais usando redes neurais artificiais. Eng Agric Jaboticabal. 2008; 28(4):759-69.
Vale CM, Zambiazi RC. Previsão de estabilidade de óleos vegetais através da rede de inteligência artificial. Ciênc Tecnol. 2000; 20(3):342-8.
Haykin S. Redes neurais: princípios e prática. 2ª ed. Porto Alegre: Bookman; 2001
The MathWorks [Internet]. Neural Network ToolboxTM 7 User’s Guide 1992/2010 [cited 2010 Sept 23]. Available from: <http://www.mathworks.com/help/pdf_doc/nnet/nnet.pdf>.
Oliveira ACS, Souza AA, Lacerda WS, Gonçalves LR. Aplicação de redes neurais artificiais na previsão da produção de álcool. Ciênc Agrotec. 2010; 34(2): 279-84.
Calôba GM, Calôba LP, Saliby E. Cooperação entre redes neurais artificiais e técnicas ‘clássicas’ para previsão de demanda de uma série de vendas de cervejaria na Austrália. Pesq Oper. 2002; 22(3):345-58.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 José Celso ROCHA, Felipe Delestro MATOS, Fernando FREI
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
