Aplicación del análisis Weibull y redes neuronales artificiales para la predicción de la vida útil de queso mantecoso envasado al vacío
DOI:
https://doi.org/10.17533/udea.redin.n82a07Palabras clave:
análisis de Weibull, redes neuronales artificiales, error cuadrático medio, tiempo de vida útilResumen
El objetivo de este trabajo fue evaluar la capacidad de las redes neuronales artificiales (RNA) para predecir la vida útil y la acidez en el queso fresco envasado al vacío. En primer lugar, se prepararon muestras de queso de 200 g por unidad. Luego estas muestras se almacenaron en un intervalo de 2 a 4 días a temperaturas de 4, 10 y 16¿ C y humedad relativa del 67,5%. A lo largo de almacenamiento se determinaron la acidez (AC) y la aceptabilidad sensorial. Esta aceptabilidad se utilizó para determinar el tiempo de vida útil (TVU) por el método de riesgo sensorial Weibull modificado. Se creó y entrenó un conjunto de redes neuronales artificiales (RNA); como entradas se utilizaron la temperatura (T), tiempo de maduración (M) y posibilidad de fallo (F (x)) y TVU y AC como salidas. A partir de este conjunto, se seleccionaron las redes con el menor error cuadrático medio (ECM) y el mejor ajuste (R 2 ). Estas redes mostraron coeficientes de correlación (R2) de 0,9996 y 0,6897 para TVU y AC respectivamente y buena precisión en comparación con modelos de regresión. Se muestra que la RNA puede usarse para modelar adecuadamente TVU y en menor grado AC de quesos frescos envasados al vacío.
Descargas
Citas
T. Labuza, “Application of chemical kinetics to deterioration of foods,” Journal of Chemical Education, vol. 61, no. 4, pp. 348-358, 1984.
S. Pezo, Queso cajamarquino de calidad. Experiencia de la Coordinadora del Sector de Derivados Lácteos de Cajamarca - Codelac. Lima, Peru: Soluciones Prácticas- ITDG (Intermediate Technology Development Group), 2007.
F. Boucher and M. Guégan, Queserías rurales en Cajamarca. Lima, Peru: ITDG (Intermediate Technology Development Group), 2004.
F. Boucher and D. Desjardins, “La concentración de las queserías rurales de Cajamarca: retos y dificultades de una estrategia colectiva de activación,” Agroalimentaria, vol. 10, no. 21, pp. 13-27, 2005.
G. Hough and S. Fiszman, Estimación de la vida útil sensorial de los alimentos, 1st ed. Madrid, Spain: CYTED, 2005.
E. Al-Kadamany et al., “Determination of shelf life of concentrated yogurt (labneh) produced by in-bag straining of set yogurt using hazard analysis,” J. Dairy Sci., vol. 85, no. 5, pp. 1023-1030, 2002.
C. Cardelli and T. Labuza, “Application of Weibull Hazard Analysis to the Determination of the Shelf Life of Roasted and Ground Coffee,” LWT - Food Science and Technology, vol. 34, no. 5, pp. 273-278, 2001.
S. Goyal and G. Goyal, “Predicting shelf life of dairy product by using artificial neural networks (ANN) and statistical computerized methods,” International Journal of Computer Engineering Research, vol. 3, no. 2, pp. 20-24, 2012.
J. Paquet, C. Lacroix, and J. Thibault, “Modelling of pH and Acidity for Industrial Cheese,” J. of Dairy Sci., vol. 83, no. 11, pp. 2393-2409, 2000.
Indecopi (Instituto Nacional de Defensa de la Competencia y de la Protección de la Propiedad Intelectual), “Norma Técnica Peruana, NTP 202.151. Leche y productos lácteos. Queso. Determinación de acidez. Método de titulación”, Indecopi, Lima, Perú, 1998.
