Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/3140
Registro completo de metadados
Campo DCValorIdioma
dc.creatorPereira, Juliana Mendes Garcia-
dc.date.accessioned2018-05-18T13:46:26Z-
dc.date.available2018-05-18T13:46:26Z-
dc.date.issued2017-04-28-
dc.identifier.citationPEREIRA, Juliana Mendes Garcia. Aplicação de espectrômetro de infravermelho próximo ultracompacto e quimiometria para a análise de gordura hidrogenada de soja. 2017. 71 f. Dissertação (Mestrado em Tecnologia de Alimentos) - Universidade Tecnológica Federal do Paraná, Campo Mourão, 2017.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/3140-
dc.description.abstractThe industrial process of soybean oil hydrogenation, although already well established and widespread, usually has its quality control performed through time-consuming methodologies that expend several reagents, demand sample preparation and generate diverse chemical residues. From this, the need arises for developing faster low cost instrumentation methodologies, which do not generate expressive amounts of chemical residues. The aim of this work was to evaluate the application of near infrared spectroscopy (NIRS) in tandem with the partial least squares regression (PLSR) or support vector regression (SVR) in the control of soybean oil hydrogenation process. Models were designed to predict the amount of saturated fatty acids (SFA), unsaturated fatty acids (UFA), monounsaturated fatty acids (MUFA), trans fatty acids (TFA), polyunsaturated fatty acids (PUFA), and the iodine value (IV). The values predicted by the PLSR and SVR models were compared to the experimental values obtained by gas chromatography with flame ionization detector (GC-FID). As NIRS spectra present a large number of variables, a methodology for feature selection was also assessed. Good multivariate models were obtained for IV, MUFA, PUFA, and TFA for PLSR, and good models for IV and UFA when using SVR. The feature selection using the correlation informative vector was also efficient, maintaining the performance of the models and reducing by up to 78% the amount of variables used for the PLSR and 85% for the SVR. The values obtained for root mean square error of cross validation (RMSECV), root mean square error for calibration set (RMSEC), root mean square error for prediction set (RMSEP) and correlation coefficient (r2) remained very close for both PLSR and SVR. The residual prediction deviation (RPD) was adequate for the quality control of the hydrogenation process in both models, for both IV and PUFA in the PLSR and for the PUFA in the SVR. Regarding relative standard deviation (RSD), all values are above 5% for PLSR models, although models with values between 10 and 20% still show good predictive capacity. For SVR, RSD presents acceptable values, i.e., less than 5% for both IR and UFA. Compared with the mid-infrared spectroscopy (FTIR-ATR) for the same samples, better results were obtained regarding RMSECV, RMSEC and RMSEP for mid-infrared spectra. However, the r2 values were very similar, which guarantees the use of the models obtained using NIRS spectra. It is worth noting that was used an ultra-compact NIRS (900-1600 nm) with the advantages of being reliable for larger sample volumes, has a low cost and effortless-assembly. Since the NIRS equipment has no moving parts, it can be used in any environment, including in locu. Thus, through the results obtained, it was demonstrated that the NIRS methodology both in tandem with PLSR or SVR could be used to monitor the industrial hydrogenation process of soybean oil.pt_BR
dc.description.sponsorshipConselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq)pt_BR
dc.description.sponsorshipUniversidade Tecnológica Federal do Paraná (UTFPR)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.subjectÁcidos graxospt_BR
dc.subjectÓleos vegetaispt_BR
dc.subjectAlimentospt_BR
dc.subjectFatty acidspt_BR
dc.subjectVegetable oilspt_BR
dc.subjectFoodpt_BR
dc.titleAplicação de espectrômetro de infravermelho próximo ultracompacto e quimiometria para a análise de gordura hidrogenada de sojapt_BR
dc.title.alternativeIndustrial hydrogenation process monitoring using ultra-compact near-infrared spectrometer and chemometricspt_BR
dc.typemasterThesispt_BR
