Predicción de la adulteración del aceite vegetal utilizando modelos de machine learning asociados con espectroscopia FT-IR

Vol.2, 2025 - 334303
Póster
Favoritar este trabajo
¿Cómo citar este artículo?
Resúmenes

La adulteración de los aceites vegetales es un problema común en la industria alimentaria que, en consecuencia, compromete la calidad de los productos. Sin embargo, los métodos tradicionales de análisis para evaluar la composición y calidad de los aceites vegetales tienen altos costos operativos y requieren tiempo. De esta manera, la espectroscopia infrarroja por transformada de Fourier (FT-IR) asociada a algoritmos de machine learning (ML) puede actuar como alternativas de análisis rápidas, no destructivas y de bajo costo. Por lo tanto, el presente trabajo tuvo como objetivo desarrollar y evaluar modelos de ML para predecir la adulteración de aceites vegetales utilizando mezclas modelo compuestas de aceite de palma (OP) y aceite de soja (OS) a partir de los espectros FT-IR de las mezclas. Las mezclas binarias se prepararon en fracciones volumétricas de OS (0-100% con variaciones del 10%). Los espectros se obtuvieron por FT-IR, en el rango de 650-4000cm-1, totalizando 1798 puntos espectrales por muestra. Los datos obtenidos fueron tratados con corrección basal por Mínimos Cuadrados Asimétricos , suavizado por Savitzky-Golay y estandarización. Para aumentar la generalización de los modelos, se generaron datos sintéticos con la adición de ruido gaussiano y desplazamiento espectral. Además, los datos se sometieron a análisis de componentes principales (PCA) para la selección de regiones espectrales con diferencias significativas (95%) permitiendo una reducción en la dimensionalidad de los datos y una mayor precisión en el modelado. Se probaron cinco modelos de regresión: árbol de decisión, K-vecinos más cercanos  (KNN), regresión de vectores de soporte (SVR), bosque aleatorio y gradient boosting. Los modelos se evaluaron mediante validación cruzada (Leave-One-Out), utilizando el error cuadrático medio (MSE) y el coeficiente de determinación (R²). El PCA logró identificar las diferencias entre las muestras antes y después de la adición de datos sintéticos, demostrando que el FT-IR, en algunas regiones del espectro, es capaz de identificar cambios debido a la adición de SO en OP. Los modelos ML que obtuvieron mejores resultados en la predicción de la concentración de SO en OP fueron el de gradient boosting (MSE = 0,0005 y R² = 0,993) y el de bosque aleatorio (MSE = 0,0010 y R² = 0,9875). Los residuos se distribuyeron normalmente, lo que indica que los errores del modelo son aleatorios. Este trabajo demuestra que los espectros FTIR asociados a los modelos ML presentan una combinación que permite no solo detectar sino también cuantificar la adulteración de aceites vegetales (en el caso evaluado, adulteración de aceite de palma con aceite de soja) con alta precisión, siendo un análisis rápido y de menor costo para el control de calidad en la industria alimentaria.

¡Comparte tus ideas o preguntas con los autores!

¿Sabías que el mayor estímulo en el desarrollo científico y cultural es la curiosidad? ¡Deje sus preguntas o sugerencias al autor!

Inicia sesión para interactuar

¿Tiene alguna pregunta o sugerencia? ¡Comparte tus comentarios con los autores!

Instituciones
  • 1 FEA/UNICAMP
Eje Temático
  • Formulación y procesamiento de alimentos
Palabras Clave
Adulteración de aceites vegetales
Machine Learning
Espectroscopia FTIR