Post on 19-Jan-2019
.V SIMPÓSIO INTERNACIONAL TENDÊNCIAS E INOVAÇÕES EM
TECNOLOGIA DE ÓLEOS E GORDURAS
“Formulando grasasespeciales con grasas
interesterificadas soja-soja utilizando redes neuronales“
Daniel Barrera-Arellano
Revista Veja, 23 de fevereiro de 2005
GrasaGrasa transtrans
GrasasGrasas especialesespeciales
Objetivo de la Industria :
Obtener productos de alta calidad a
costos menores, para un mercado altamente
competitivo.
En los últimos años el propio desarrollo
de estas industrias ha obligado a una
especialización cada vez mayor dirigida a la
producción de grasas con características
físico-químicas definidas de acuerdo con su
aplicación.
GrasasGrasas EspecialesEspeciales
Diferencias entre Diferencias entre productosproductos
•• PuntoPunto de de fusiónfusión
•• “ Performance térmica ““ Performance térmica “(Perfil de sólidos)(Perfil de sólidos)
GrasasGrasas especialesespeciales: :
Produto: Aplicação Ponto de Fusão (oC)Sorvetes 34.5 – 39Margarinas 37 – 39Biscoitos 37 – 39Recheios (textura firme) 41 – 43Coberturas achocolatados p/ biscoitos41.5 – 42.5Moldados tipo tablete 36.5 – 39Coberturas pão de mel 36.5 – 39Ovos de Páscoa 36.5 – 38Coberturas achocolatados p/ sorvetes25.5 – 32Aspersão em biscoitos especiais 25.5 – 26.5Biscoitos de polvilho 25.5 – 26.5Produção de chantilly 41 – 42.5Caramelos 36 – 38Recheios e cremes duros 41 – 42Folhados industriais 42 – 44Frituras 30 – 40Pastas alimentares 34.5 – 36.5Sopas e caldos desidratados 48 – 49Bolos 39 – 41
Perfil de sPerfil de sóólidos (SFC) de margarinaslidos (SFC) de margarinas
0
20
40
60
80
5°C 10°C 15°C 20°C 25°C 30°C 35°C 40°C
Margarina para panificación Margarina para hojaldre
Margarina para fritura Margarina de mesa /
Margarina baja em calorías
MMéétodos para todos para lala determinacideterminacióónndeldel porcentajeporcentaje de de grasagrasa ssóólidalida
SFI - Solid Fat Index
Dilatometría
SFC - Solid Fat Content
Resonancia Magnética Nuclear - RMN
Como se Como se fabricanfabrican estosestos productosproductos ??
Obtenidas a través de la utilización de
diferentes materias primas, mezcladas
en proporciones definidas =
GrasasGrasas EspecialesEspeciales
" blending"
BlendingBlending
Série de etapas donde “experts”,
generalmente baseados em el perfil de
sólidos y otras características de las
matérias primas y produtos desejados,
determinan las proporciones adecuadas
de cada matéria prima.
0
20
40
60
80
5°C 10°C 15°C 20°C 25°C 30°C 35°C 40°C
AplicaciónAplicación
AA BB CC DD EE
Matérias PrimasMatérias Primas
?? ?? ? ? ?? ??
MuestraMuestraLaboratórioLaboratório
Métodos utilizados
Equivalentes estadisticos
Programación lineal
Bases de datos
Factor esencial = Experiencia
Métodos convencionales
Prueba y error
Alto grado de especialización
Costos no optimizados
Objetivo
Desarrollar una alternativa para la
formulación de productos grasos
utilizando redes neuronales.
REDES NEURONALESREDES NEURONALES
Las redes neuronales son sistemascomputacionales basados en la estructura y
desarrollo de los sistemas biológicos y pueden ser definidos como un grupo de
unidades computacionales de baja capacidadintensamente interconectadas.
SSon on capacescapaces de de aprenderaprender y y generalizargeneralizar el el conocimientoconocimiento
Neurona
w1
wi
wn
∑
x1
xi
xn
y
Neurona artificial
x
r
x i
x
n
∑ ∑
∑
x j
y k
R e d e s N e u r o n a l e s
Redes Redes NeuronalesNeuronales
Han sido propuestas para realizar
tareas diversas en un sin número de
áreas del conocimiento humano,
como: Diagnósticos en medicina,
Robótica,
Control de procesos.
REDES NEURONALES
En alimentos :
Análisis químico y sensorial,
Reologia,
Control de calidad,
Biotecnología.
REDES NEURONALES
En grasas y aceites :
Identificación,
Detección de adulteraciones,
Formulación de productos grasos
Aplicaciones de las redes neuronales en aceites y grasas
Año Tema Autores1991 Clasificación de aceites Romero et al.1993 Adulteración de aceite de oliva Goodacre et al.1994 Adulteración de aceite de oliva Lichan1996 Clasificación de carcasas de bovinos Borggaard et al.1996 Identificación de mantequilla Lipp1997 Adulteración de manteca de cacao Meisel et al.1997 Caracterización de manteca de cacao Anklam et al.1997 Adulteración de leche Goodacre1997 Formulación de grasas Block et al.1998 Reologia de mayonesa Goshawk et al.1998 Composición de carcasas de cerdos Berg et al.
Aplicaciones de las redes neuronales en aceites y grasas
Año Tema Autores1998 Control de fritura continua Huang et al.1999 Clasificación de aceites vegetales Martin et al.2000 Classificación de grasas de ovinos Sebastian et al.2002 Control de proceso fabricación queso Jimenez et al.2004 Antioxidantes Wang & Liu2006 Adulteración aceites ajonjolí Hai & Wang
Base de conocimiento
Aplicación
Especialista
Ingeniero de sistemas
0
20
40
60
80
5°C 10°C 15°C 20°C 25°C 30°C 35°C 40°C
Tipo de red : Perceptron multicamada
Estructura :Camada de entrada : mínimo 5 variables para perfil desólidos (SFC X Temperatura) y/o ponto de fusão
Camadas intermediarias :variable
Camada de salida :3 – 8 para la proporción de cadamateria prima que debe ser usada en la formulación del producto deseado.