dc.description.resumoO processo industrial de hidrogenação do óleo de soja, mesmo sendo bem estabelecido e difundido, geralmente tem seu controle de qualidade realizado através de metodologias demoradas, que consomem diversos reagentes, necessitam de preparo de amostra e produzem diversos resíduos químicos. A partir disso, surge a necessidade do desenvolvimento de metodologias instrumentais mais rápidas, de baixo custo e que não gerem quantidades expressivas de resíduos químicos. O objetivo desse trabalho foi avaliar a aplicação da espectroscopia de infravermelho próximo (NIRS) em conjunto com o método de regressão por mínimos quadrados parciais (PLSR) e regressão por vetores suporte (SVR) no controle do processo de hidrogenação do óleo de soja. Foram construídos modelos para prever a quantidade de ácidos graxos saturados (SFA), ácidos graxos insaturados (UFA), ácidos graxos monoinsaturados (MUFA), ácidos graxos trans (TFA), ácidos graxos poli-insaturados (PUFA) e para o índice de iodo (IV). Os valores previstos pelos modelos PLSR e SVR foram comparados aos valores experimentais obtidos via cromatografia gasosa com detector por ionização de chama (GC-FID). Como os espectros NIRS apresentam uma grande quantidade de variáveis, também foi avaliada uma metodologia para a seleção das características espectrais mais importantes. Foram obtidos bons modelos multivariados para IV, MUFA, PUFA, TFA para o PLSR e bons modelos para IV e UFA utilizando-se SVR. A seleção de variáveis usando o vetor informativo de correlação também foi eficiente mantendo a performance dos modelos e reduzindo em até 78% a quantidade de variáveis utilizadas para o PLSR e 85% para o SVR. Os valores obtidos para a raiz quadrada do erro quadrático médio de validação cruzada (RMSECV), raiz quadrada do erro quadrático médio da calibração (RMSEC), raiz quadrada do erro médio quadrático de previsão (RMSEP) e o coeficiente de determinação de ajuste do modelo (r2) permaneceram bastante próximos tanto para o PLSR quanto para o SVR. O desvio residual da predição (RPD) apresentou-se adequado para o controle de qualidade do processo de hidrogenação para IV e PUFA no PLSR e para PUFA no SVR. Quanto ao desvio padrão relativo (RSD), todos os valores estão acima dos 5% para os modelos PLSR, embora modelos com valores entre 10 e 20% ainda apresentem boa capacidade preditiva. Já para o SVR o RSD apresenta valores aceitáveis, ou seja, menores que 5% tanto para IV quanto para UFA. No comparativo com a espectroscopia FTIR-ATR para as mesmas amostras, foram obtidos resultados melhores em relação ao RMSECV, RMSEC e RMSEP para espectros de infravermelho médio. Porém os valores de r2 apresentaram-se bem próximos, o que garante a utilização dos modelos obtidos usando os espectros NIRS. Vale salientar que foi utilizado um espectrômetro NIR ultracompacto (900-1600 nm), que é mais adequado para a análise de volumes maiores e mais representativos da amostra, apresenta baixo custo e é de fácil montagem. Uma vez que o equipamento NIRS não tem partes móveis, este pode ser utilizado em qualquer ambiente, inclusive in locu. Assim, através dos resultados obtidos, foi demonstrado que a metodologia NIRS tanto em conjunto com PLSR quanto com o SVR podem ser utilizados para monitorar o processo de hidrogenação industrial de óleo de soja.pt_BR
dc.degree.localCampo Mourãopt_BR
dc.publisher.localCampo Mouraopt_BR
dc.publisher.localMedianeirapt_BR
dc.creator.Latteshttp://lattes.cnpq.br/0023485732008837pt_BR
dc.contributor.advisor1Bona, Evandro-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5489832361560996pt_BR
dc.contributor.advisor-co1Tanamati, Ailey Aparecida Coelho-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/5610961283505018pt_BR
dc.contributor.referee1Bona, Evandro-
dc.contributor.referee2Killner, Mario Henrique Montazzolli-
dc.contributor.referee3Souza, Wyrllen Everson de-
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Tecnologia de Alimentospt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::CIENCIAS AGRARIAS::CIENCIA E TECNOLOGIA DE ALIMENTOS::TECNOLOGIA DE ALIMENTOSpt_BR
dc.subject.capesTecnologia de Alimentospt_BR
Aparece nas coleções:MD - Programa de Pós-Graduação em Tecnologia de Alimentos

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CM_PPGTA_M_Pereira, Juliana Mendes Garcia_2017.pdf2,71 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.