Previsão de estabilidade de óleos vegetais através da rede de inteligência artificial

Stability prediction of the vegetable oils trough neural networks

PREVISÃO DE ESTABILIDADE DE ÓLEOS VEGETAIS ATRAVÉS DA REDE DE INTELIGÊNCIA ARTIFICIAL¹

Cauê M. VALE ²; Rui C. ZAMBIAZI ³,^*

RESUMO

Redes Neurais Artificiais são técnicas computacionais que se utilizam de um modelo matemático capaz de adquirir conhecimentos pela experiência; esse comportamento inteligente da rede provém das interações entre unidades de processamento, denominadas de neurônios artificiais. O objetivo deste trabalho foi criar uma rede neural capaz de prever a estabilidade de óleos vegetais, a partir de dados de suas composições químicas, visando um modelo para a previsão da shelf-life de óleos vegetais, tendo como parâmetros apenas dados de suas composições químicas. Os primeiros passos do processo de desenvolvimento da rede consistiram na coleta de dados relativos ao problema e sua separação em um conjunto de treinamento e outro de testes. Estes conjuntos apresentaram como variáveis dados de composição química, que incluíram os valores totais em ácidos graxos, fenóis, tocoferóis e a composição individual em ácidos graxos. O passo seguinte foi a execução do treinamento, onde o padrão de entrada apresentado à rede como parâmetro de estabilidade foi o índice de peróxido, determinado experimentalmente por um período de 16 dias de armazenagem na ausência de luz, a 65ºC. Após o treinamento foi testada a capacidade de previsão adquirida pela rede, em função do parâmetro de estabilidade adotado, mas com um novo grupo de óleos. Seguindo o teste, foi determinada a correlação linear entre os valores de estabilidade previstos pela rede e aqueles determinados experimentalmente. Com os resultados obtidos, pode-se confirmar a viabilidade de previsão da estabilidade de óleos vegetais pela rede neural, a partir de dados de sua composição química, utilizando como parâmetro de estabilidade o índice de peróxido.

Palavras-chave: Redes Neurais; Óleos Vegetais; Estabilidade.

SUMMARY

STABILITY PREDICTION OF THE VEGETABLE OILS TROUGH NEURAL NETWORKS. Artificial Neural Networks are processing computer techniques that use a mathematical model that is capable to acquire knowledge through the experience. The intelligent behavior of the network come from the interactions among units of processing that are denominated artificial neurons. The objective of this work was elaborate a neural network capable to foresee the stability of vegetable oils by using data of chemical compositions of the oils, by seeking a model to forecast the shelf-life of vegetable oils, by taking as parameters just some data of chemical compositions of the oils. The first step to develop a neural network was based on the collection of the data related to the problem, and the separation of these data in one training set and another set for testing. The variables of these groups were data of chemical composition, that included the total in fatty acids, phenols, tocopherols, and the individual composition in fatty acids. On the following step was done the training, where the input pattern presented to the network, as training parameter, was the peroxide index, that was experimentally obtained under absence of light at 65ºC, during the period of 16 days. Following it was tested the network capacity of forecast that was acquired during the training process, in relation to the parameter of stability chose, by using a new group of oils. In the final step, the linear correlation was determined among the values of stability foreseen by the network and those determined experimentally. Through the obtained results, it can be confirmed, by the neural network, the viability of forecast the stability of vegetable oils, by using data of chemical composition of the oils, by using the peroxide index as parameter of stability.

Keywords: Neural networks, Vegetable oils, Stability.

1 – INTRODUÇÃO

Ao longo dos anos, vários modelos de cunho estatístico relativos a parâmetros de qualidade e condições de processamento foram propostos. Estes modelos, freqüentemente, envolvem valores que resultam em grupos complexos, com a utilização de equações matemáticas que, normalmente, exigem determinado grau de conhecimento para sua interpretação. Um sistema que possa aprender em sucessivas triagens de experimentos seria o ideal, uma vez que a constante incorporação de novos valores habilita a adaptação à trocas imprevistas de dados, aumentando a capacidade de generalização do modelo [13].