W. Duyvesteyn, E. Shimoni, and T. Labuza, “Determination of the end of shelf-life for milk using Weibull Hazard Method,” LWT - Food Science and Technology, vol. 34, no. 3, pp. 143-148, 2001.
J. Sánchez and J. Pérez, “Sensory shelf life of mantecoso cheese using accelerated testing,” Scientia Agropecuaria, vol. 7, pp. 215-222, 2016.
N. Lópes and C. Novoa, “Evaluación de la vida útil sensorial del queso doble crema con dos niveles de grasa,” Rev. Med. Vet. Med. Zoot., vol. 55, no. 2, pp. 91-99, 2008.
J. Rojas and V. Vásquez, “Predicción mediante redes neuronales artificiales (RNA) de la difusividad, masa, humedad, volumen y sólidos en yacón (Smallantus sonchifolius) deshidratado osmóticamente,” Scientia Agropecuaria, vol. 3, no. 3, pp. 201-214, 2012.
V. Vásquez and C. Lescano, “Predicción por redes neuronales artificiales de la calidad fisicoquímica de vinagre de melaza de caña por efecto de tiempotemperatura de alimentación a evaporadordestilador flash,” Scientia Agropecuaria, vol. 1, no. 1, pp. 63-73, 2010.
P. Ponce, Inteligencia artificial con aplicaciones a la ingeniería, 1st ed. City of Mexico, Mexico: Alfaomega, 2010.
A. Sofu and F. Ekinci, “Estimation of Storage Time of Yogurt with Artificial Neural Network Modeling,” J. Dairy Sci., vol. 90, no. 7, pp. 3118-3125, 2007.
S. Goyal and G. Goyal, “A Novel Method for Shelf Life Detection of Processed Cheese Using Cascade Single and Multi Layer Artificial Neural Network Computing Models,” ARPN Journal of Systems and Software, vol. 2, no. 2, pp. 79-83, 2012.
S. Goyal and G. Goyal, “Radial Basis (Exact Fit) and Linear Layer (Design) ANN Models for Shelf Life Prediction of Processed Cheese,” International Journal of u- and e- Service, Science and Technology, vol. 5, no. 1, pp. 63-70, 2012.
S. Goyal and G. Goyal, “Artificial Neural Expert Computing Models for Determining Shelf Life of Processed Cheese,” International Journal of Electrical and Computer Engineering (IJECE), vol. 2, no. 3, pp. 333- 338, 2012.
S. Goyal and G. Goyal, “Artificial Neural Network Simulated Elman Models for Predicting Shelf Life of Processed Cheese,” International Journal of Applied Metaheuristic Computing, vol. 3, no. 3, pp. 20-32, 2012.
S. Goyal and G. Goyal, “Linear layer and generalized regression computational intelligence models for predicting shelf life of processed cheese,” Russian Journal of Agricultural and Socio-Economic Sciences, vol. 3, no. 3, pp. 28-32, 2012.
S. Goyal and G. Goyal, “Estimating Processed Cheese Shelf Life with Artificial Neural Networks,” International Journal of Artificial Intelligence (IJ-AI), vol. 1, no. 1, pp. 19-24, 2012.
S. Goyal and G. Goyal, “Smart Artificial Intelligence Computerized Models for Shelf Life Prediction of Processed Cheese,” International Journal of Engineering and Technology, vol. 1, no. 3, pp. 281-289, 2012.
S. Goyal and G. Goyal, “Artificial Intelligence Elman Backpropagation Computing Models for Predicting Shelf Life of Processed Cheese,” Internetworking Indonesia Journal, vol. 4, no. 1, pp. 3-7, 2012.
A. Motevali, S. Minaei, M. Khoshtaghaza, M. Kazemi, and A. Nikbakht, “Drying of Pomegranate Arils: Comparison of Predictions from Mathematical Models and Neural Networks,” International Journal of Food Engineering, vol. 6, no. 3, pp. 1 19, 2010.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2017 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter