Modelagem de propriedades térmicas de polpas de frutas exóticas: uma abordagem de redes neurais artificiais
DOI:
https://doi.org/10.33448/rsd-v9i11.9806Palavras-chave:
Densidade; Condutividade térmica; Difusividade térmica; Retropropagação; Teor de umidade; Temperatura.Resumo
As propriedades termofísicas são importantes no projeto, simulação, otimização e controle do processamento de alimentos. Sua previsão é muito importante, mas a base teórica é difícil e modelos empíricos eram comumente usados. Neste trabalho, a modelagem de redes neurais foi aplicada como alternativa para predizer densidade, condutividade térmica e difusividade térmica a partir da temperatura e teor de umidade de jaca, jenipapo e umbu. Conjuntos de dados da literatura foram usados, combinados e individualmente, para obter quatro redes. Redes perceptron supervisionadas multicamadas foram desenvolvidas, utilizando o algoritmo de retropropagação. Diversas configurações de redes neurais artificiais (RNAs) foram avaliadas com uma ou duas camadas ocultas e no máximo 21 e 12 neurônios em cada uma, respectivamente. Os conjuntos de dados foram divididos em etapas de aprendizagem (60%) e verificação (40%). As melhores RNAs foram escolhidas com base no coeficiente de correlação e erro quadrático médio (RMSE), e comparadas com modelos polinomiais usando desvios absolutos médios (AADs). Do conjunto de dados descartáveis totais, a melhor RNA desenvolvida apresenta uma camada oculta com 15 neurônios e mostra a mesma capacidade preditiva das RNAs criadas a partir de conjuntos de dados de frutas individuais, apresentando RMSE próximo e coeficiente de correlação. As RNAs desenvolvidas apresentam AADs próximos a modelos polinomiais e aplicativos como alternativa à modelagem convencional. Os resultados indicam que a RNA criada a partir do conjunto total de dados pode substituir nove modelos polinomiais para prever as propriedades termofísicas das polpas de jaca, jenipapo e umbu.
Referências
Azoubel, P. M., Cipriani, D. C., El-Aouar, A. A., Antonio, G. C., Murr, F. E. X. (2005). Effect of concentration on the physical properties of cashew juice. Journal Food Engineering, 66, 413–417.
Braga, A. P., Carvalho, A. C. P. L. F., Ludermir, T. B. (2011). Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC Editora S.A.
Castilhos, M. B. M., Betiol, L. F. L., Carvalho, G. L., Telis-Romero, J. (2018). Experimental study of physical and rheological properties of grape juice using different temperatures and concentrations. Part II: Merlot. Food Research International, 105, 905–912.
Cepeda, E., Villarán, M. C. (1999). Density and viscosity of Malus floribunda juice as a function of concentration and temperature. Journal of Food Engineering, 41, 103–107.
Chegini, G. R., Khazaei J., Ghobadian B., Goudarzi, A. M. (2008). Prediction of process and product parameters in an orange juice spray dryer using artificial neural networks. Journal Food Engineering, 84, 534-543.
Choi, Y., Okos, M. R. (1986). Effects of temperature and composition on the thermal properties of foods. In: Le Maguer, M., Jelen, P. (eds.) Food engineering and process applications. London: Elsevier.
Constenla, D. T., Lozano, J. E., Crapiste, G. H. (1989). Thermophysical properties of clarified apple juice as a function of concentration and temperature. Journal Food Science, 54, 663-668.
Ewetumo, T., Ben, F., Adedayo, K. D. (2017). Development of an Instrument for Measurement of Thermal Conductivity and Thermal Diffusivity of Tropical Fruit Juice. American Journal of Scientific and Industrial Research, 8(2), 22-33.
Fontan, R. C. I., Santos, L. S., Bonomo, R. C. F., Lemos, A. R., Ribeiro, R. P., Veloso, C. M. (2009). Thermophysical properties of coconut water affected by temperature. Journal of Food Process Engineering, 32, 382-397.
Hayken, S. (1999). Neural networks – a comprehensive foundation, (2nd ed.). Delhi: Pearson Education Inc.
Lertworasirikul, S., Tipsuwan, Y. (2008). Moisture content and water activity prediction of semi-finished cassava crackers from drying process with artificial neural network. Journal of Food Engineering, 84, 65-74.
Massood, H., Trujillo, F. J. (2016). Engineering Properties of Foods. Reference Module in Food Sciences, 1-2.
