Uso de redes neurais artificiais para modelagem das propriedades de bolo sem glúten elaborado com farinha de arroz e farinha do resíduo agroindustrial de acerola
DOI:
https://doi.org/10.34117/bjdv9n3-123Keywords:
panificação, propriedades tecnológicas, texturaAbstract
O objetivo do trabalho foi modelar e predizer as propriedades tecnológicas de bolo sem glúten a partir da mistura da farinha de arroz (FA) e da farinha do resíduo agroindustrial de acerola (FRAA) por meio da aplicação de redes neurais artificiais (RNAs). Quatro modelos de redes perceptron de múltiplas camadas com arquitetura feedforward foram obtidas utilizando o método de validação k-fold. Os modelos 1, 2, 3 e 4 para predição do volume, perfil de textura, cor da crosta e cor do miolo apresentaram melhores topologias contendo 10, 9, 9 e 15 neurônios na camada oculta, respectivamente. A escolha da melhor topologia foi feita com base no coeficiente de determinação (R2) e nos menores valores de erro (RMSE). As RNAs obtidas demonstram ser capazes de predizer com boa precisão as propriedades de bolo sem glúten adicionados de FRAA.
References
AACC - AMERICAN ASSOCIATION OF CEREAL CHEMISTS. Approved methods of the American Association of Cereal Chemists. 9 ed. Saint Paul: AACC, 1995.
ALVES, R. O. R.; TOMÉ, O. C.; PEREIRA, P. C.; VILLANOEVA, C. N. B. C.; SILVA, V. M. Artificial neural networks in the prediction of fraud in integral milk powder by adding whey power. Ciência Rural, v. 52, n. 4, e20210109, 2022. https://doi.org/10.1590/0103-8478cr20210109.
BHAGYA RAJ, G. V. S.; DASH, K. K. Comprehensive study on applications of artificial neural network in food process modeling. Critical Reviews in Food Science and Nutrition, 2020. https://doi.org/10.1080/10408398.2020.1858398.
BATISTA, L.F.; MARQUES, C.S.; PIRES, A.C.S.; MINIM, L.A.; SOARES, N.F.F.; VIDIGAL, M.C.T.R.. Artificial neural networks modeling of non-fat yogurt texture properties: effect of process conditions and food composition. Food and Bioproducts Processing, v.126, p.164-174, 2021.
BELWAL, T.; DEVKOTA, H. P.; HASSAN, H. A.; AHLUWALIA, S.; RAMADAN, M. F.; MOCAN, A.; ATANASOV, A. G. Phytopharmacology of Acerola (Malpighia spp.) and its potential as functional food. Trends in food science & technology, v. 74, p. 99-106, 2018. https://doi.org/10.1016/j.tifs.2018.01.014.
BORGES, O. M. A.; CESCA, K.; AREND, G. D.; ALVAREZ-RIVERA, G.; CIFUENTES, A.; ZIELINSKI, A. A. F.; POLETTO, P. Integrated green-based methods to recover bioactive compounds from by-product of acerola processing. LWT, v. 151, p. 112104, 2021. https://doi.org/10.1016/j.lwt.2021.112104.
BORTOLOTTI, C. T.; SANTOS, K. G.; FRANCISQUETTI, M. C.; DUARTE, C. R.; BARROZO, M. A. Hydrodynamic study of a mixture of West Indian cherry residue and soybean grains in a spouted bed. The Canadian Journal of Chemical Engineering, v. 91, n. 11, p. 1871-1880, 2013.
BRITO, T.B.; CARRANJOLA, J.F.; GONÇALVES, E. C. B. A.; MARTELLI-TOSI, M. FERREIRA, M. S. L. Fruit and vegetable residues flours with different granulometry range as raw material for pectin-enriched biodegradable film preparation. Food Research International, v. 121, p. 412-421, 2019. https://doi.org/10.1016/j.foodres.2019.03.058.
COSTA, M.G., SOUZA, E. L., STAMFORD, T. L. M., ANDRADE, S. A. C. Qualidade tecnológica de grãos e farinhas de trigo nacionais e importados. Ciência e Tecnologia de Alimentos, v. 28, n. 1, p. 220-225, 2008. https://doi.org/10.1590/S0101-20612008000100031.
DELLA LUCIA, S. M.; MINIM, L. A. Redes Neurais Artificiais: Fundamentos e Aplicações. In: MINIM, V. P. R. (Ed.). Análise sensorial: estudos com consumidores. Viçosa: Editora. UFV, 2010. Cap. 9, p.258-279.
DEMIRKESEN, I.; MERT, B.; SUMNU, G.; SAHIN, S. Utilization of chestnut flour in gluten-free bread formulations. Journal of food engineering, v. 101, n. 3, p. 329-336, 2010. https://doi.org/10.1016/j.jfoodeng.2010.07.017.
FIB. FOOD INGREDIENTS BRASIL. Funcionalidades do Açúcar em bolos. Revista Fi, n. 35, 2015.
