siscoord.francomontoro.com.br · web vieworientador: prof. marcelo caetano da silva, possui...
TRANSCRIPT
CONSTRUÇÃO E VALIDAÇÃO DE CURVA DE CALIBRAÇÃO EM FT-NIR ATRAVÉS DE ANÁLISE DE UMIDADE DO GERME DE MILHO
Autor (a): Michele de Sousa Durães
Orientador (a): Prof(a) Paulo Marcelo Caetano da Silva
Resumo
O projeto foi desenvolvido para construção e validação de curva em FT-NIR (Fourier
Transform – Near InfraRed), para análise rápida da umidade do germe de milho, de
modo a controlar a faixa de secagem entre 3,5% e 4,5%, com um equipamento
espectrômetro FT-NIR, a qual mede a absorção da luz infravermelha em vários
comprimentos de onda, é de fácil utilização e preciso para análises rápidas de
materiais líquidos, sólidos e semissólidos, dispensando o uso de reagentes e
preparações. A partir de 65 amostras analisadas, foi estudada a correlação entre os
espectros (gráficos) gerados com os parâmetros conhecidos no software OPUS, e
os resultados de medição por método convencional (resultado oficial versus predição
da curva NIR). Com o modelo de calibração pronto, foram analisadas mais 26
amostras, comparados os resultados e validada a curva para uso no processo, com
ganhos de produtividade, tempo de resposta e custo, com RMSEP (raiz quadrada do
erro médio quadrático de validação de previsão) de 0,387 e coeficiente de
determinação 0,91.
Palavras-chave: FT-NIR, curva de calibração, umidade, germe de milho
12
1
2
3
4
567
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Abstract
The project was developed for construction and curve validation in FT-NIR (Fourier
Transform - Near InfraRed) for a quick determination of the moisture content of the
corn germ, in order to control the drying range between 3.5% and 4.5%, with the FT-
NIR spectrometer equipment that measures the absorption of infrared light at various
wavelengths, it is easy to use and accurate for rapid analysis of liquid, solid and
semi-solid materials, dispensing with the use of reagents and preparations. From 65
samples analyzed, a correlation was determined between the spectra (graphs)
generated with the parameters known in the OPUS software, and the measurement
made by conventional method (official result versus NIR curve prediction). With the
calibration model ready, another 26 samples were analyzed, the results compared
and validated for use in the process, with gains in productivity, response time and
cost, with RMSEP of 0.387 and determination coefficient of 0.91.
Keywords: FT-NIR, calibration curve, moisture, corn germ
_____________________ Aluna: Michele de Sousa Durães, discente de graduação em Engenharia Química (2020) pela Faculdade Municipal Professor Franco Montoro, Mogi Guaçu, São Paulo. E-mail: [email protected]: Prof. Paulo Marcelo Caetano da Silva, possui graduação em Engenharia Mecânica (FEI 1988), Especialização em Gestão da Qualidade (FEI 1999), MBA em Gestão Empresarial (FGV/University of California Irvine 2005), Mestrado em Administração, na área de Operações e Logística (UNIMEP 2015), Doutorando em Engenharia Mecânica na área de Materiais e Processos (UNICAMP 2021 – previsão). Professor da Faculdade Municipal Professor Franco Montoro, Mogi Guaçu, São Paulo. E-mail: [email protected].
34
232425
26
27
28
29
30
31
32
33
34
35
36
37
38
1. INTRODUÇÃO
O milho, planta nativa das Américas e de nome científico Zea maiz, é cultivado
em várias regiões do mundo e destinado à alimentação humana e animal, tanto pela
colheita da planta (grão), como na extração de seus componentes para matéria-
prima nas indústrias. O grão de milho é composto pelo pericarpo, embrião (de onde
extrai o germe), o endosperma (maior constituinte, contém amido e glúten) e a casca
(fonte de fibras), como mostrado na Figura 1. Sua composição varia com o tipo de
milho, clima, adubo e condições de umidade, ficando em torno aproximadamente
63% de amido (fins alimentícios, farmacêuticos e industriais), 6% de glúten (fonte de
proteínas para composição de vários tipos de ração), 3% de óleo no germe
(extração de óleo bruto e torta residual como composição de ração animal), água
mais solúveis 14% e fibras 17% (composição de rações animais) (INGREDION,
2019).
