Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.

Autores: Bianchi, María Agostina; Ceruso, Juan Pablo; Gómez Pamies, Laura Cecilia; Benítez, Elisa Inés
Año de publicación: 2023
Idioma: español castellano
Tipo de recurso: artículo
Estado: versión publicada
Descripción: El análisis de espectroscopia de infrarrojo cercano (NIR) se ha convertido en una técnica no destructiva ampliamente utilizada para analizar componentes en una muestra de alimentos en forma rápida y precisa. Asimismo, es amigable con el ambiente, ya que permite eliminar el uso de solventes, como ocurre en el caso del análisis fisicoquímico de cervezas que se presenta. En este trabajo, se investiga la aplicación de la FT-NIR en análisis ya conocidos como lo son pH, densidad final, grado alcohólico, acidez, concentración de α-ácidos y concentración de iso-α ácidos (IBU). El objetivo del estudio radica en el entrenamiento de modelos que permitan predecir las diferentes variables de interés en cerveza, simplificando el tiempo de procesamiento necesario para analizar cada variable por separado con su respectiva técnica analítica. Se utilizaron 400 datos etiquetados, correspondientes a muestras de cerveza, en las cuales se determinaron analíticamente los valores de los parámetros mencionados y se analizaron con el equipo de FT-NIR Spectrum Two (Perkin-Elmer). El procesamiento de las muestras para la obtención de los espectros se realizó utilizando cubetas de cuarzo para líquidos de 1, 0,5 y 0,1 cm de paso óptico. Además, se utilizó el accesorio NIRA (0,1 cm de paso óptico): se colocaron 3 mL de cerveza en placas de Petri (40 mm) con un adaptador de transflectancia de aluminio por encima, como superficie reflectante inerte. Se evaluaron los modelos obtenidos con cada variante de accesorio utilizada con el objetivo de definir cuál de ellos resulta más adecuado para el modelado de los parámetros fisicoquímicos de manera individual. Se utilizó el software Spectrum Quant para el entrenamiento con los datos preprocesados, mediante el algoritmo PLS. Se ajustó el número de variables latentes (vl) hasta la obtención de modelos con R2 superiores a 0,85. Los resultados evidenciaron que el uso de NIRA proporciona modelos con mayor ajuste para todos los parámetros (R2=0,97 para 70 vl). El empleo de cubetas de 0,5 y 0,1 cm también permite alcanzar valores de R2 adecuados, pero requieren un mayor número de vl para alcanzar los resultados de NIRA (R2 de 0,854 y 0,853 respectivamente, para 70 vl). El uso de la cubeta de 1 cm solo produjo buenos resultados para el modelado de densidad final, acidez y grado alcohólico (R2 = 0,85 para 100 vl). Estas observaciones se atribuyen a que NIRA permite obtener espectros con una significativa reducción del ruido, mientras que el uso de cubetas se ve afectado por este fenómeno en todos los casos, con mayor presencia del ruido a mayor longitud del paso óptico. Se concluye en que el accesorio NIRA es el más adecuado para utilizarse en el entrenamiento de modelos para todas las variables evaluadas. Si bien pudieron obtenerse buenos resultados con otros accesorios, el empleo de NIRA permite trabajar con un número menor de vl, disminuyendo el riesgo de sobreajuste del modelo. Este estudio representa un primer paso para la obtención de modelos predictivos y debe continuar con la etapa de validación para evaluar el rendimiento y la capacidad de realizar predicciones en nuevos datos.
Fil: Bianchi, María Agostina. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Bianchi, María Agostina. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.
Fil: Ceruso, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina.
Fil: Gómez Pamies, Laura Cecilia. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Gómez Pamies, Laura Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.