Redes Neurais Artificiais (RNA) são técnicas computacionais que apresentam um modelo matemático baseado no conceito da estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência [12]. A RNA consiste em uma técnica de processamento computacional muito útil quando não se dispõe de informações matemáticas exatas, além de ser capaz de resolver previsões de problemas lineares e não lineares [4,8,15]. A rede é composta de camadas simuladas de elementos de processamento, os quais são denominados de neurônios artificiais [2]. Os neurônios artificiais recebem os sinais e os passam às camadas intermediárias do programa, por meio de conecções matemáticas. Cada neurônio processa uma parte das informações, o que ocorre em paralelo, e automaticamente as distribui através das diferentes unidades que compõem a rede. As unidades de processamento transferem as somas ponderadas de informações por uma função de ativação, usualmente uma função sigmoidal, que contém um grande número de sinais informativos, os quais são convertidos para valores definidos durante a operação de treinamento e teste [5,6,8,11].

Há uma série de algoritmos de aprendizagem utilizados na composição de redes neurais, os quais operam de maneira diferente. Além disso, as redes diferem também em sua topologia, ou organização dos neurônios. Redes de multi-camadas que se utilizam do algoritmo Backpropagation, no qual o aprendizado se dá por um processo de retropropagação do erro, são atualmente as mais difundidas [3, 12].

Durante a fase de treinamento, os valores previstos são subseqüentemente comparados com o valor real e, as conecções entre as unidades de processamento, com seus devidos pesos, são modificadas para minimizar o desvio entre os valores; o que é possível devido a estrutura da rede, onde cada unidade de uma dada camada é conectada a cada unidade integrante da camada vizinha. A rede mede o erro entre o valor obtido e o valor desejado, usando o algoritmo para ajustar os pesos das interconecções, reduzindo o erro nas determinações subsequentes. Pela utilização desta estrutura de rede, o programa continua a fazer alterações nas conecções internas, através do processo de tentativa e erro, até atingir um determinado nível de certeza [8, 15].

Embora as redes neurais artificiais demonstrem uma grande capacidade de previsão, apresentam também algumas limitações, dentre as quais destaca-se que todos os processos de interconecções entre neurônios e camadas, correção do erro e previsão do valor desejado, são efetuados de maneira que não há uma inferência direta. Além disso, deve-se ter cuidado para evitar a saturação da rede ou overtraining, o que faz com que, se o treinamento se estender por períodos muito longos, a rede tome decisões arbitrárias, especializando-se no grupo de variáveis utilizado no treinamento e perdendo sua capacidade de generalização [7,8,12].

Com base em bancos de dados em redes neurais específicas é possível prever novos valores, utilizando-se de um mínimo de dados experimentais, o que pode agilizar na determinação de parâmetros desconhecidos [16]. Este procedimento computacional vem sendo utilizado em várias áreas da Ciência e Tecnologia de Alimentos.

ROMERO et al [14] utilizaram redes neurais no reconhecimento e classificação de óleos e misturas de óleos vegetais a partir de suas composições químicas em ésteres de ácidos graxos. GOODACRE & KELL previram a adulteração de óleo de oliva virgem com outros óleos vegetais, usando uma rede neural treinada com dados de espectro de massa do óleo de oliva. HORIMOTO et al [6] usaram diferentes variáveis de processo e de composição do trigo para prever o volume da massa de pães elaborados de diferentes cultivares de trigo através de uma rede neural (Brainmaker software). RUAN et al previram, em níveis superiores a 94%, as propriedades reológicas da massa a partir do torque desenvolvido durante a mistura. ZAMBIASI [16] encontrou correlações de 0,92 entre valores de estabilidade de óleos vegetais previstos pela rede neural (Brainmaker software) e valores experimentais obtidos pelo índice de oxigênio, usando a composição química como grupo de treinamento. ARTEAGA & NAKAI [2]desenvolveram uma rede neural usando propriedades físico-químicas de proteínas para prever sua estabilidade e capacidade de formação de espuma, destacando que a habilidade de previsão por parte da rede foi superior ao encontrado pela utilização da análise dos componentes principais. A alta capacidade de previsão das redes neurais também foi verificada por VALLEJO-CORDOBA et al , os quais obtiveram melhores valores de previsão da vida de prateleira de leite pasteurizado, a partir de dados cromatográficos de compostos voláteis, usando redes neurais (Brainmaker software) do que os obtidos por análise dos componentes principais.

