Orientador: Daniel Barrera Arellano

Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia de Alimentos

Resumo: Óleos e gorduras são submetidos ao processo de blending para alcançar características específicas, visando sua aplicação em variados produtos. Redes neurais artificiais (RNA) têm sido utilizadas para otimizar o processo de formulação de gorduras baseado no conteúdo de gordura sólida (SFC)....

Resumo: Óleos e gorduras são submetidos ao processo de blending para alcançar características específicas, visando sua aplicação em variados produtos. Redes neurais artificiais (RNA) têm sido utilizadas para otimizar o processo de formulação de gorduras baseado no conteúdo de gordura sólida (SFC). Além do SFC, a cinética de cristalização das gorduras ou blends influencia diretamente nas condições de processamento, bem como nas características e qualidade dos produtos elaborados. Nesse contexto, o objetivo deste trabalho foi construir e treinar RNAs capazes de prever parâmetros de cristalização de blends de gorduras. Foram treinadas duas RNAs usando blends contendo gorduras interesterificadas de soja, óleos de soja, palma e palmíste como matérias-primas. No treinamento, além dos dados de SFC, foram utilizados os parâmetros de cristalização tempo de indução (T1), tempo médio (T2), tempo final (T3) e SFC máximo (%), obtidos pelas isotermas de cristalização a 25°C. Além disso, como avaliação, foi verificada a capacidade das RNAs em predizer os parâmetros de cristalização de formulações sugeridas pelas RNAs para aplicação em recheio de biscoitos e uso geral. Como resultados, as RNAs se mostraram capazes de prever os parâmetros de cristalização para os blends elaborados com as diferentes matérias-primas, apresentando baixos valores de erros relativos (parâmetros preditos vs determinados). Quanto ao comportamento de cristalização, observou-se que as formulações que continham óleos de palma e/ou palmíste apresentaram menores valores de SFC máximo a 25°C. Adicionalmente, também verificou-se que para valores similares de SFC máximo, foram obtidos valores de T3 bastante variados, o que confirma a necessidade do conhecimento dos parâmetros de cristalização. Portanto, as RNAs demonstraram ser uma ferramenta útil na previsão dos parâmetros de cristalização, podendo ser utilizada na indústria para um melhor monitoramento das características dos blends formulados

Abstract: Oils and fats are submitted to the blending process to achieve specific characteristics for their application at various products. Artificial neural networks (ANN) have been used to optimize the process of fat formulation based on the solid fat content (SFC). In addition to the SFC, the...

Abstract: Oils and fats are submitted to the blending process to achieve specific characteristics for their application at various products. Artificial neural networks (ANN) have been used to optimize the process of fat formulation based on the solid fat content (SFC). In addition to the SFC, the crystallization kinetics of fats or blends influences directly the processing conditions, as well as the characteristics and quality of manufactured food products. In this context, the objective was to build and train ANNs that are able to predict the crystallization parameters of fat blends. Two ANNs were trained using blends containing soybean interesterified fats, soybean, palm and palm kernel oils as raw materials. At training, in addition to the SFC data were used the parameters of crystallization induction time (T1), medium time (T2), end time (T3) and maximum SFC (%), obtained by isothermal crystallization at 25 °C. Besides that, as an evaluation, it was verified the ANN ability to predict the crystallization parameters for a biscuit filling and general use formulations. As results, the ANNs showed ability to predict the crystallization parameters for the blends prepared with different raw materials, presenting low relative errors (predicted vs determined parameters). Regarding the crystallization behavior, it was observed that formulations containing palm and /or palm kernel oil showed lower values of maximum SFC at 25 ° C. In addition, it was also noted that for similar maximum SFC, various T3 values were obtained, confirming the need for knowledge of the crystallization parameters of fats. Therefore, ANNs proved to be a useful tool for predicting the crystallization parameters and can be used in food industry for better monitoring of characteristics of formulated blends