Características de las redes neuronales(MIX) .
ProcesoProceso
• Selección de materias primas
• Colecta de datos (ejemplos)
• Entrenamiento de la red
• Verificación de la eficiencia
• Operación
MatMatéérias Primasrias Primas
�Aceites
�Grasas
�Grasas Hidrogenadas
�Grasas Transesterificadas
�Grasas Fraccionadas
Paso 1: Alimentar los datos de entrada x (inputs)
Paso 2: Calcular los datos de salida y (outputs)
Paso 3: Calcular el error entre el dato de salida de la red y y el deseado
Paso 4: Si el error es £ 0.001, siga al Paso 5, sino, siga al Paso1
Paso 5: Concluir el entrenamiento.
AlgoritmoAlgoritmo de de entrenamientoentrenamiento
ResultadoResultado
MIX – Programa para formulación de grasas conredes neuronales. Barrera-Arellano, D. ; Block, J.M.; Grimaldi, R.; Figueiredo, M.F.; Gomide, F.A.C. e Almeida, R.R. INPI 98003155
GORDURAS ESPECIAIS - REDES NEURAIS
FORMULAÇÃOSoftware Programa Mix
Matérias- Primas
0.00.00.00.00.00.0C = Aceite de Soja
7.5414.2530.7939.7647.9266.87Grasa B
0.00.03.5911.0918.9435.7Grasa A
37.53530252010Temperatura (ºC)
Produtos a ser formulados
(SFC) = Perfil de sólidos (% sólidos x temperatura)
00,62,44,06,014,05
2,75,012,019,023,037,04
7,011,024,033,040,058,33
0,41,74,98,411,421,22
1,32,26,310,715,027,01
37,53530252010Producto
Custo e disponibilidade das matérias-primas
100700Aceite de soja
501100Grasa B
50900Grasa A
Disponibilidade (ton)
Custo/tonMatéria-prima
Resultados
Determinado Experimental
Previsto MIX
Produto Desejado
37.53530252010
% SFC
Formulación :A =........................... %B =........................... %C =............................%
Producción = ....................Costo =....................... /ton(Costo mínimo =.................. /ton)
Comentários: ______________________________________________________________________________________
Operação MIXOperação MIXSelecciónSeleccióndeldel produto a fabricarproduto a fabricar
Busca de soluciones
Técnico
Disponibilidad de materias primas
Costos
Otros
Niveles de decisión :
Técnico
Técnico
Disponibilidad de matérias primas
Disponibilidad de matérias primas
Costos
Costos
Fases de la investigación concluidas
Construcción
Eficiencia
Pruebas Piloto
Redes neuronales en plataforma Windows
Redes con más de tres materias primas
Redes con selección de punto de fusión
Pruebas industriales
“Blend” SFC (%) Dureza(N)
Crema Vegetal - 1 15,5 6,85 4,28 1,76 0,0 - 4,0-4,8
Margarina cremosa - 1 15,5 6,85 4,28 1,76 0,0 - 4,0-4,8
Margarina Cremosa - 1 21,5 11,49 8,35 4,38 0,98 0,0 5,1-6,6
10 °C 20 ºC 25 ºC 30 ºC 35 ºC 37.5ºC
Crema Vegetal - 2 15,5 6,92 4,54 1,82 0,30 0,0 4,1-4,5
Margarina Cremosa - 2 15,5 6,92 4,54 1,82 0,30 0,0 4,1-4,5
Margarina Cremosa - 2 21,4 11,54 6,89 3,09 0,27 0,0 5,3-6,6
Perfil de sólidos y dureza de productos formulados con el método convencional (1) y con red neuronal (2)
Rapidez e precisión.
VentajasVentajas
Respuestas múltiples.
Mayor grado de automación en la planta.
Disminuye el trabajo laboratorial.
Facilita y acelera el trabajo de investiga-ción y desarrollo.
Optimiza costos.
DESVENTAJAS
Específicas, solo trabajan con
las materias primas con las cuales
fueron entrenadas
Conclusiones
La utilización de redes neurales para
resolver problemas complejos es una
realidad en el mundo actual.
En la formulación de productos
grasos han mostrado una gran
potencialidad de transformarse en una
herramienta poderosa para auxiliar a los
formuladores.
Bibliografia:
Block JM, Barrera-Arellano D, Almeida R, et al.Formulation of fats using neural networks: commercial products and pilot-plant production. GRASAS Y ACEITES 54 (3): 240-244 JUL-SEP 2003
Block, J. M.; Barrera-Arellano, D.; Figueiredo, M. F.; Gomide, F. A. C.; Sauer, L. Formulation of special fats by neural networks. An statistical approach. Journal of the American Oil Chemists‘ Society, 76(11)1357-1361, 1999 .
Block, J.M.; Barrera-Arellano, D.; Figueiredo, M.F.; Gomide, F.A.C. Blending process optimization into special fats formulation by neural networks. Journal of the American Oil Chemists‘ Society, v.74, n.12, p. 1537-1541, 1997.
MIX – Programa para formulação de gorduras com redes neurais. Barrera-Arellano, D. ; Block, J.M.; Grimaldi, R.; Figueiredo, M.F.; Gomide, F.A.C. e Almeida, R.R. - Registro INPI 98003155, 2005.
GraciasGraciasPreguntas