2 - MATERIAL E MÉTODOS

2.1 - Materiais

Os dados utilizados na configuração da rede foram referentes a composição química e de estabilidade de 13 óleos vegetais e incluíram as seguintes composições:

· Individual e total em ácidos graxos - cromatografia gasosa com o detector de ionização de chama, usando uma coluna capilar cianopropil fenil-bicianopropil polioxane, de 30m x 0,25mm de diâmetro interno, com um programa de temperatura que variou de 130 a 250ºC.

· Total em tocoferóis - cromatografia líquida com o detector de fluorescência, usando uma coluna de fase sílica de 5m m, de 25cm x 3,2mm de diâmetro interno e fase móvel de hexano-isopropanol.

· Total em carotenóides e compostos fenólicos - cromatografia líquida com o detector de ultra violeta, usando uma coluna de fase reversa de 0,05-5mm, 25cm x 4,6mm de diâmetro interno e fase móvel de água, ácido acético e metanol, em um sistema de gradiente.

A estabilidade foi determinada pelo índice de peróxido (AOCS) [1] das amostras coletadas aos 2, 6, 10 e 16 dias de armazenamento, na ausência de luz a 65ºC [16].

O programa de Inteligência Artificial utilizado no desenvolvimento da Rede Neural Artificial foi o Brainmaker Professional for Windows Neural Network Simulation Software, Version 3.1 (California Scientific Software), e o software utilizado para realização das análises de regressão linear foi o Sigma Plot Scientific Graphing Software, Version 2.0 (Jandel Corporation). O hardware utilizado consistiu de um microcomputador PC, com processador Celeron II (Intel Corporation) de 333 Mhz.

2.2 - METODOLOGIA

A aplicação do programa de Redes de Inteligência Artificial deu-se através dos passos descritos no fluxograma da Figura 1.

3 - RESULTADOS E DISCUSSÃO

A oxidação de óleos e gorduras, o que leva à rancidez, é um fator determinante na vida-de-prateleira de muitos produtos, mesmo quando seu teor lipídico é relativamente baixo. Vários estudos vêm sendo desenvolvidos para melhor elucidar o mecanismo da oxidação de ácidos graxos insaturados, e as variáveis que interferem no processo. A estabilidade oxidativa de óleos e gorduras vegetais é uma função de vários fatores, mas em termos de composição endógena é afetada pela presença de ácidos graxos, principalmente dos polinsaturados, e da presença de componentes menores em sua composição [8, 14]. A determinação dos componentes, ou grupo de componentes, a serem utilizados para a elaboração das redes neurais teve como base a composição química dos óleos vegetais (Tabela 1). Os componentes escolhidos foram aqueles, que segundo a literatura [14], exercem efeitos marcantes no processo de oxidação de óleos e gorduras vegetais; e portanto, na sua estabilidade, e por conseqüência em sua vida de prateleira.

Inicialmente, dentre as 13 amostras de óleos vegetais, foram selecionados os grupos de óleos utilizados para o treinamento e teste do programa, incluindo no grupo de treinamento, óleos que apresentaram ampla faixa de variação no conteúdo de ácidos graxos saturados, monoinsaturados e polinsaturados, e também no conteúdo total de tocoferóis, carotenóides e compostos fenólicos. Assim foi possível otimizar o treinamento em faixas extremas, minimizando possíveis erros de extrapolação por parte do programa (Tabela 2).