Fil: Benítez, Elisa Inés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Benítez, Elisa Inés. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina
Peer Reviewed
Materia: cerveza
espectroscopía de infrarrojo cercano
entrenamiento de modelos
Nivel de accesibilidad: acceso abierto
Condiciones de uso: 2024-04-05T15:56:14Z
Repositorio
Institución: Universidad Tecnológica Nacional
OAI Identificador: oai:ria.utn.edu.ar:20.500.12272/10351

Acceder

id	RIAUTN_8d3f1a68d79219af7fddb7798a87c368
oai_identifier_str	oai:ria.utn.edu.ar:20.500.12272/10351
network_acronym_str	RIAUTN
repository_id_str	a
network_name_str	Repositorio Institucional Abierto (UTN)
spelling	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.Bianchi, María AgostinaCeruso, Juan PabloGómez Pamies, Laura CeciliaBenítez, Elisa Inéscervezaespectroscopía de infrarrojo cercanoentrenamiento de modelosEl análisis de espectroscopia de infrarrojo cercano (NIR) se ha convertido en una técnica no destructiva ampliamente utilizada para analizar componentes en una muestra de alimentos en forma rápida y precisa. Asimismo, es amigable con el ambiente, ya que permite eliminar el uso de solventes, como ocurre en el caso del análisis fisicoquímico de cervezas que se presenta. En este trabajo, se investiga la aplicación de la FT-NIR en análisis ya conocidos como lo son pH, densidad final, grado alcohólico, acidez, concentración de α-ácidos y concentración de iso-α ácidos (IBU). El objetivo del estudio radica en el entrenamiento de modelos que permitan predecir las diferentes variables de interés en cerveza, simplificando el tiempo de procesamiento necesario para analizar cada variable por separado con su respectiva técnica analítica. Se utilizaron 400 datos etiquetados, correspondientes a muestras de cerveza, en las cuales se determinaron analíticamente los valores de los parámetros mencionados y se analizaron con el equipo de FT-NIR Spectrum Two (Perkin-Elmer). El procesamiento de las muestras para la obtención de los espectros se realizó utilizando cubetas de cuarzo para líquidos de 1, 0,5 y 0,1 cm de paso óptico. Además, se utilizó el accesorio NIRA (0,1 cm de paso óptico): se colocaron 3 mL de cerveza en placas de Petri (40 mm) con un adaptador de transflectancia de aluminio por encima, como superficie reflectante inerte. Se evaluaron los modelos obtenidos con cada variante de accesorio utilizada con el objetivo de definir cuál de ellos resulta más adecuado para el modelado de los parámetros fisicoquímicos de manera individual. Se utilizó el software Spectrum Quant para el entrenamiento con los datos preprocesados, mediante el algoritmo PLS. Se ajustó el número de variables latentes (vl) hasta la obtención de modelos con R2 superiores a 0,85. Los resultados evidenciaron que el uso de NIRA proporciona modelos con mayor ajuste para todos los parámetros (R2=0,97 para 70 vl). El empleo de cubetas de 0,5 y 0,1 cm también permite alcanzar valores de R2 adecuados, pero requieren un mayor número de vl para alcanzar los resultados de NIRA (R2 de 0,854 y 0,853 respectivamente, para 70 vl). El uso de la cubeta de 1 cm solo produjo buenos resultados para el modelado de densidad final, acidez y grado alcohólico (R2 = 0,85 para 100 vl). Estas observaciones se atribuyen a que NIRA permite obtener espectros con una significativa reducción del ruido, mientras que el uso de cubetas se ve afectado por este fenómeno en todos los casos, con mayor presencia del ruido a mayor longitud del paso óptico. Se concluye en que el accesorio NIRA es el más adecuado para utilizarse en el entrenamiento de modelos para todas las variables evaluadas. Si bien pudieron obtenerse buenos resultados con otros accesorios, el empleo de NIRA permite trabajar con un número menor de vl, disminuyendo el riesgo de sobreajuste del modelo. Este estudio representa un primer paso para la obtención de modelos predictivos y debe continuar con la etapa de validación para evaluar el rendimiento y la capacidad de realizar predicciones en nuevos datos.Fil: Bianchi, María Agostina. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Bianchi, María Agostina. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.Fil: Ceruso, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina.Fil: Gómez Pamies, Laura Cecilia. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Gómez Pamies, Laura Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.Fil: Benítez, Elisa Inés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Benítez, Elisa Inés. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; ArgentinaPeer Reviewed2024-04-05T15:56:14Z2024-04-05T15:56:14Z2023-10-06info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfhttps://cytal2023.org/libro/http://hdl.handle.net/20.500.12272/10351spaPATCARE0008193TCDesarrollo de indicadores de calidad higiénica en plantas elaboradoras de cerveza artesanalinfo:eu-repo/semantics/openAccess2024-04-05T15:56:14Zhttp://creativecommons.org/licenses/by-nc-sa/4.0/Atribución-NoComercial-CompartirIgual 4.0 InternacionalAcceso abiertoreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:44:19Zoai:ria.utn.edu.ar:20.500.12272/10351instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:44:20.931Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.
title	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.
spellingShingle	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza. Bianchi, María Agostina cerveza espectroscopía de infrarrojo cercano entrenamiento de modelos
title_short	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.
title_full	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.
title_fullStr	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.
title_full_unstemmed	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.
title_sort	Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.
