Classificação tipo/titulação de óleos almentícios por fluorimetria e redes neurais

Abstract

O Brasil destaca-se entre os maiores exportadores de grãos do mundo, sendo assim, cada vez mais surgem novos produtos e derivados destas Commodity. Os métodos para classificação desses produtos muitas vezes são custosos e demorados, quase sempre se valendo de técnicas de química analítica e métodos matemáticos como PCA (Principal Component Analysis), PCR (Principal Components Regression) ou PLS (Properties of Partial Least Squares) e RNA (Redes Neurais Artificiais) para aumentar sua eficiência. Devido à grande variedade de produtos são necessários métodos mais eficientes para qualificar, caracterizar e classificar estas substâncias, uma vez que o preço final deve refletir a excelência do produto que chega ao consumidor. Este trabalho propõe uma solução para classificação de óleos vegetais: Canola, Girassol, Milho e Soja colocados no mercado por diferentes marcas e fabricantes. O método de análise empregado é a fluorescência induzida por LED de amostras de óleo diluídas em heptano, com diferentes concentrações, sendo que a classificação dos espectros de fluorescência foi feita por RNA. Foram produzidas e caracterizadas 640 amostras, sendo 480 para treinamento da rede neural e 160 para sua validação. Para a classificação das amostras de fluorescência, os dados foram organizados em dois estudos, o primeiro com referência ao tipo das amostras, o segundo a titulação, este por final contento três arranjos dos dados e RNAs distintas. Na classificação do tipo das amostras, a rede conseguiu identificar 115 amostras, tendo acertado aproximadamente 72% destas amostras de validação. A classificação por titulação, utilizou a metade das amostras de fluorescência, o universo de treinamento passou a ter 240 amostras, as de validação 80. Para esse segundo estudo houve 3 arranjos desses dados, o resultado do primeiro arranjo teve 33 amostras classificadas com sucesso de 80, o segundo 49 e o terceiro 31.