Redes neurais artificiais e modelos de regressão na predição de propriedades reológicas de méis brasileiros

As propriedades reológicas de méis têm uma importância prática para apicultores e indústrias. As relações entre propriedades físico-químicas e reológicas são sistemas não lineares complexos. Deste modo, redes neurais artificiais (RNAs) e modelos de regressão linear e não linear foram utilizados para a predição de propriedades reológicas de 40 méis brasileiros de diferentes origens florais, a partir de medidas de fácil obtenção. Uma caracterização reológica dos méis foi realizada por meio de testes de cisalhamento no estado estacionário para a determinação da viscosidade (η) em diferentes temperaturas (10 °C a 60 °C) e testes de cisalhamento oscilatório de pequenas amplitudes (COPA) para determinação dos parâmetros módulo elástico (G’), módulo viscoso (G’’) e viscosidade complexa (η*) em varreduras de temperatura (0 °C; 75 °C; 0 °C) e varreduras de frequência (0,1 Hz a 10 Hz) em diferentes temperaturas (10 °C a 60 °C). Todos os méis apresentaram comportamento como líquido nas temperaturas e no espectro mecânico avaliados. O modelo de Arrhenius foi o mais adequado na estimativa da η de todos os méis e da η* de alguns deles, sendo o modelo Williams-Landel-Ferry (WLF) o mais apropriado na predição da η* dos méis laranjeira, multifloral-sudeste e multifloral-sul. Modelos simplificados foram propostos na determinação da η e η* a partir do efeito combinado da temperatura e concentração, com coeficiente de determinação (R²) igual a 0,9540 e 0,9334, e erro (root mean square error - RMSE) igual a 8,00 e 10,44, para η e η*, respectivamente. Na estimativa da viscosidade (η) em medidas de cisalhamento no estado estacionário, uma RNA (modelo 1) com arquitetura 2-12-1 neurônios em suas camadas apresentou um bom desempenho na fase de teste, com RMSE e coeficiente de correlação (r) iguais a 0,0430 e 0,9681 respectivamente. Na predição dos parâmetros G’, G’’ e η* na varredura de temperatura durante aquecimento e resfriamento, RNAs com arquitetura 2-9-3 (modelo 2) e 2-3-3 (modelo 3), apresentaram RMSE iguais a 0,0261 e 0,0387, na fase de teste, respectivamente. Para todos os parâmetros determinados, modelos não lineares exponenciais apresentaram resultados equivalentes aos modelos 1, 2 e 3. Uma RNA com arquitetura 3-9-3 (modelo 4) apresentou RMSE e r, para G’ iguais a 0,0158 e 0,7301, para G’’ iguais a 0,0176 e 0,9581 e para η* iguais a 0,0407 e 0,9647, respectivamente, na fase de teste, para os dados de varredura de frequência. Estes resultados foram superiores aos obtidos por meio de modelos lineares múltiplos de segunda ordem. A obtenção de todos os modelos representa uma importante aplicação para o processamento de méis e de produtos à base de mel, visto que tais propriedades são essenciais nos cálculos de engenharia e no controle de qualidade dos produtos. The rheological properties of honey are of practical importance for beekeepers and industries, since their determination allows for processing and quality control of honey. The relationships between physico-chemical and rheological properties are considered complex nonlinear systems. Therefore, artificial neural networks (ANNs) and linear and non-linear regression models were used to predict the rheological properties of 40 Brazilian honeys from different floral sources based on easily obtainable measurements. A rheological characterization of honeys was performed by means of shear tests at steady state for determining the viscosity (η) at different temperatures (10°C to 60°C) and small amplitude oscillatory shear (SAOS) testing for determining the parameters storage modulus (G’), loss modulus (G’’) and complex viscosity (η*) in temperature scans (0°C75°C-0°C) and frequency scans (0.1 Hz to 10 Hz) at different temperatures (10°C to 60°C). All honeys showed liquid behavior at the evaluated temperatures and mechanical spectra. The Arrhenius model was the most appropriate for estimation of η for all honeys and η* for some of them, where the Williams-Landel-Ferry (WLF) model was the most appropriate for predicting η* of the orange blosson, multi-southest and multi-southern honeys. Simplified models were proposed to determine η and η* from the combined effect of temperature and concentration, which showed coefficient of determination (R²) equal to 0.9540 and 0.9334, and root mean square error (RMSE) equal to 8.00 and 10.44 for η and η*, respectively. In estimating the viscosity (η) from shear measurements at steady state, an ANN (model 1) with architecture of 2-12-1 neurons in its layers showed good performance in the test phase, with RMSE and correlation coefficient (r) values equal to 0.0430 and 0.9681, respectively. In prediction of the parameters G’, G’’ and η* from the temperature scans during heating and cooling, ANNs with architectures of 2-9-3 (model 2) and 2-3-3 (model 3) presented RMSE values equal to 0.0261 and 0.0387 in the test phase, respectively. For all the determined parameters, nonlinear exponential models showed similar results to models 1, 2 and 3. An ANN with 3-9-3 architecture (model 4) presented RMSE and r values for G’ equal to 0.0158 and 0.7301, for G’’ equal to 0.0176 and 0.9581 and for η* equal to 0.0407 and 0.9647, respectively, in the test phase for the frequency scan data. These results were far superior to those obtained using second order multiple linear models. The acquisition of all models is an important application for the processing of honey and honey-based products, since these properties are essential in engineering, quality control and product shelf life calculations