dc.creator.none.fl_str_mv	Bianchi, María Agostina Ceruso, Juan Pablo Gómez Pamies, Laura Cecilia Benítez, Elisa Inés
author	Bianchi, María Agostina
author_facet	Bianchi, María Agostina Ceruso, Juan Pablo Gómez Pamies, Laura Cecilia Benítez, Elisa Inés
author_role	author
author2	Ceruso, Juan Pablo Gómez Pamies, Laura Cecilia Benítez, Elisa Inés
author2_role	author author author
dc.subject.none.fl_str_mv	cerveza espectroscopía de infrarrojo cercano entrenamiento de modelos
topic	cerveza espectroscopía de infrarrojo cercano entrenamiento de modelos
dc.description.none.fl_txt_mv	El análisis de espectroscopia de infrarrojo cercano (NIR) se ha convertido en una técnica no destructiva ampliamente utilizada para analizar componentes en una muestra de alimentos en forma rápida y precisa. Asimismo, es amigable con el ambiente, ya que permite eliminar el uso de solventes, como ocurre en el caso del análisis fisicoquímico de cervezas que se presenta. En este trabajo, se investiga la aplicación de la FT-NIR en análisis ya conocidos como lo son pH, densidad final, grado alcohólico, acidez, concentración de α-ácidos y concentración de iso-α ácidos (IBU). El objetivo del estudio radica en el entrenamiento de modelos que permitan predecir las diferentes variables de interés en cerveza, simplificando el tiempo de procesamiento necesario para analizar cada variable por separado con su respectiva técnica analítica. Se utilizaron 400 datos etiquetados, correspondientes a muestras de cerveza, en las cuales se determinaron analíticamente los valores de los parámetros mencionados y se analizaron con el equipo de FT-NIR Spectrum Two (Perkin-Elmer). El procesamiento de las muestras para la obtención de los espectros se realizó utilizando cubetas de cuarzo para líquidos de 1, 0,5 y 0,1 cm de paso óptico. Además, se utilizó el accesorio NIRA (0,1 cm de paso óptico): se colocaron 3 mL de cerveza en placas de Petri (40 mm) con un adaptador de transflectancia de aluminio por encima, como superficie reflectante inerte. Se evaluaron los modelos obtenidos con cada variante de accesorio utilizada con el objetivo de definir cuál de ellos resulta más adecuado para el modelado de los parámetros fisicoquímicos de manera individual. Se utilizó el software Spectrum Quant para el entrenamiento con los datos preprocesados, mediante el algoritmo PLS. Se ajustó el número de variables latentes (vl) hasta la obtención de modelos con R2 superiores a 0,85. Los resultados evidenciaron que el uso de NIRA proporciona modelos con mayor ajuste para todos los parámetros (R2=0,97 para 70 vl). El empleo de cubetas de 0,5 y 0,1 cm también permite alcanzar valores de R2 adecuados, pero requieren un mayor número de vl para alcanzar los resultados de NIRA (R2 de 0,854 y 0,853 respectivamente, para 70 vl). El uso de la cubeta de 1 cm solo produjo buenos resultados para el modelado de densidad final, acidez y grado alcohólico (R2 = 0,85 para 100 vl). Estas observaciones se atribuyen a que NIRA permite obtener espectros con una significativa reducción del ruido, mientras que el uso de cubetas se ve afectado por este fenómeno en todos los casos, con mayor presencia del ruido a mayor longitud del paso óptico. Se concluye en que el accesorio NIRA es el más adecuado para utilizarse en el entrenamiento de modelos para todas las variables evaluadas. Si bien pudieron obtenerse buenos resultados con otros accesorios, el empleo de NIRA permite trabajar con un número menor de vl, disminuyendo el riesgo de sobreajuste del modelo. Este estudio representa un primer paso para la obtención de modelos predictivos y debe continuar con la etapa de validación para evaluar el rendimiento y la capacidad de realizar predicciones en nuevos datos. Fil: Bianchi, María Agostina. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Bianchi, María Agostina. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina. Fil: Ceruso, Juan Pablo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Gómez Pamies, Laura Cecilia. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Gómez Pamies, Laura Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina. Fil: Benítez, Elisa Inés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Benítez, Elisa Inés. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina Peer Reviewed
