Espectroscopia NIR para controlo em linha em guloseimas
O objetivo foi inequívoco: substituir controlos analíticos pontuais, destrutivos e lentos por uma metodologia não invasiva, precisa e integrada no processo, capaz de reduzir desperdícios, encurtar tempos de decisão e reforçar a consistência do produto final.
Formulação de guloseimas e qualidade: proteína, água e hidratos
O ponto de partida do projeto assenta numa realidade bem conhecida do setor: a formulação de guloseimas diferencia-se cada vez mais pelo desempenho dos ingredientes. Conhecer com precisão o teor de proteínas, hidratos e água é crítico para o valor nutricional, para a reologia do processo e, em última instância, para as propriedades organoléticas.
Contudo, as técnicas convencionais que exigem preparação de amostras, pessoal especializado e tempos de resposta elevados dificultam o controlo em linha, a redução de desvios e a automação. Por isso avaliámos uma alternativa baseada em espectroscopia NIR (7502.500 nm) que, sustentada na lei de Lambert-Beer, permite correlacionar assinaturas espectrais com parâmetros de referência.
Metodologia NIR em condições reais de fábrica
Para garantir representatividade, trabalhámos com a TROLLI em condições equivalentes às de fábrica. A partir de três receitas, variámos a proporção de gelatina (colagénio) desde o dobro até à sua eliminação total, abrangendo uma gama ampla de formulações reais.
As medições foram realizadas com um espectrofotómetro NIR equipado com sonda de imersão e lâmpada halógena. Em paralelo, o valor real de proteína foi determinado por análise volumétrica no laboratório de Análise Química da AINIA.
Com ambos os conjuntos de dados espectros e valores de referência construímos e ajustámos um modelo preditivo através de regressão por mínimos quadrados parciais (PLS Partial Least Squares).
Modelação PLS: precisão na previsão de proteína
Os resultados confirmam a viabilidade da solução. Obtivemos um modelo preditivo NIR para teor de proteína com um erro médio em validação cruzada de 0,49% numa gama de 011% de proteína e um coeficiente de determinação (R²) de 0,975.
Estes indicadores demonstram elevada precisão para estimar de forma rápida e não destrutiva um parâmetro fundamental de qualidade, como o teor de proteína na massa de guloseima.
Para além dos indicadores, o mais relevante é o que o modelo possibilita: controlo contínuo do processo, deteção precoce de desvios e capacidade de correção imediata traduzindo-se em menos desperdícios, maior estabilidade do produto e decisões mais ágeis.
Monitorização em tempo real e integração com SCADA/MES
O passo natural seguinte é a integração em linha do sistema NIR em pontos críticos como amassamento, moldagem ou secagem, conectando-o a sistemas SCADA/MES para fechar o ciclo de decisão.
A experiência demonstra que a manutenção do modelo com recalibrações pontuais associadas a mudanças de receita ou matérias-primas assegura robustez a longo prazo e maximiza o retorno do investimento.
A colaboração com a TROLLI foi determinante para validar a tecnologia em condições reais: o seu conhecimento do processo, aliado à nossa capacidade analítica e de modelação, permitiu transformar uma hipótese tecnológica numa ferramenta operacional com impacto direto em fábrica.
Da análise off-line ao controlo de processo orientado por dados
Se produces guloseimas ou outros alimentos cuja composição condiciona o processo, a AINIA pode apoiar-te a medir em tempo real aquilo que realmente importa.
Desenvolvemos estudos de viabilidade, construímos modelos NIR à medida e acompanhamos a implementação em linha para transformar dados em ação e converter o controlo de qualidade numa vantagem competitiva.
Um desenvolvimento integrado no projeto CANDYSPECT
Este desenvolvimento integra-se no projeto CANDYSPECT, focado na investigação de tecnologias espectrais para determinar propriedades de gomas e caramelos gelificados.
O CANDYSPECT faz parte do projeto estruturante ECOFOOD Adaptação científico-tecnológica das cadeias de valor do setor agroalimentar para uma transição sustentável, ecológica e digital (código PAG-010000-2023-15), que impulsiona a inovação tecnológica rumo a processos mais digitais, eficientes e sustentáveis.
O projeto ECOFOOD é promovido pelo Ministério da Indústria e Turismo, no âmbito do Plano de Recuperação, Transformação e Resiliência, e financiado pela União Europeia NextGenerationEU.
