Análisis de propiedades fisicoquímicas de productos lácteos de forma más rápida y precisa

SUMARIO

En este caso de uso se explica cómo una compañía láctea implementó los análisis cuantitativos de Chemometric Brain para predecir las propiedades físico-químicas de un lote de queso mozzarella con el fin de identificar si los nuevos lotes eran conformes a los producidos anteriormente y tenían el mismo rendimiento al ser empleados, por ejemplo, como queso para fundir. Los modelos de calibración de Chemometric Brain son más flexibles que los de otros software NIR y ofrecen esta identificación de forma más rápida y precisa.

CONTEXTO

Una compañía láctea estaba interesada en determinar la composición de un lote de quesos mozzarella producidos en sus instalaciones para asegurar que las propiedades del producto eran conformes a los parámetros establecidos en la compañía, tenían el mismo rendimiento (por ejemplo, al fundirse) y, por tanto, eran reproducibles para una fabricación más eficiente y segura.

Para resolver esto, se implementaron análisis cuantitativos de Chemometric Brain, que permiten obtener instantáneamente información sobre una amplia variedad de propiedades fisicoquímicas como la humedad, la proteína, la grasa, el pH, la materia seca o la sal (cloruro de sodio), entre otras.

Chemometric Brain ofrece un gran número de modelos de calibración que las compañías alimentarias pueden utilizar para sus espectros NIR, con la diferencia, respecto a otros software, de que estas calibraciones no necesitan ser actualizadas de forma periódica por el fabricante, sino que se actualizan automáticamente y para ello el usuario simplemente ha de incorporar los valores de referencia que va recopilando a su espectro NIR. Esto significa que Chemometric Brain ofrece modelos más flexibles, rápidos y precisos que otros software NIR.

PRODUCTO EXAMINADO

Queso mozzarella fabricado por una empresa láctea.

PROBLEMA

Predicción de diferentes propiedades fisicoquímicas en pocos segundos mediante el uso de los modelos de calibración cuantitativa desarrollados por Chemometric Brain software as a service (Saas).

ENFOQUE

Nuestro cliente quería asegurarse de que los nuevos lotes de mozzarella fabricados en sus instalaciones eran conformes a los producidos en procesos de fabricación anteriores, garantizando que, por ejemplo, se fundirían de forma similar.  Para hacer frente a este problema, Chemometric Brain puso a disposición de esta compañía un gran número de modelos de calibración -basados en múltiples variedades de ingredientes y alimentos- para sus espectros NIR, lo que permite predecir el valor de cada una de las propiedades fisicoquímicas de forma rápida.

La figura 1 muestra un ejemplo del modelo de calibración utilizado para la predicción del contenido de grasa de la mozzarella para un nuevo lote con un valor desconocido. En la parte derecha de la imagen se pueden ver los resultados obtenidos mediante los modelos de calibración cuantitativa disponibles en las bibliotecas de Chemometric Brain para otros componentes nutricionales como la proteína, la materia seca, el cloruro de sodio y el pH. Los datos arrojados por Chemometric Brain SaaS prueban que el nuevo lote fabricado está dentro de los valores de referencia y por tanto se puede considerar conforme a los producidos anteriormente.

CONCLUSIÓN

Los múltiples modelos de calibración cuantitativa que ofrece Chemometric Brain para ingredientes y productos alimentarios más usuales en la industria agroalimentaria facilitan a las empresas la labor de determinar la composición de dichos productos (grasa, proteína, cenizas, viscosidad, materia seca, humedad, etc.) manipulados en sus instalaciones. Al implementar Chemometric Brain SaaS, los clientes podrán predecir un conjunto de valores cuantitativos para diferentes propiedades fisicoquímicas sin necesidad de utilizar las calibraciones poco flexibles que suelen emplear otros dispositivos NIR.

Deja una respuesta

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>