Redes neurais artificiais e modelos de regressão na predição de propriedades reológicas de méis brasileiros

• Autor(a) principal: Silva, Vanelle Maria da
• Data de Publicação: 2016
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/30018
• topic: Redes Neurais Artificiais; Regressão não linear; Mel; Qualidade; Ciência de Alimentos

As propriedades reológicas de méis têm uma importância prática para apicultores e indústrias. As relações entre propriedades físico-químicas e reológicas são sistemas não lineares complexos. Deste modo, redes neurais artificiais (RNAs) e modelos de regressão linear e não linear foram utilizados para a predição de propriedades reológicas de 40 méis brasileiros de diferentes origens florais, a partir de medidas de fácil obtenção. Uma caracterização reológica dos méis foi realizada por meio de testes de cisalhamento no estado estacionário para a determinação da viscosidade (η) em diferentes temperaturas (10 °C a 60 °C) e testes de cisalhamento oscilatório de pequenas amplitudes (COPA) para determinação dos parâmetros módulo elástico (G’), módulo viscoso (G’’) e viscosidade complexa (η*) em varreduras de temperatura (0 °C; 75 °C; 0 °C) e varreduras de frequência (0,1 Hz a 10 Hz) em diferentes temperaturas (10 °C a 60 °C). Todos os méis apresentaram comportamento como líquido nas temperaturas e no espectro mecânico avaliados. O modelo de Arrhenius foi o mais adequado na estimativa da η de todos os méis e da η* de alguns deles, sendo o modelo Williams-Landel-Ferry (WLF) o mais apropriado na predição da η* dos méis laranjeira, multifloral-sudeste e multifloral-sul. Modelos simplificados foram propostos na determinação da η e η* a partir do efeito combinado da temperatura e concentração, com coeficiente de determinação (R²) igual a 0,9540 e 0,9334, e erro (root mean square error - RMSE) igual a 8,00 e 10,44, para η e η*, respectivamente. Na estimativa da viscosidade (η) em medidas de cisalhamento no estado estacionário, uma RNA (modelo 1) com arquitetura 2-12-1 neurônios em suas camadas apresentou um bom desempenho na fase de teste, com RMSE e coeficiente de correlação (r) iguais a 0,0430 e 0,9681 respectivamente. Na predição dos parâmetros G’, G’’ e η* na varredura de temperatura durante aquecimento e resfriamento, RNAs com arquitetura 2-9-3 (modelo 2) e 2-3-3 (modelo 3), apresentaram RMSE iguais a 0,0261 e 0,0387, na fase de teste, respectivamente. Para todos os parâmetros determinados, modelos não lineares exponenciais apresentaram resultados equivalentes aos modelos 1, 2 e 3. Uma RNA com arquitetura 3-9-3 (modelo 4) apresentou RMSE e r, para G’ iguais a 0,0158 e 0,7301, para G’’ iguais a 0,0176 e 0,9581 e para η* iguais a 0,0407 e 0,9647, respectivamente, na fase de teste, para os dados de varredura de frequência. Estes resultados foram superiores aos obtidos por meio de modelos lineares múltiplos de segunda ordem. A obtenção de todos os modelos representa uma importante aplicação para o processamento de méis e de produtos à base de mel, visto que tais propriedades são essenciais nos cálculos de engenharia e no controle de qualidade dos produtos.