Figura 1 - Esquema da composição do grão de milho
FONTE: INGREDION, 2019.
As indústrias vêm sempre buscando maneiras de melhorar seu processo, de
modo que se garanta uma extração eficaz dos componentes do milho, sem perdas,
com o produto acabado dentro das especificações desejadas, com redução de custo
e de tempo. Para isso é necessário monitorar diversas variáveis de processo, como
a umidade do material, que na análise convencional pode levar em média 6 horas,
considerando o tempo de preparação e secagem em estufa para obter o resultado.
Existem, porém, opções de equipamentos capazes gerar este resultado em média
em 30 segundos, através das curvas de calibração (SILVA,2020).
56
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
5455
56
57
58
59
60
61
62
63
64
Uma maneira de validar um processo de medição (ensaio analítico) é através
da correlação entre duas ou mais variáveis. Os dados podem ser comparados
estatisticamente com uma análise de regressão, onde se estuda a variação de uma
determinada variável, a qual é função de outras variáveis. Com isso deve ser
determinada relação entre elas (como x e y, por exemplo). Quando se estudam duas
variáveis tem-se uma regressão simples, e com mais variáveis, uma regressão
múltipla. Através dos dados obtidos é possível avaliar a correlação por diagrama de
dispersão, gráfico que nos mostra relação dos resultados pelas variáveis de x e y. A
força desta correlação melhora à medida que os pontos se aproximam da reta
diagonal do gráfico (LEVIN, 1997). Para facilitar esta análise surge a tecnologia de
infravermelho próximo com Transformada de Fourier (FT-NIR) que mede a absorção
da luz, com medições rápidas para altas taxas precisas de transparência de
materiais líquidos, sólidos e semissólidos, com avaliação simultânea de diferentes
componentes, e com o apoio do software OPUS de espectroscopia, correlacionando
com dados conhecidos para criar curvas de calibração para as mais diversas
necessidades da rotina. Na Figura 2 é possível observar a região eletromagnética do
NIR e seu número de onda (BRUKER, 2020).
Figura 2 - Radiação Eletromagnética do NIR
FONTE: BRUKER, 2020.
78
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
8485
86
Para a implementação desta tecnologia é importante ter o cuidado na seleção e
coletas das amostras que pode variar de 50 a 200, aquisição dos dados, leitura dos
espectros, cálculos matemáticos, determinação da equação, validação e rotina.
(SHENK e WESTERHAUS, 1994, p.406-449 apud CAMPESTRINI, 2005, p.235-
246). De acordo com Shenk e Westerhaus (1994, p.406-449 citado por FF PIRES,
ER PRATES, 1998, p.1076-1081), este procedimento é obtido através de curvas
espectrais das amostras analisadas, pela radiação do infravermelho proximal entre
(1100 a 2500 nm). O resultado da energia absorvida na forma de luz por moléculas
orgânicas, em especial em compostos com grande número de ligações como CH,
NH e OH.
Objetivo deste projeto é desenvolver e validar um método de analises por
leitura em espectrômetro, uma rápida leitura, de maneira que se consiga corrigir e
acompanhar o processo que se mantenha a faixa de umidade de 3,5 a 4,5 %. “
Como os métodos espectrofotométricos são de baixo custo quando comparado a
outros métodos redução dos custos analíticos por via da diminuição do número de
operadores envolvido e o consumo mínimo de reagentes e amostra. ” (GOMES et
al., 2019).
2. REVISÃO BIBLIGRAFICA
O germe (Figura 3) é um componente do grão de milho, material mole, oleoso e
de coloração branca, que ocupa cerca de ¼ do grão e contém alta concentração de
óleo, obtido pelo processo de milho, maceração, moagem e secagem (Figura 4). Os
componentes são separados por hidrociclones através da diferença de pesos, sendo
o germe o mais leve, pelo processo de moagem úmida, e secagem por secadores
rotativos a vapor com uma umidade em torno de 3,5% a 4,5%. O germe é um
componente rico em óleo e após sua secagem passa por um processo de
preparação, onde é gerada uma massa para extração do óleo por solvente (Figura
5), o qual é vendido na sua composição bruta para as indústrias de refinação e,
posteriormente, para consumo alimentício humano. A massa segue para obtenção
de farelo de milho para nutrição animal (ANAZAWA, 2005).
910
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
Figura 3 - Germe de Milho
FONTE: Própria Autora, 2020.
Figura 4 - Fluxograma de Processo – Germe de Milho
FONTE: INGREDION, 2019.
Figura 5 - Fluxograma de Processo – Óleo de Milho Bruto
FONTE: INGREDION, 2019.
É importante se manter dentro da especificação de umidade do germe (3,5 a
4,5 %), pois uma umidade menor de 3,5% gera uma massa muita seca que pode ser
arrastada para óleo gerando borra e entupimento de bombas de sucção e maior
consumo de solventes, e acima de 4,5% perda no rendimento, onde parte do óleo
que não foi possível ser extraído vai para farelo milho, produzindo o produto com a
porcentagem de umidade e óleo fora da especificação estabelecida para nutrição
animal (FATOBENE, 2020).
A tecnologia Transformada de Fourier no equipamento FT-NIR (Figura 6)
garante uma calibração mais precisa, permite obtenção de dados espectrais de uma
1112
116
117
118
119
120
121122
123
124125
126
127
128
129
130
131
132
133
134
135
só vez, o que leva a análises mais rápidas, diferente dos espectrômetros
convencionais que trabalham com comprimentos de ondas individuais. Isso ocorre
através do interferômetro representando a intensidade da luz em função da posição
de um espelho (BRUKER, 2020).
Figura 6 - Representação esquemática de um espectrofotômetro FT-NIR com
interferômetro
FONTE: COSTA, 2001, citado por ALMEIDA, 2006.
O equipamento deste trabalho FT-NIR modelo MPA (Multi Purpose Analyzer)
da Bruker Optik GmbH Germany), gera resultados em transmitância e reflectância
difusa. Em transmitância se estabelece pela absorção da radiação incidente e
redução de intensidade quando se aproxima do detector, sendo obtida pela
diferença de intensidade incidente e intensidade detectada (BRUKER, 2020),
representada pela Equação 1.0.
T= II 0
=10−A
Equação 1.0
Onde
(T) Transmitância
(A) Absorbância
1314
136
137
138
139
140
141
142
143144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
(I) Intensidade transmitida após absorção
(I0) Intensidade da luz incidente
A reflectância difusa é gerada pela radiação incide em uma matriz com
lacunas, por radiação absorvida e refletida com resultados espectrais em várias
direções determinada assim como aleatória, este método é usado em amostras em
pó e com pequenas partículas (WETZEL, 1983, p.1165A-1176A apud SABIN 2004),
representada pela Equação 1.1.
R= IRI 0
Equação1.1
Onde
(R) Reflectância
(IR) Intensidade da luz refletida
(I0) Intensidade da luz incidente
É importante informar que a absorção da radiação da amostra é estabelecida
pela Lei de Beer-Lambert (Equação1.2), que relaciona a absorbância com
concentração de um analito (componente químico) (ALMEIDA, 2009).
A = ·ε b·c
Equação1.2
Onde
(A) Absorbância, adimensional
(b) Distância cm
(c) Concentração do analito mol.L -1
(ε) Propriedade [mol-1·L·cm-1]
A reflectância difusa desenvolvida pela “teoria Kubelka-Munk, que se baseia
na variação da reflectância ao longo do espectro visível que cada objeto apresenta”
1516
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
(GOMES, 2009). De acordo OLINGER (1990, p. 687-694.citado por ALMEIDA,
2009), onde é representada pela comparação linear entre a intensidade refletida e
concentração, expressa pela Equação 1.3.
