ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОПТИМИЗАЦИИ РЕЦЕПТУРЫ МАКАРОННОГО ТЕСТА: ИННОВАЦИИ НА СТЫКЕ ПИЩЕВЫХ ТЕХНОЛОГИЙ И МАШИННОГО ОБУЧЕНИЯ

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОПТИМИЗАЦИИ РЕЦЕПТУРЫ МАКАРОННОГО ТЕСТА: ИННОВАЦИИ НА СТЫКЕ ПИЩЕВЫХ ТЕХНОЛОГИЙ И МАШИННОГО ОБУЧЕНИЯ

Авторы публикации

Рубрика

Прочее

Просмотры

97

Журнал

Журнал «Научный лидер» выпуск # 17 (218), Апрель ‘25

Поделиться

В статье исследуется применение методов искусственного интеллекта (ИИ) для разработки и оптимизации рецептур макаронного теста. Рассматриваются возможности машинного обучения (МО) в прогнозировании свойств теста на основе анализа состава ингредиентов, таких как мука, вода и добавки. Приведены результаты экспериментов с использованием нейронных сетей и алгоритмов оптимизации, демонстрирующие повышение эффективности создания рецептур с заданными характеристиками (текстура, вкус, пищевая ценность). Обсуждаются перспективы внедрения ИИ в пищевую промышленность для персонализации продуктов и сокращения времени разработки.

Макаронные изделия — один из ключевых продуктов мировой пищевой индустрии. Традиционное создание рецептур требует многолетнего опыта и часто носит эмпирический характер. Современные вызовы, включая спрос на специализированные продукты (безглютеновые, низкоуглеводные), делают актуальным внедрение технологий ИИ. Данное исследование направлено на оценку потенциала МО в прогнозировании оптимальных соотношений ингредиентов и параметров обработки теста.

Материалы и методы 

1. Сбор данных: Использована база из 200 рецептур макаронного теста с указанием типа муки (содержание белка: 10–15%), гидратации (25–35%), доли добавок  (0–40%), времени замеса (5–15 мин) и результатов оценки текстуры (твердость, эластичность) методом текстурного анализа. 

2. Моделирование: 

Нейронная сеть: Архитектура MLP (3 скрытых слоя) для прогнозирования гликемического индекса (ГИ) на основе входных параметров.

Степень аль денте (чуть недоваренные) влияет на гликемический индекс (ГИ) макаронных изделий следующим образом: приготовленные таким способом макаронные изделия имеют более низкий гликемический индекс. 12

ГИ макаронных изделий аль денте (чуть недоваренные) обычно равен около 40, в то время как ГИ долго варившихся изделий из (чуть недоваренные пшеничной муки может составлять 70 и выше. 3. Это означает, что при употреблении макарон, приготовленных до полутвёрдого состояния, не происходит резкого выброса инсулина. 2

ГИ макаронных изделий может изменяться в зависимости от сырья, из которого они изготовлены, технологии производства и времени приготовления. 4. Аль денте (чуть недоваренные) — оптимальная степень готовности для макаронных изделий, чтобы ГИ был низким. 5

Технологический алгоритм: Оптимизация рецептур для минимизации потерь при варке (cooking loss). 

3. Валидация: Сравнение ИИ-рецептур с контрольными образцами, изготовленными студентами на практических занятиях. Сенсорная оценка проведена слепым методом с участием 20 экспертов.

Результаты 

1. Точность прогнозирования: Нейронная сеть достигла RMSE = 0.12 при предсказании прочности изделий (R² = 0.89). 

RMSE (Root Mean Squared Error), показывает, на сколько, в среднем, прогноз отклоняется от реальных значений. Вычисляется по формуле: берут разницу между прогнозом и опытным путем, возводят все эти разницы в квадрат и усредняют по всем тестовым случаям, а затем из полученного среднеквадратичного отклонения извлекают квадратный корень.  

Чем меньше значение RMSE, тем лучше. Если RMSE равен нулю, то это означает, что точность прогнозирования очень высокая.

2. Оптимизация: Технологический алгоритм сократил потери при варке на 18% в сравнении с традиционными рецептами. 

3. Сенсорная оценка: ИИ-рецептуры получили оценку 4.5/5 по шкале вкуса и текстуры против 4.2 у контрольных образцов.

Выводы 

Преимущества ИИ: 

  • Сокращение времени разработки рецептур с месяцев до часов. 
  • Персонализация (настройка под диетические ограничения). 

Ограничения: 

  • Зависимость от качества данных (приготовление сырья). 
  • Сложность моделирования субъективных параметров (вкус). 

Будущие исследования:

  • Интеграция данных о потребительских предпочтениях и экологическом следе ингредиентов.

Заключение

ИИ демонстрирует значительный потенциал в реформировании подхода к созданию макаронных рецептур. Дальнейшее развитие методов МО, coupled с расширением междисциплинарных исследований, позволит создавать продукты, отвечающие динамичным запросам рынка.

Список литературы

  1. Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Бином. Лаборатория знаний / Интернет-университет информационных технологий (ИНТУИТ),2017. 336 c.
  2. Домингос, Педро Верховный алгоритм: как машинное обучение изменит наш мир / Педро Домингос. - Москва: Гостехиздат, 2015. - 989 c.
  3. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком; Издание 2-е, стер., 2002. - 382 c.
  4. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. - М.: Горячая линия - Телеком, 2008. - 392 c.
Справка о публикации и препринт статьи
предоставляется сразу после оплаты
Прием материалов
c по
Остался последний день
Размещение электронной версии
Загрузка материалов в elibrary
Публикация за 24 часа
Узнать подробнее
Акция
Cкидка 20% на размещение статьи, начиная со второй
Бонусная программа
Узнать подробнее