Aplicação de redes neurais artificiais na ciência e tecnologia de alimentos : estudo de casos

Redes Neurais Artificiais (RNAs) são uma forma de Redes Neurais Artificiais (RNAs) são uma forma de computação não-algorítmica capaz de resolver problemas complexos obtendo resultados melhores que os métodos matemáticos. As RNAs têm sido aplicadas em muitas áreas da ciência e tecnologia de alimentos, principalmente em problemas de classificação, predição, reconhecimento de padrões e controle. Este trabalho trata dois casos. O primeiro caso simula a salga mista de queijo prato e utilizou uma rede Função Base Radial (RBF). Essas redes são consideradas aproximadoras universais de funções. O modelo que apresentou melhor resultado foi o desenvolvido com 7 variáveis de entrada: as três dimensões do queijo (X, Y e Z), tempo de salga, concentrações iniciais de NaCl e KCl na salmoura e condição de contorno (salga estática ou agitada), 29 neurônios na camada intermediária e 13 vizinhos mais próximos de K. O desvio na simulação foi de 5,5% para NaCl e 4,4% para KCl. O segundo caso foi uma tentativa de classificar hortícolas quanto à sua forma de cultivo (convencional, hidropônico e orgânico). Foram utilizadas redes Perceptron de Múltiplas Camadas (MLP). A rede MLP é muito empregada em classificações devido ao seu grande poder de generalização. As topologias que apresentaram classificação (acerto de 100% no treinamento e validação) foram as seguintes. Para o morango, rede com 12 variáveis de entrada (Mg, Al, Fe, Mn, Co, Cu, frutose, sacarose, nitrato, lipídios e carboidratos) e 6 neurônios na camada intermediária. Para alfaces crespas redes com 30 variáveis de entrada (composição centesimal, açúcares, todos os minerais, soma de açúcares, soma de minerais, nitrato, nitrito e soma nitrato+nitrito) e com 10 e 13 neurônios na camada oculta classificaram, respectivamente, quando foram comparados os cultivos convencional X orgânico e orgânico X hidropônico. Na comparação entre cultivos convencional e hidropônico foram necessárias 13 variáveis de entrada (Na, Mg, Al, Fe, Mn, Se, Hg, Pb, soma de açúcares, cinzas, lipídeos e energia) e 5 neurônios na camada escondida. No tomate cereja, os modelos que apresentaram classificação foram os que utilizaram 15 variáveis de entrada (Na, Mg, Al, Ca, Fe, Mn, Cd, Pb, nitrato, nitrito, soma nitrato+nitrito, cinzas, lipídios, proteínas e energia) e 10 neurônios quando se comparou os cultivos orgânico e hidropônico. Ainda, 11 variáveis (Na, Mg, P, Ca, Fe, Mn, Zn, Cd, nitrato, soma nitrato+nitrito e lipídios) e 4 neurônios na camada oculta quando os cultivos convencional e hidropônico foram comparados. Este trabalho adiciona evidências ao potencial de aplicação das RNAs para modelar tarefas complexas no controle e simulação de processos alimentares e na capacidade de classificação de dados na análise de alimentos.Artificial Neural Networks (ANNs) are a non algorithm computing method capable of solving complex problems, getting better results than mathematical methods. The artificial neural networks has been used in many areas of technology and food science, most of them in classification problems, prediction, pattern recognition and control. This study approach two different situations. The first one simulates the brining of prato Brazilian cheese and uses a radial basis function (RBF). These networks are considerate universal function approximation. The model that have the best result was develop with 7 input variables: Three dimensions of cheese (X, Y, and Z), time of brining, NaCl and KCl inicial concentrations in the brining and boundary conditions (stationary or with agitacion brine), 29 units in the hide layer and 13 K-Nearest neighbors. The simulation deviation was about 5,5% for NaCl and 4,4% for KCl.The second situation was an attempt to assort some horticultural based on the cultivation (conventional, hydroponic and organic). Multi Layer Perceptron (MLP) networks have been used to do that. The MLP has a great ability of generalization and is very used in classification problems. The topologies that acquired classification (100% in training and validation) was as follow: Strawberry, network with 12 input variables (Mg, Al, Fe, Mn, Co, Cu, fructose, sucrose, nitrate, lipid e carbohydrate) and 6 units in the hide layer. For crispleaf lettuce networks with 30 input variables (composition centesimal, sugars, all the minerals, sugarss sum, mineralss sum, nitrate, nitrite e sum of nitrate+nitrite) and with 10 and 13 units in the hide layer, was classificated when compared with conventional cultivation X organic cultivation and organic cultivation X hydroponic cultivation. For the comparation between conventional cultivation and hydroponic cultivation was used 13 input entries variables (Na, Mg, Al, Fe, Mn, Se, Hg, Pb, sugars sum, ash, lipids e energy) and 5 units in the hide layer. Using the cherry tomato the model that could be classified was the one that has used 15 input variables (Na, Mg, Al, Ca, Fe, Mn, Cd, Pb, nitrate, nitrite, sum of nitrate+nitrite, ash, lipids, proteins and energy) and 10 units when compared agaist organic and hydroponic cultivation. Yet, 11 input variables (Na, Mg, P, Ca, Fe, Mn, Zn, Cd, nitrate, sum of nitrate+nitrite e lipids) and 4 units in the hide layer when the conventional and hydroponic cultivation where compared each other. This study adds some evidence to the potential of the ANN application to modeling complex tasks in the control and simulation of food process and the capacity of data classification in food analysis