F (R )= (1−R )2
2R=K .C
S
Equação 1.3
Onde
(R) Representa os valores de reflectância
(K) Coeficiente de absorção molar
(C) Concentração
(S) Coeficiente de dispersão da amostra
Desta forma, a equação de Kubelka-Munk compara os espectros NIR de
reflectância difusa com a concentração da amostra, onde o espectro refletido se
assemelha com espectro de absorbância devido a este motivo de ser conhecida pela
Lei de Lambert-Beer para a espectroscopia com reflectância difusa e a
espectroscopia (ALMEIDA, 2009).
O espectrômetro FT-NIR oferece um rápido resultado, reduzindo tempo e
reagente, com baixo erro de incerteza para análises quantitativas e qualitativas.
Através do software OPUS pelas técnicas de quimiometria que representa métodos
de calibração multivariada, pela regressão por mínimos quadráticos parciais (PLS),
que relaciona uma variável ou mais variáveis (matriz Y), e variáveis independentes
(matriz X) que determina a correlação quantitativa para construção da reta de
calibração multivariada. Na Figura 7 temos as matrizes X e Y do modelo PLS. Para a
matriz X (matriz com dados espectrais), M representa o número de amostras
analisadas e N os comprimentos de onda percorridos para obtenção do espectro
NIR. Para a matriz Y (matriz das concentrações), as colunas são referentes aos
valores de referência dos vários componentes (1-L) (COZEN, 2006).
1718
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
Figura 7 – Representação de matrizes PLS
FONTE: COZEN, 2006.
A Regressão PLS as matrizes X e Y são representadas pela soma de um
determinado vetor t e seus respectivos vetores p e q, representação pelas equações
1.4 e 1.5 (COZEN, 2006).
Dados Espectrais
X= t1p1T + t2p2
T + t3p3T+... + tRpR
T + F
Equação 1.4
Dados de Concentração
Y= t1q1T + t2q2
T + t3q3T+... + tRqR
T + G
Equação 1.5
Onde
(R) Número de fatores
(t) Transposição de vetores
(F e G) Matrizes residuais
(p e q) Vetores
1920
221
222223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
Para avaliar o modelo é usada a validação cruzada, a qual retira uma amostra
do conjunto de calibração, configura as restantes, analisa a que foi retirada e calcula
o erro de analise, retorna a mesma para o conjunto e retira outra amostra. O
processo deve ocorrer até que todas as amostras sejam removidas uma vez, e
assim calcular o erro médio RMSECV (Erro quadrático médio de validação cruzada),
dado pela Equação 1.6, que quanto menor o valor, melhor representa o modelo
(COZEN, 2006).
RMSECV=√∑t=1n
( ytreferência− ytprevisto) ²
n−1 FONTE: COZEN, 2006
Equação
1.6
Onde
i (yi previsto) Valores previsto na amostra
i (yi referência) Valores de referência na amostra
(n) Conjunto de amostras calibradas
Pelo modelo de calibração adquirido deve ser validado, com conjunto de novas
amostras, sendo avaliado com diferentes parâmetros conhecidos. Para este estudo
será usado a validação externa pelo RMSEP (Raiz quadrada do erro médio
quadrático de validação de previsão), quanto menor valor mais preciso será o
resultado de análise do modelo de calibração. O R² (coeficiente de determinação)
quanto mais o valor se próxima de 1, melhor é a correlação entre os dados
avaliados, representado na Equação1.8 (COZEN, 2006). O critério de aceite que é
avaliado para validar um modelo de calibração na empresa deste trabalho é o
RMSEP para liberação de produto acabado pode variar de (0,1 a 0,2), porém como
o produto do estudo é para controlar uma variável no processo foi determinado um
valor de RMSEP de até 0,5, estes parâmetros podem variar de empresa para
empresa, onde cada uma estabelece o melhor critério de aceite para seu produto
(SILVA, 2020).