Após a definição dos grupos de componentes e dos grupos de óleos utilizados no treinamento e teste da rede, foram estipulados os parâmetros de operação do programa. O funcionamento adequado de uma rede neural é altamente dependente do caminho pelo qual os sinais são propagados através da rede. Durante o treinamento do programa vários ajustes podem ser feitos no sentido de aumentar a capacidade de aprendizagem e consequentemente melhorar a previsibilidade do programa [5, 9]. Em geral, a escolha dos parâmetros é empírica, e baseia-se em observações práticas através de testes preliminares. Para este estudo, a partir de ensaios preliminares, estipulou-se os valores apresentados na Tabela 3.

Vários fatores podem influenciar o tempo de finalização do treinamento de uma rede neural. O critério de parada do algoritmo backpropagation utilizado pelo programa não é bem definido e pode ocorrer que, em determinado momento do treinamento, haja a degeneração da capacidade de generalização da rede, causando o problema de over-training, ou seja, a rede se especializa no conjunto de dados do treinamento e perde a capacidade de generalização [11].

Durante as primeiras triagens realizadas com o grupo de variáveis (óleos) escolhidos para a realização do treinamento da rede, o problema caracterizado como over-training pareceu bastante visível. O programa passou a apresentar um comportamento tendencioso em relação aos valores projetados pelo grupo de óleos utilizados no treinamento, perdendo a capacidade de prever valores próximos aos reais quando lhe era apresentado um novo grupo de óleos. O resultado dessa saturação foram correlações muito baixas entre os valores previstos pelo programa RNA e os valores de estabilidade obtidos experimentalmente através do índice de peróxido.

Em busca de minimizar a saturação da rede, foi estipulado um critério de parada para o treinamento. Há uma série de fatores envolvidos na performance do treinamento do programa e, dentre eles, foi padronizada como objeto de estudo a tolerância exigida da rede, para igualar os padrões de saída apresentados (training tolerance). O parâmetro training tolerance, o qual especifica a proximidade que cada output da rede deve ter da resposta empírica que deve ser considerada como correta pelo programa durante o treinamento, afeta de maneira marcante o tempo de treinamento [5].

Embora variando os parâmetros de training tolerance, baixas correlações ainda eram obtidas entre os valores previstos pelo programa e os dados experimentais do índice de peróxido. Como a mudança de dados utilizados no treinamento pode afetar significativamente os resultados previstos [14], foi realizada a substituição de dois dos grupos até então utilizados como parâmetros de entrada, G₄ e G₅ (Tabela 1), ambos envolvendo valores de composição em conteúdos totais de carotenóides, uma vez que estes estavam presentes apenas na composição de um dos óleos escolhidos para o treinamento, e não apresentava-se na composição de qualquer dos óleos utilizados nos testes de previsão.

Desta forma, utilizando dois novos grupos, G₆ e G₇ (Tabela 1), um novo treinamento foi realizado, desta feita diminuindo gradativamente a tolerância do programa e testando-o a cada variação.

Os melhores resultados obtidos após o novo treinamento demonstram um crescimento no desempenho da rede quanto à capacidade de previsão, quando comparados aos valores iniciais, conforme a Tabela 4. As novas correlações obtidas confirmaram a tese de saturação da rede.

Na primeira fase do treinamento a tolerância atingiu valores de tolerância de 0.0001, ao forçar o programa a igualar os valores apresentados como padrão de saída; a partir deste momento foram utilizados valores de até 1.0, reduzindo-os gradativamente no máximo a 0.002, em intervalos de 0.1 ou 0.2, de acordo com cada grupo.

O máximo desempenho da RNA em função da tolerância aplicada foi diferente entre os grupos de treinamento, e também entre os tempos de estocagem. A variação dos índices de correlação em função do nível de tolerância aplicada demonstra que a rede apresentou um comportamento crescente de previsão a cada intervalo de tolerância testado, chegando a um máximo, a partir do qual ocorreu uma queda nos valores das correlações; comportamento verificado até mesmo no menor período de estocagem, como mostra o gráfico da Figura 2.

