@OctavioDMA @LatEnvChemPSE ¡Gracias!

@OctavioDMA @LatEnvChemPSE Por el momento las redes tienen capas, neuronas, y regularizadores diversos. Como aun sigo modificando algunas, puedo decir de manera general; que van entre 3 a 6 capas y cada capa entre 50-200 neuronas. Incluso algunas varían entre optimizadores por el tipo de variables.

@JoseIvanAD1 @LatEnvChemPSE ¡Muchas gracias! Disculpa por contestar hasta ahora, no recibí notificación. Por el momento estamos trabajando solo con redes neuronales densas. Se consideraron 17 variables de entrada, ya que, se utilizaron 2 bases de datos con diferentes formulaciones pero, mismas condiciones.

@RFonsPer @LatEnvChemPSE We are using dense artificial neural networks, with different numbers of layers, neurons and hyperparameters for each output variable. We tried using convolutional networks, but we saw better results using only dense ones.

@RFonsPer @LatEnvChemPSE Hi, thank you a lot! The variables considered in this phase of study are input: screw speed, temperature, moisture and formulation. Outputs for six independent neural networks are: apparent density, solubility index, hardness, expansion index, water activity and absorption index.

RT @LatEnvChemPSE: #LatinEnvChemPSE 2024 is taking place right now. #LatinEnvChemPSE 2024 está en proceso. Join us / Únete a nosotros !!…

Hi, my poster is: AI, food and climate change ''Development of an artificial neural network for the prediction and control of ruminant extrudate variables and their relationship with methane and carbon dioxide production in vitro.'' @LatEnvChemPSE #PSEModSimulatControl