2122
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
RMSEP=√∑t=1n
( ytreferência− ytprevisto )²
n FONTE: COZEN, 2006
Equação
1.7
Onde
i (yi previsto) Valores previsto na amostra
i (yi referência) Valores de referência
(n) Conjunto de amostras da validação
R2=1−( SSE
∑i=1
n
( yi− ym)2 ) .100 Equação
1.8
Onde
(R²) Coeficiente de Determinação
(SEE) Soma de erros quadráticos
(n) Conjunto de amostras
(yi) Valor previsto
(ym) Valor médio
As Equações de 1.0 a 1.8, representam os conceitos de absorbância,
transmitância, reflectância difusa e os cálculos dentro do software OPUS pelas
técnicas de quimiometria e métodos de calibração multivariada, para elaboração do
modelo de calibração.
E a análise de referência para comparativo é a perda de água contida nos
grãos de germe após o aquecimento, expressa por porcentagem pelo cálculo da
Equação 1.9 (SILVA,2020).
2324
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
U=MI−MFx100MF
Equação 1.9
Onde
(U) Porcentagem de umidade, %
(MI) Massa Inicial, g
(MF) Massa Final, g
Com noções básicas dos cálculos para criação e validação de um modelo de
calibração seguimos para elaboração do trabalho.
3. MATERIAL E MÉTODOS
3.1 Descrição do Local e Amostragem
O projeto foi desenvolvido através de analise experimental de umidade por
secagem em estufa e leituras em equipamento espectrômetro FT-NIR realizadas no
Laboratório de físico-quimica da Empresa Ingredion Brasil Ingr. Inds. Ltda, Mogi
Guaçu – SP.
Programado e coletado 65 amostras em 19,20,21, 23 e 25 de agosto de 2020,
dos secadores 1, 2 e 3 em horários diferentes. As análises oficiais foram feitas em
duplicata e as leituras espectrais em triplicada, considerando a mesma amostra para
os dois métodos para criação da curva e para validação coletado 26 amostras em
02, 06, 09 e 14 de outubro de 2020.
É importante dizer que as leituras no espectrofotômetro FT-NIR sejam feitas no
mesmo dia das análises oficiais de umidade por secagem em estufa.
3.2 Procedimento Porcentagem de Umidade
Para análise foi oficial utilizado o método de umidade por secagem em estufa a
vácuo, que se baseia na remoção da água por aquecimento, estabelecido para este
experimento 5 gramas de amostra de germe inteiro, por um período de 4 horas a
120°C.
2526
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
Pesou-se em uma balança analítica a tara da capsula de alumínio vazia (com
tampa numerada e livre de umidade), adicionou-se a amostra de grão germe seco, e
foram colocadas em uma bandeja de alumínio e levadas para uma estufa de
secagem a vácuo, previamente aquecida de ( 100°C a 120°C), com capacidade até
150°C, 30 polegadas de vácuo de mercúrio (≈ 762 mmHg) com perda desprezível,
mantendo-se constante e uniforme a temperatura em seu interior, foi instalado com
conexão T na tubulação de saída, conectado manômetro de vácuo e uma válvula de
regulagem, entre eles instalou-se um frasco lavador de gases, adicionou-se ácido
sulfúrico, extraindo 2 bolhas de ar por segundo, com bomba de baixo vácuo para
manter a pressão constante, ligou-se o vácuo com cuidado para não expandir a
amostra verificou-se a temperatura no início até que se estabilize, iniciou-se a
contagem e foi marcado a hora para retirar a amostra, desligou-se o vácuo 30
minutos antes da retirada, após retirado com o auxílio de uma luva para temperatura
acima de 100°C. Transferiu-se para o dessecador com sílica gel, a capsula fechada
utilizando uma pinça, tampando e aguardando de 15 a 20 minutos ou até que esteja
totalmente fria. Repesou-se, e foi calculado a porcentagem de umidade.
3.3 Procedimento Leituras em Espectrômetro FT-NIR
Inicialmente foram gerados espectros com leituras em triplicata, identificados e
salvos os arquivos conforme o secador, data de coleta e horário. Adicionou-se ao
compartimento a amostra de germe seco em grãos de maneira uniforme, compacta
que cubra totalmente o fundo do recipiente (Figura A), e foi realizado a leitura no
software.
Figura A - Recipiente de amostra Figura B - Espectrômetro FT-NIR
2728
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
FONTE: Própria Autora, 2020. FONTE: Própria Autora, 2020.
