基于人工智能的预测植物性肉类类别的合物质的质特性
Dayeon Lee1, Sungmin Jeong2, Suin Yun1
1Department of Food Science and Biotechnology, Sejong University, Seoul, Korea.
Journal of the science of food and agriculture
|January 29, 2024
概括
机器学习准确地预测了化物溶液粘度,与植物性肉质感相关联. 这在食品产品开发中为甲基纤维素提供了一个清洁标签的替代品.
科学领域:
- 食品科学 食品科学 食品科学
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 甲基纤维素是植物性肉类类似物中常见的粘合剂.
- 清洁标签趋势需要替代甲基纤维素.
- 合体的功能需要对食品应用进行进一步研究.
研究的目的:
- 开发一种机器学习框架,用于预测合物溶液流动行为.
- 为了将预测的合物粘度与植物性肉类模拟纹理相关联.
- 为了确定甲基纤维素的潜在清洁标签替代品.
主要方法:
- 研究了六种合物溶液的流动行为.
- 使用机器学习算法 (随机森林,多层感知器) 进行粘度预测.
- 使用贝叶斯优化调整多层感知子超参数.
主要成果:
- 观察到多种类型的质性行为 (剪切薄化,牛顿式) 跨合物.
- 机器学习模型在粘度预测中表现优于传统的构成方程.
- 预测的粘度与植物性肉类类似物质的纹理特性存在相关性.
结论:
- 一个优化的多层感知子模型在粘度预测中实现了高精度.
- 基于机器学习的粘度预测与基于植物的肉质纹理属性保持一致.
- 这种方法促进了使用清洁标签合物开发具有理想纹理的植物性肉类类似物.