GOYAL, S.; GOYAL, G.K. Simulated Neural Network Intelligent Computing Models for Predicting Shelf Life of Soft Cakes. Global Journal of Computer Science and Technology, v.11, n. 14, 2011.
GONÇALVES NETO, J.; VIDAL OZORIO, L.; CAMPOS DE ABREU, T.C.; FERREIRA DOS SANTOS, B., PRADELLE, F. Modeling of biogas production from food, fruits and vegetables wastes using artificial neural network (ANN), Fuel, v. 285, 2021. https://doi.org/10.1016/j.fuel.2020.119081.
IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA, 2017. Censo Agropecuário 2017.
INFANTE, J.; SELANI, M. M.; TOLEDO, N. D.; Silveira, M. F.; ALENCAR, S. D.; SPOTO, M. H. F. Atividade antioxidante de resíduos. Alim. Nutr. Braz. J. Food Nutr., Araraquara, v. 24, n. 1, p. 87-91, jan./mar. 2013.
KIRBAS, Z; KUMCUOGLU, S.; TAVMAN, S. Effects of apple, orange and carrot pomace powders on gluten-free batter rheology and cake properties. Journal Food Science Technology, v. 56, n. 2, p. 914-926. https://doi.org/10.1007/s13197-018-03554-z.
MARQUES, T. R.; CORRÊA, A. D.; DE CARVALHO ALVES, A. P.; SIMÃO, A. A.; PINHEIRO, A. C. M.; OLIVEIRA RAMOS, V. Cereal bars enriched with antioxidant substances and rich in fiber, prepared with flours of acerola residues. Journal of food science and technology, v. 52, n. 8, p. 5084-5092, 2015. https://doi.org/10.1007/s13197-014-1585-2.
MONTEIRO, S. A.; BARBOSA, M. M; DA SILVA, F. F. M.; BEZERRA, R. F.; SILVA MAIA, K. Preparation, phytochemical and bromatological evaluation of flour obtained from the acerola (Malpighia punicifolia) agroindustrial residue with potential use as fiber source. LWT, v. 134, p. 110142, 2020. https://doi.org/10.1016/j.lwt.2020.110142.
MOSCATTO, J. A.; PRUDÊNCIO-FERREIRA, S.H.; HAULY, M. C.O. Farinha de yacon e inulina como ingredientes na formulação de bolo de chocolate. Food Science and Technology, v. 24, p. 634-640, 2004. https://doi.org/10.1590/S0101-20612004000400026.
PENNA, M. L. F. Rede neural artificial para detecção de sobremortalidade atribuível à cólera no Ceará. Revista Saúde Pública, v. 38, n. 3, 2004.
PEREIRA BB., Introduction to Neural Networks in Statistics, Center of Multivariate Analysis, Technical Report; Penn. State University; 1999.
RENZETTI, S.; VAN DER SMAN, R.G.M. Food texture design in sugar reduced cakes: Predicting batters rheology and physical properties of cakes from physicochemical principles. Food Hydrocolloids, v. 131, 2022. https://doi.org/10.1016/j.foodhyd.2022.107795.
SALEHI, F. Improvement of gluten-free bread and cake properties using natural hydrocolloids: A review. Food Science & Nutrition, v. 7, n. 11, p. 3391-3402, 2019. https://doi.org/10.1002/fsn3.1245.
SILVA, J. D. O.; WISNIEWSKI JR, A.; CARREGOSA, I. S. C.; SILVA, W. R.; SOUZA ABUD, A. K.; OLIVEIRA JÚNIOR, A. M. Thermovalorization of acerola industrial waste by pyrolysis in a continuous rotary kiln reactor. Journal of Analytical and Applied Pyrolysis, v. 161, p. 105373, 2022. https://doi.org/10.1016/j.jaap.2021.105373.
SIVARAMAKRISHNAN, H. P.; SENGE, B.; CHATTOPADHYAY, P. K. Rheological properties of rice dough for making rice bread. Journal of Food Engineering, Essex, v. 62, n. 1, p. 37-45, 2004. http://dx.doi.org/10.1016/S0260-8774(03)00169-9.
SPÖRL, C.; CASTRO, E. G.; LUCHIARI, A. Aplicação de Redes Neurais Artificiais na construção de modelos de fragilidade ambiental. Revista do Departamento de Geografia, v. 21, n.1, p. 113-135, 2011. https://doi.org/10.7154/RDG.2011.0021.0006.
SANTOS, F. G.; AGUIAR, E.V.; CAPRILES, V.D. Analysis of ingredient and nutritional labeling of commercially available gluten-free bread in Brazil. International Journal of Food Sciences and Nutrition, v. 70, n. 5, p. 562-569, 2019. https://doi.org/10.1080/09637486.2018.1551336.
XU, J.; ZHANG, Y.; WANG, W.; LI, Y. Advanced properties of gluten-free cookies, cakes, and crackers: A review. Trends in Food Science & Technology, v. 103, p. 200–213, 2020. https://doi.org/10.1016/j.tifs.2020.07.017.