4. RESULTADOS DE DISCUSSÃO
Foram introduzidos os 195 espectros com os valores respectivos de referência de
umidade das 65 amostras analisadas. Utilizando técnicas de quimiometria pelo
software OPUS e suporte técnico da empresa Bruker para construção da curva, que
possibilitou avaliar a correlação entre as amostras, o Gráfico 1 representa o espectro
em comprimento de onda e a seleção das regiões avaliadas com os melhores
pontos para a determinação da curva e no Gráfico 2 o modelo de calibração
predição (valor gerado pelo equipamento FT-NIR) versus real (valor de referência
por estufa a vácuo), onde alguns pontos mais afastados da reta diagonal sendo o
ponto vermelho com maior desvio, com base nesta correlação obteve-se o R²= 0,677
abaixo do ideal e RMSECV= 0,735 acima.
Grafico1 - Seleção de Região espectral interativa para determinação do conjunto de
calibração
FONTE: Própria Autora, 2020.
2930
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
Gráfico 2 - Predição versus Real Validação Cruzada (Modelo de Calibração)
FONTE: Própria Autora, 2020.
4.1 VALIDAÇÃO DA CURVA
Para a validação foram analisadas 26 amostras e gerando 52 espectros, após
a obtenção das referências foi inserido no software OPUS para avaliação de
RMSEP, comparados predição (valor gerado pelo equipamento FT-NIR) versus real
(valor de referência por estufa a vácuo), para resultados menores as retas e pontos
ficaram mais próximas e à medida que os valores aumentam vão se afastando,
obtendo os resultados de RMSEP= 0,387 e R²= 0,91, conforme Gráfico 3.
Gráfico 3 - Predição versus Verdadeiro (Validação)
3132
377
378
379
380
381
382
383
384
385
386
387
388
FONTE: Própria Autora, 2020.
Obteve-se uma melhora nos resultados da validação Gráfico 3, RMSEP=
0,387/R²=0,91 em comparação com o modelo de validação cruzada Gráfico 2,
RMSECV= 0,735/R²= 0,677, trazendo mais representatividade na correlação do
modelo pelo R².
5. CONCLUSÃO
Conclui-se que modelo de curva de calibração geradas a partir da porcentagem
de umidade do germe de milho, apresentou os dados significativos de RMSEP de
0,387, coeficiente de determinação 0,91 a partir da validação, que avaliado dentro
da rotina do processo está aprovado para uso, sendo possível monitorar secagem
do germe pela umidade rápida no espectrômetro FT-NIR.
Para controle será realizado semanalmente checagem com uma mesma
amostra pelo método umidade oficial e umidade rápida.
No modelo de calibração e na validação (Gráficos 2 e 3) obteve-se valores
afastado da reta, com uma certa variação, como o germe se trata de um material em
grãos, tendo assim na preparação da analise uma amostra heterogenia, de difícil
homogeneização apresentando um maior desvio em uma mesma amostra. Para
melhorar uma opção seria realizar os testes com a amostra moída, e aumentar o
campo de amostragem, que demanda uma maior dedicação e disponibilidade.
3334
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
6. REFERÊNCIA BIBLIOGRAFICA
ALMEIDA, Filipa Margarida Neves, Espectroscopia de Infravermelho Próximo comTransformada de Fourier (FT-NIR) na Caracterização deFarinhas para Alimentação Pueril, Universidade Técnica de Lisboa, Portugal -novembro 2009.
Disponível em:
https://fenix.tecnico.ulisboa.pt/downloadFile/395139422094/Tese%20FINAL
%20Filipa%20Almeida.pdf. Acesso em: 07 novembros 2020.
ANAZAWA, Carlos . Processo do Germe de Milho. Ingredion Brasil Ingr. Inds. Ltda,
Mogi Guaçu–SP, junho.2005 [mensagem pessoal] Mensagem recebida por:
<[email protected]>. em: 01 maio 2020.