O programa parece definir um comportamento ao longo do período de estocagem, pois a medida que este cresce, decrescem as diferenças entre os índices de correlação previstos para cada variação da tolerância. Além disso, a rede mostrou ter aumentada sua capacidade de previsão à medida que aumenta o tempo de estocagem dos óleos, ou seja, para valores maiores do índice de peróxido, os quais estão diretamente relacionados ao índice de oxidação [14]. Como constatado quando da realização dos primeiros testes, os índices de correlação foram maiores aos 16 dias de estocagem, período que exigiu a aplicação de uma menor tolerância até que o programa atingisse bons valores em sua previsão.

Essa relação entre o tempo de estocagem e a capacidade de previsão por parte da rede pode ser explicada pelo fato de que, como os índices de peróxido elevam-se em função do armazenamento, a disponibilidade de dados oferecidos à rede como padrão de saída tornam-se também maiores. Os resultados obtidos para o período de 16 dias de estocagem, em função das correlações, demonstram a eficiência da rede quando da disponibilidade de dados apropriados.

A influência dos grupos sobre o desempenho da RNA, embora apresente também uma tendência em seu comportamento, exibe algumas particularidades. As previsões realizadas pela rede em torno de G₂, formado pela composição individual em ácidos graxos, ao contrário do esperado, diferem muito daquelas para G₁, formado pelos totais em ácidos graxos saturados, mono e polinsaturados. Embora tenha obtido os maiores valores durante os treinamentos (menor tempo de parada e degeneração da rede), nos testes de averiguação atingiu os resultados mais baixos dentre todos os grupos, para os tempos de 2, 6 e 16 dias de estocagem. Esta afirmação parte do princípio que, embora tenha atingido índices de correlação superiores aos outros grupos, quando comparados seus melhores resultados, estes foram exceções em meio à baixas correlações e ausência de um padrão de comportamento. Curiosamente para o tempo 10, G₂ não só apresentou os maiores valores correlações como também o melhor comportamento dentre os grupos.

As formações envolvendo o total em tocoferóis (G₃ e G₇), mesmo nas primeiras fases do treinamento, quando a training tolerance ainda era reduzida ao máximo (G₃ e G₅), apresentaram sempre bons resultados, especialmente tempo mais longo de estocagem. Após a realização do novo treinamento essa tendência continuou presente e visível também para o total em fenóis (G₆ e G₇), conforme as Figuras3 e 4.

Este comportamento também foi evidenciado em função do período de estocagem, culminando no melhor ajuste do modelo quando da combinação, em G₇, dos tais eaem ácidos graxos (saturados, mono e polinsaturados), e dos totais em tocoferóis e fenóis, aos 16 dias de armazenamento (Figura 5).

A composição dos grupos é de fundamental importância, uma vez que a verificação de um grupo de componentes que apresente um comportamento linear durante todo o período de estocagem, torna mais palpável a elaboração de uma base de dados que sirva como modelo para a previsão da estabilidade de qualquer variável, neste estudo de qualquer óleo vegetal.

4 - CONCLUSÕES

A estabilidade de óleos vegetais pode ser prevista com sucesso aplicando o programa de Rede de Inteligência Artificial, quando se usa o índice de peróxido como parâmetro de estabilidade.

O parâmetro Training Tolerance afeta de forma significativa o desempenho da rede, quanto a sua capacidade de prever valores.

A capacidade de previsão da RNA cresce diretamente em função do nível de oxidação dos óleos.

O grupo de variáveis que proporcionou maior índice de previsão incluiu os valores totais de tocoferóis, compostos fenólicos e ácidos graxos saturados, mono e polinsaturados.

5 - REFERÊNCIAS BIBLIOGRÁFICAS

6 - AGRADECIMENTOS

À Fundação de Amparo à Pesquisa do Estado do Rio Grande do Sul - FAPERGS, pelo auxílio concedido.

