To cite this paper use one of the standards below:
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.
Visualizaciones por mes
Conteo de Galoá, excluyendo robots conocidos. Actualizado el 30/09/2026.
Visualizaciones por mes
Conteo de Galoá, excluyendo robots conocidos. Actualizado el 30/09/2026.
Con casi 200.000 artículos publicados, Galoá permite a los académicos compartir y descubrir investigaciones de vanguardia a través de nuestra plataforma de publicación académica optimizada y accesible.
Obtenga más información sobre nuestros productos:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Atención: este no es un DOI para el trabajo y, como tal, no se puede usar en Lattes para identificar un trabajo en particular.
Check the link "How to cite" en la página del papel, para ver cómo citar correctamente el papel