BRUKER CORPORATION (Eua). Bruker Corporation (org.). FTIR / FT-NIR Process Spectrometers: optical spectroscopy is today a very important method for online
process monitoring and optimization. fiber-coupled probes allow a direct look into the
process without delay. Massachusetts, 2020. Página: brucker.com. Disponível em:
https://www.bruker.com/products/infrared-near-infrared-and-raman-spectroscopy/
ftirnir-for-process.html. Acesso em: 24 maio 2020.
CAMPESTRINI, Evandro. Utilização de equipamento nirs (near infrared reflectance spectroscopy) nos estudos de valores nutricionais (composição química e digestibilidade) de alimentos para não ruminantes. Revista Eletrônica
Nutritime, Maringá, v. 5, n. 2, p. 1-12, out. 2005. Semanal. Mestrando em Zootecnia -
Nutrição de Monogástricos (Avicultura) -Universidade Estadual de Maringá – UEM;
[email protected]. Disponível em:
https://www.nutritime.com.br/arquivos_internos/artigosBK/025V2N5P235_246_SET2
005.pdf. Acesso em: 24 maio 2020.
CONZEN, J. P.. Multivariate Calibration. A Practical Guide for the Method Development in the Analytical Chemistry. Bruker Optick GmbH. 2nd edition. 2006
FATOBENE, Fernando da. Processo do Farelo de Milho. [mensagem pessoal]
Mensagem recebida por: <[email protected]>. em: 15 maio 2020.
3536
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
GOMES, Paulo Roberto Barros et al. Utilização dos métodos automáticos em fluxos com detecção espectrofotométrica na determinação de diclofenaco de sódio em formulações farmacêuticas e fluidos corporais. 2019. 48 v. TCC
(Graduação) - Curso de Químico-farmacêutica, Ciência e Tecnologia, Diversas
Instituições, Bogotá - Colômbia, 2019. Cap. 1. Disponível em:
http://www.scielo.org.co/scielo.php?script=sci_abstract&pid=S0034-
74182019000100029&lng=en&nrm=iso&tlng=pt. Acesso em: 07 jun. 2020.
GOMES, Italo Gonçalves, Determinação da concentração contaminantes no Caolim Através da Teoria Kubelka-Munk, Universidade Federal do Rio Grande do
Sul, Porto Alegre- RS, 2009. Disponivel em:
https://www.lume.ufrgs.br/bitstream/handle/10183/17160/000711798.pdf?
sequence=1. Acesso em: 08 novembros 2020.
INGREDION CORPORATION, (BR) Ingredion Brasil. Process Flowchart PT. Mogi
Guaçu-SP, Setembro.2019. Disponível em:
https://www.ingredion.com.br/content/dam/ingredion/technicaldocuments/brasil/Corn
%20Germ%20-%20Process%20Flowchart%20-%20Portuguese.pdf. Acesso em: 12
outubro 2020.
LEVIN, Jack. Estatística Aplicada a Ciências Humanas. 02. ed. São Paulo: Harper
& Row, 1978. 310 p. (01).
PIRES, Flávio Flores et al. Uso da técnica da espectrofotometria de refletância no infravermelho proximal (nirs) na predição da composição química da alfafa.
1978. 6 f. TCC (Graduação) - Curso de Zootécnia, Revista Brasileira de Zootecnia,
Universidade Federal do Rio Grande do Sul, Porto Alegre - Rio Grande do Sul, 1998.
Cap. 01. Disponível em: http://www.sbz.org.br/revista/artigos/2200.pdf. Acesso em:
24 maio 2020.
SABIN, J. G., Ferrão, M. F., Furtado, J. C.. Análise multivariada aplicada na identificação de fármacos antidepressivos. Parte II: Análise por componentes principais (PCA) e o método de classificação SIMCA. Brazilian Journal of
3738
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466467
468
469
470
471
472
473
474
475
476
477
478
479
Pharmaceutical Sciences vol. 40, n. 3, jul./se. 2004. Disponível em:
https://www.scielo.br/pdf/rbcf/v40n3/15.pdf. Acesso em: 07 novembros 2020.
SILVA, Jéssica Graziela da. Processo do Farelo de Milho. [mensagem pessoal]
Mensagem recebida por: <[email protected]>. em: 01 maio 2020.
3940
480
481
482
483
484