v simpÓsio internacional tendÊncias e inovaÇÕes … · v simpÓsio internacional tendÊncias e...

.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