Desarrollo de una red neuronal artificial capaz de predecir la temperatura inicial de congelación de frutas exóticas cultivadas en Perú

Abstract

El objetivo de la presente investigación fue predecir la temperatura inicial de congelación (Tf) de cinco frutas exóticas del Perú mediante Inteligencia Artificial, siendo esta propiedad física muy importante ya que influye en la calidad, seguridad y vida útil de productos congelados, además, sirve para determinar el tiempo de congelación de un alimento. Se emplearon redes neuronales artificiales con diferentes números de capas (3, 6 y 9) y neuronas por capa (5, 10 y 20) con cuatro variables de entrada (porcentaje de humedad, °Brix, porcentaje de acidez y pH). Posteriormente, se aplicaron funciones de activación no lineales, como la unidad lineal rectificada (ReLU) y la función sigmoidal, para permitir que la red neuronal capturara relaciones más complejas entre los datos. Además, se probó reduciendo una variable de entrada para verificar si se podía reducir el error. Los resultados se validaron con las temperaturas iniciales de congelación de 17 frutas halladas experimentalmente. A su vez, se generaron 6 000 datos utilizando los valores mínimos y máximos de las dos variables de entrada con mayor correlación con Tf para evaluar el impacto de un mayor volumen de datos en el entrenamiento. La configuración óptima resultó la de 4 variables de entrada, 3 capas ocultas y 20 neuronas por capa, obteniendo un coeficiente de determinación (R2) de 0.96 y una raíz del error cuadrático medio (RMSE) de 0.121 °C utilizando la función sigmoidal. Esta configuración permitió predecir la Tf de las frutas exóticas estudiadas, validándolas al compararlas con las mediciones experimentales y modelos matemáticos por lo que la pitahaya, aguaje, chirimoya, camu camu y sanky, obtuvieron valores de - 2.24, - 1.96, - 2.78, - 1.09 y - 1.07 °C, respectivamente. La comparación reveló una diferencia absoluta promedio de 0.12 °C, validando la precisión de dicha red neuronal. Esta investigación refuerza el uso de la Inteligencia Artificial para predecir propiedades físicas con alta precisión en la industria alimentaria.The objective of this research was to predict the initial freezing temperature (Tf) of five peruvian exotic fruits using Artificial Intelligence. This physical property is very important as it influences the quality, safety, and shelf life of frozen products and also determines the freezing time of food. Artificial neural networks were employed with different numbers of layers (3, 6, and 9) and neurons per layer (5, 10, and 20) using four input variables (moisture content, °Brix, acidity percentage, and pH). Subsequently, nonlinear activation functions such as the rectified linear unit (ReLU) and the sigmoid function were applied to allow the neural network to capture more complex relationships between the data. Additionally, the effect of reducing an input variable was tested to see if the error could be minimized. The results were validated with the initial freezing temperatures of 17 fruits determined experimentally. Furthermore, 6,000 data points were generated using the minimum and maximum values of the two input variables with the highest correlation with Tf to evaluate the impact of increased data volume on training. The optimal configuration was found to be 4 input variables, 3 hidden layers, and 20 neurons per layer, achieving an coefficient of determination (R2) of 0.96 and the root mean square error (RMSE) of 0.121 °C using the sigmoidal function. This configuration allowed for the prediction of the Tf of the studied exotic fruits, validating them by comparison with experimental measurements and mathematical models. The predicted Tf values for pitahaya, aguaje, chirimoya, camu camu, and sanky were -2.24, -1.96, -2.78, -1.09, and -1.07 °C, respectively. The comparison revealed an average absolute difference of 0.12 ± 0.11 °C, validating the accuracy of the neural network. This research reinforces the use of Artificial Intelligence to predict physical properties with high precision in the food industry.