Mutlu, A. C., Boyaci, I. H., Genis, H. E., Ozturk, R., Basaran-Akgul, N., Sanal, T., Evlice, A. K. (2011). Prediction of wheat quality parameters using near-infrared spectroscopy and artificial neural networks. European Food Research and Technology, 233, 267–274.
Nayak, J., Vakula, K., Dinesh, P., Naik, B. Pelusi, D. (2020). Intelligent food processing: Journey from artificial neural network to deep learning. Computer Science Review, 38, DOI: 10.1016/j.cosrev.2020.100297
NeuralWare. (2000). Neural Computing: A technology handbook for NeuralWorks Professional II/Plus. Carnegie: Neural Ware Inc.
Rai, P., Majumdar, G. C., Dasgupta, S., De, S. (2005). Prediction of the viscosity of clarified fruit juice using artificial neural network: a combined effect of concentration and temperature. Journal Food Engineering, 68, 527-533.
Sartori, J. A. S., Ribeiro, K., Teixeira, A. C. S. C., Magri, N. T. C., Mandro, J. L., de Aguiar, C. L. (2017). Sugarcane Juice Clarification by Hydrogen Peroxide: Predictions with Artificial Neural Networks. International Journal of Food Engineering, 20160199.
Shamsudin, R., Mohamed, I. O., Yaman, N. K. M. (2005). Thermophysical properties of Thai seedless guava juice as affected by temperature and concentration. Journal Food Engineering, 66, 395–399.
Silva, L. R. I., Pereira, T. S., Silva, V. M. A., Silva, G. M., Luiz, M. R., Santos, N. C., Almeida, R. L. J., Ribeiro, V. H. A., Muniz, C. E. S., Eduardo, R. S., Silva, R. A. (2020). Thermophysical properties of seriguela pulp at different maturation stages. Research, Society and Development, 9(8), DOI: http://dx.doi.org/10.33448/rsd-v9i8.5566
Silva, N. M. C., Bonomo, R. C. F., Rodrigues, L. B., Chaves, M. A., Fontan, R. C. I., Bonomo, P., Landim, L. B., Sampaio, V. S. (2010). Thermophysical characterization of genipap pulp. International Journal Food Engineering, 6(3), DOI: 10.2202/1556-3758.1701.
Souza, M. A., Bonomo, R. C. F., Fontan, R. C. I., Minim, L. A., Coimbra, J. R., Bonomo, P. (2010). Thermophysical properties of umbu pulp. Brazilian Journal of Food Technology, 13, 219-225.
Souza, M. A., Bonomo, R. C. F., Fontan, R. C. I., Minim, L. A., Coimbra, J. S. R. (2009). Thermophysical properties of jackfruit pulp affected by changes in moisture content and temperature. Journal Food Processing Engineering, DOI: 10.1111/j.1745-4530.2009.00402.x.
Sucipto, S., Anna, M., Arwani, M., Hendrawan, Y. (2019). A rapid classification of wheat flour protein content using artificial neural network model based on bioelectrical properties. Telkomnika, 17(2), 920 -927.
Tavman, S., Otles, S., Glaue, S., Gogus, N. (2019). Food preservation Technologies. In: Galanakis, CM. Saving Food – Production, Supply Chain, Food Waste and Food Consuption. Academic Press, DOI: HTTPS://doi.org/10.1016/C2017-0-03480-8
Torkashvand, A. M., Ahmadi, A., Nikravesh, N. L. (2017). Prediction of kiwifruit firmness using fruit mineral nutrient concentration by artificial neural network (ANN) and multiple linear regressions (MLR). Journal of Integrative Agriculture, 16(7), 1634–1644.
Varela, M. S. S., Pitombeira, G. C. R., Silva, A. C. N., Pereira, C. G. (2017). Determination and Modeling of Thermophysical and Transport Properties of Tropical Pulps. European Journal of Biophysics, 5(5), 79-88.
Walstra, P. (2003). Physical chemistry of foods. New York: Marcel Dekker Inc.
Zuritz, C. A., Muñoz Puntes, E., Mathey, H. H., Pérez, E. H., Gascón, A., Rubio, L. A., Carullo, C. A., Chernikoff, R. E., Cabeza, M. S. (2005). Density, viscosity and coefficient of thermal expansion of clear grape juice at different soluble solid concentrations and temperatures. Journal Food Engineering, 71, 143–149.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Leandro Soares Santos; Moysés Naves de Moraes; Julia Dos Santos Lopes; Luciana Carolina Bauer; Paulo Bonomo; Renata Cristina Ferreira Bonomo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