description	El análisis de espectroscopia de infrarrojo cercano (NIR) se ha convertido en una técnica no destructiva ampliamente utilizada para analizar componentes en una muestra de alimentos en forma rápida y precisa. Asimismo, es amigable con el ambiente, ya que permite eliminar el uso de solventes, como ocurre en el caso del análisis fisicoquímico de cervezas que se presenta. En este trabajo, se investiga la aplicación de la FT-NIR en análisis ya conocidos como lo son pH, densidad final, grado alcohólico, acidez, concentración de α-ácidos y concentración de iso-α ácidos (IBU). El objetivo del estudio radica en el entrenamiento de modelos que permitan predecir las diferentes variables de interés en cerveza, simplificando el tiempo de procesamiento necesario para analizar cada variable por separado con su respectiva técnica analítica. Se utilizaron 400 datos etiquetados, correspondientes a muestras de cerveza, en las cuales se determinaron analíticamente los valores de los parámetros mencionados y se analizaron con el equipo de FT-NIR Spectrum Two (Perkin-Elmer). El procesamiento de las muestras para la obtención de los espectros se realizó utilizando cubetas de cuarzo para líquidos de 1, 0,5 y 0,1 cm de paso óptico. Además, se utilizó el accesorio NIRA (0,1 cm de paso óptico): se colocaron 3 mL de cerveza en placas de Petri (40 mm) con un adaptador de transflectancia de aluminio por encima, como superficie reflectante inerte. Se evaluaron los modelos obtenidos con cada variante de accesorio utilizada con el objetivo de definir cuál de ellos resulta más adecuado para el modelado de los parámetros fisicoquímicos de manera individual. Se utilizó el software Spectrum Quant para el entrenamiento con los datos preprocesados, mediante el algoritmo PLS. Se ajustó el número de variables latentes (vl) hasta la obtención de modelos con R2 superiores a 0,85. Los resultados evidenciaron que el uso de NIRA proporciona modelos con mayor ajuste para todos los parámetros (R2=0,97 para 70 vl). El empleo de cubetas de 0,5 y 0,1 cm también permite alcanzar valores de R2 adecuados, pero requieren un mayor número de vl para alcanzar los resultados de NIRA (R2 de 0,854 y 0,853 respectivamente, para 70 vl). El uso de la cubeta de 1 cm solo produjo buenos resultados para el modelado de densidad final, acidez y grado alcohólico (R2 = 0,85 para 100 vl). Estas observaciones se atribuyen a que NIRA permite obtener espectros con una significativa reducción del ruido, mientras que el uso de cubetas se ve afectado por este fenómeno en todos los casos, con mayor presencia del ruido a mayor longitud del paso óptico. Se concluye en que el accesorio NIRA es el más adecuado para utilizarse en el entrenamiento de modelos para todas las variables evaluadas. Si bien pudieron obtenerse buenos resultados con otros accesorios, el empleo de NIRA permite trabajar con un número menor de vl, disminuyendo el riesgo de sobreajuste del modelo. Este estudio representa un primer paso para la obtención de modelos predictivos y debe continuar con la etapa de validación para evaluar el rendimiento y la capacidad de realizar predicciones en nuevos datos.
publishDate	2023
dc.date.none.fl_str_mv	2023-10-06 2024-04-05T15:56:14Z 2024-04-05T15:56:14Z
dc.type.none.fl_str_mv	info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo
format	article
status_str	publishedVersion
dc.identifier.none.fl_str_mv	https://cytal2023.org/libro/ http://hdl.handle.net/20.500.12272/10351
url	https://cytal2023.org/libro/ http://hdl.handle.net/20.500.12272/10351
dc.language.none.fl_str_mv	spa
language	spa
dc.relation.none.fl_str_mv	PATCARE0008193TC Desarrollo de indicadores de calidad higiénica en plantas elaboradoras de cerveza artesanal
dc.rights.none.fl_str_mv	info:eu-repo/semantics/openAccess 2024-04-05T15:56:14Z http://creativecommons.org/licenses/by-nc-sa/4.0/ Atribución-NoComercial-CompartirIgual 4.0 Internacional Acceso abierto
eu_rights_str_mv	openAccess
rights_invalid_str_mv	2024-04-05T15:56:14Z http://creativecommons.org/licenses/by-nc-sa/4.0/ Atribución-NoComercial-CompartirIgual 4.0 Internacional Acceso abierto
dc.format.none.fl_str_mv	pdf application/pdf
dc.source.none.fl_str_mv	reponame:Repositorio Institucional Abierto (UTN) instname:Universidad Tecnológica Nacional
reponame_str	Repositorio Institucional Abierto (UTN)
collection	Repositorio Institucional Abierto (UTN)
instname_str	Universidad Tecnológica Nacional
repository.name.fl_str_mv	Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv	gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_	1877230878230315008
score	13.265058

Aplicación de la espectroscopia de infrarrojo cercano (NIR) en el entrenamiento de modelos predictivos para la determinación de parámetros fisicoquímicos en cerveza.

Publicaciones similares