Predicción de la temperatura inicial de congelación de raíces y tubérculos andinos utilizando inteligencia artificial

Abstract

El objetivo de esta investigación fue de predecir la temperatura inicial de congelación (Tf) de raíces y tubérculos andinos (mashua, maca, yacón, arracacha, olluco) mediante técnicas de Inteligencia Artificial, donde esta se revela como una propiedad física crucial, dada su influencia en diversas propiedades termo físicas como el calor específico, conductividad térmica y tiempo de congelación. Se emplearon redes neuronales artificiales (RNA) con diversas configuraciones de capas (3, 5, 10) y neuronas (5, 10, 20), basadas en datos de composición de la USDA (2023). Esta base de datos comprendió 31 conjuntos de datos y 6000 conjuntos generados dentro de los límites de la composición determinada, para analizar el efecto del aumento de datos de entrenamiento. Los datos de composición se utilizaron como entradas, y las temperaturas iniciales de congelación se determinaron mediante el modelo de Boonsupthip y Heldman (2007), siendo utilizados como variables de salida para el entrenamiento de las RNA. Se evaluaron ocho variables de entrada (agua, proteínas, grasas, monosacáridos, disacáridos, fibra, minerales y ácido ascórbico), así como cinco (reduciendo las de mayor peso molecular). Los resultados se validaron comparándolos con temperaturas iniciales de congelación teóricas y analizando la composición proximal y mineral de las raíces y tubérculos. La configuración más precisa fue con 31 conjuntos de datos, 5 variables de entrada, 3 capas ocultas y 5 neuronas, logrando un R2 de 0.99 y un RMSE de 0.02 °C. Con esta configuración, se predijo la temperatura inicial de congelación de las raíces y tubérculos, validándolas al compararlas con las mediciones experimentales de la arracacha, maca, olluco, yacón y mashua, obteniendo valores de -1.11, -2.03, -0.7, 1.37 y -0.86 °C respectivamente. La comparación reveló una diferencia absoluta promedio de 0.33 ± 0.17 °C y un porcentaje de error del 31.82%, validando la precisión de la red neuronal. Este estudio representa un avance significativo en la comprensión y aplicación de estas metodologías en la industria alimentaria.

The objective of this research was to predict the initial freezing temperature (Tf) of Andean roots and tubers (mashua, maca, yacon, arracacha, olluco) using Artificial Intelligence techniques. Tf emerges as a crucial physical property, influencing thermophysical properties such as specific heat, thermal conductivity, and freezing time. Artificial neural networks (ANNs) were employed with varying layer configurations (3, 5, 10) and neurons (5, 10, 20), based on composition data from the USDA (2023). The database comprised 31 datasets and 6000 generated sets within established composition limits to analyze the effect of increased training data. Composition data served as inputs, and freezing temperatures were determined by the Boonsupthip and Heldman (2007) model, used as output variables for ANN training. Eight input variables were evaluated (water, proteins, fats, monosaccharides, disaccharides, fiber, minerals, and ascorbic acid), along with five (with reduced molecular weight). Results were validated by comparing them with theoretical freezing temperatures and analyzing the proximal and mineral composition of roots and tubers. The most accurate configuration utilized 31 datasets, 5 input variables, 3 hidden layers, and 5 neurons, achieving an R2 of 0.99 and an RMSE of 0.02 °C. Using this configuration, freezing temperatures of roots and tubers were predicted and validated by comparing them with experimental measurements of arracacha, maca, olluco, yacon, and mashua, obtaining values of -1.11, -2.03, -0.7, -1.37, and -0.86 °C, respectively. The comparison revealed an average absolute difference of 0.33 ± 0.17 °C and a percentage error of 31.82%, confirming the accuracy of the neural network. This study represents a significant advancement in understanding and applying these methodologies in the food industry.