Computer-aided product design para alternativas à manteiga de cacau.

• Autor(a) principal: Bearzi, Lara Fadel
• Data de Publicação: 2024
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/3/3137/tde-06052024-075223/
• topic: Algoritmos genéticos; CAPD; Chocolate; Chocolate; Computer-Aided Product Design; Genetic algorithm; Optimization; Otimização; Qualidade do produto; Solid fat content

A busca por substitutos à manteiga de cacau em produtos de chocolate é uma atual realidade, dados os riscos existentes à produção do cacau, seu preço instável, e a disponibilidade de outras matérias-primas mais baratas. Além disso, o mercado para as indústrias químicas vem se tornando cada vez mais competitivo, exigindo que as empresas foquem na satisfação do cliente, tanto em qualidade do produto quanto em tempo para lançamento. Para auxiliar no desenvolvimento de novos produtos, a metodologia Computer-Aided Product Design utiliza conceitos de Engenharia Reversa usando simulações computacionais e modelos de predição de propriedades físico-químicas. Visando proporcionar uma busca otimizada de substitutos à manteiga de cacau, o presente trabalho trata da criação de uma ferramenta de otimização em Python, acoplada a um modelo de predição do cálculo de Conteúdo de Gordura Sólida (CGS), cujo objetivo é encontrar uma mistura que possa vir a substituir a manteiga de cacau em produtos de chocolate. O CGS foi escolhido, pois quantifica uma propriedade fundamental em chocolates: sólido a temperatura ambiente, e líquido à temperatura corporal. As predições do CGS foram feitas pela solução de um problema termodinâmico de equilíbrio sólido-líquido. A etapa de Engenharia Reversa construída nesse trabalho, utilizou um Algoritmo Genético (AG), e para isso, foi definida uma função objetivo baseada no CGS das temperaturas de 5, 25, e 35ºC. Dentro dos testes de óleos individuais e misturas binárias, foi feita uma análise de sensibilidade para otimizar os parâmetros quantitativos, como o tamanho da população, taxa de crossover e mutação. Para as misturas binárias, com tamanho de população de 100 indivíduos, taxa de crossover de 90%, taxa de mutação de 5%, e tempo de simulação de 12 horas, foi possível obter uma função objetivo 15% acima da obtida com óleos individuais, ou seja, foi possível encontrar uma solução mais bem adaptada para substituir a manteiga de cacau, o que demonstra que a metodologia pode vir a ser utilizada como guia em processos de desenvolvimento de novos produtos. Como trabalhos futuros recomenda-se unificar as ferramentas utilizadas na otimização, o que reduziria consideravelmente o tempo de simulação, realizar uma análise de sensibilidade dos parâmetros qualitativos do Algoritmo Genético, como os métodos de seleção e substituição, e buscar soluções formadas por misturas ternárias de óleos e gorduras.