² Química de Alimentos - UFPel. e-mail: [e-mail]

3 Departamento de Ciência dos Alimentos - UFPel, Cx. Postal 354, CEP 96010900, Campus Universitário, Capão do Leão, RS. e-mail: [e-mail]

* A quem a correspondência deve ser enviada.

• [1] AMERICAN OIL OF CHEMIST’S SOCIETY. Official and Tentative Methods of the American Oil Chemist’s Society, Champaign, IL, 1991.
• [2] ARTEAGA, G.E. & NAKAI, S. Predicting protein functionality with artificial neural networks: foaming and emulsifying properties. Journal of Food Science, n. 58, p. 1152-1156, 1993.
• [3] BLOCK, J.M. Formulaçăo de Gorduras Hidrogenadas Através de Redes Neurais. UNICAMP, Campinas. p. 115. Tese (Doutorado em Tecnologia de Alimentos). 1997.
• [4] BORGGAARD, C. & THODBERG, H.H. Optimal Minimal Neural Interpretation of Spectra. Analytical Chemistry, n. 64, p. 545-551, 1992.
• [5] EERIKÄINEN, T.; LINKO, P.; LINKO, S.; SIIMES, T.; ZHU, Y-H. Fuzzy Logic and Neural Network Applications in Food Science and Technology. Trends Food Science and Technology, n.4, p. 237-242, 1993.
• [6] HORIMOTO, Y.; DURANCE, T.; NAKAI, S.; LUKOW, O.M. Neural Networks vs Principal Component Regression for Prediction of Wheat Flour Loaf Volume in Baking Tests. Journal of Food Science, n.60, p.429-433, 1995.
• [7] JANSSON, P.A. Neural Networks: an overview. Analytical chemistry, n. 63, p. 357-362, 1991.
• [8] KATZ, W.T.; SNELL, J.W.; MERICKEL, M.B. Artificial Neural Networks. Methods in Enzymology, n. 210, p. 610-636, 1992.
• [9] LABUZA, T.P. Kinetics of Lipid Oxidation in Foods. Food Technology, October, p.355-395, 1971.
• [10] LAWRENCE, J. 1994. Introduction to Neural Networks 6^th ed., Nevada City, CA.
• [11] LAWRENCE, J. & PETERSON, A. 1993. Brainmaker: User's Guide and Reference Manual 4^thed., Nevada City, CA.
• [12] MENDES, E.F.F. Redes Neurais: introduçăo a redes neurais artificiais, algorítmos genéticos e aplicaçőes. Gráficos e links. On line, 13 jun. 1999. Disponível na Internet: http://www.icmc.sc.usp.br/~prico/neural1.html
• [13] NI, H. & GUNASEKARAN, S. Food Quality Prediction with Neural Networks. Food Technology, October, Vol. 52, n. 10, p. 60-65, 1998.
• [14] ROMERO, R.A.F.; LANÇAS, F.M.; GUIZO S.J.; BERTON, S.R. Classification of Edible Oils Using Neural Networks. In: Proceedings of International Meeting on Fats and Oils Technology Symposium and Exhibition Campinas, Săo Paulo, 9-11 July, 1991.
• [15] WYTHOFF, B.J. et al Spectral Peak Verification and Recognition Using a Multi Layered Neural Network. Analytical Chemistry, n. 62, p. 702-2709, 1990.
• [16] ZAMBIAZI, R.C. The Effect of Endogenous Lipid Components on Vegetable Oil Stability. Canada, 1997. PhD Thesis, University of Manitoba (UM).

¹

Recebido para publicação em 25/11/99. Aceito para publicação em 14/02/01.

Datas de Publicação

• Publicação nesta coleção
  10 Maio 2001
• Data do Fascículo
  Dez 2000

Histórico

• Recebido
  25 Nov 1999
• Aceito
  14 Fev 2001