Predicting composition of a functional food product using computer simulation

Capa

Citar

Texto integral

Resumo

One of the frontiers of science is the development of a digital twin for a food product to predict composition and properties of a future product. Today, however, computer simulation (modeling) is used for predicting the composition of a food product. The aim of our research is to compare the levels of the nutritional value parameters from a digital model and a real food product and to assess adequacy of the obtained data. The objects of the research were the emulsified meat-and-plant product based on the traditional meal “Mukhamar” and a digital model (computer simulator) of the recipe of the emulsified meat-andplant product. By the example of the development of the emulsified meat-and-plant product based on the traditional meal “Mukhamar”, stages of the development of a digital twin of a food product are shown. It was demonstrated that it is incorrect to use a digital model without supporting it with data (numerical values) obtained from apparatus, sensors. The calculated parameters were compared with the data obtained empirically (as a result of the laboratory experiment) in three blocks: physicochemical indicators, vitamins and minerals. Simulation and calculation of the absolute and relative errors were performed in the program environment R Studio. Differences between the calculated and empirical data can be explained, firstly, by the average values of parameters in food product databases. As for now, databases contain averaged data, which do not take into account individual characteristics of animal and plant raw materials. Secondly, it is necessary to take into consideration the coefficient of losses (or coefficient of preservation) of food nutrients during thermal treatment of food. It has been established that only the development of the precise digital twin with regard to all parameters will help to trace quality parameters at each stage of the production, which will allow reacting timely to deviations and improving quality of the final product.

Sobre autores

M. Nikitina

V.M. Gorbatov Federal Research Center for Foods Systems

Email: imcher@inbox.ru
26, Talalikhin str., 109316, Moscow

I. Chernukha

V.M. Gorbatov Federal Research Center for Foods Systems

Email: imcher@inbox.ru
26, Talalikhin str, 109316, Moscow

M. Artamonova

Russian Biotechnological University (Rosbiotech)

Email: imcher@inbox.ru
11, Volokolamsk highway, 125080, Moscow

A. Qusay

Russian Biotechnological University (Rosbiotech); University of Hama

Email: imcher@inbox.ru
11, Volokolamsk highway, 125080, Moscow; Assi Square, Hama, Syria

Bibliografia

  1. Palatini, P., Saladini, F., Mos, L., Vriz, O., Ermolao, A., Battista, F. et al. (2024). Healthy overweight and obesity in the young: Prevalence and risk of major adverse cardiovascular events. Nutrition, Metabolism and Cardiovascular Diseases, 34(3), 783–791. https://doi.org/10.1016/j.numecd.2023.11.013
  2. Kivimäki, M., Kuosma, E., Ferrie, J. E., Luukkonen, R., Nyberg, S. T., Alfredsson, L. et al. (2017). Overweight, obesity, and risk of cardiometabolic multimorbidity: Pooled analysis of individual-level data for 120813 adults from 16 cohort studies from the USA and Europe. The Lancet Public Health, 2(6), e277-e285. http://doi.org/10.1016/S2468-2667(17)30074-9
  3. Eckel, N., Meidtner, K., Kalle-Uhlmann, T., Stefan, N., Schulze, M.B. (2016). Metabolically healthy obesity and cardiovascular events: A Systematic review and meta-analysis. European Journal of Preventive Cardiology, 23(9), 956–966. http://doi.org/10.1177/2047487315623884
  4. Nayak, B.N., Singh, R.B., Buttar, H.S. (2022). Biochemical and dietary functions of tryptophan and its metabolites in human health. Chapter in a book: Functional Foods and Nutraceuticals in Metabolic and Non-Communicable Diseases. Academic Press, 2022. https://doi.org/10.1016/B978-0-12-819815-5.00003-3
  5. Gupta, S.K., Vyavahare, S., Blanes, I.L.D., Berger, F., Isales, C., Fulzele, S. (2023). Microbiota-derived tryptophan metabolism: Impacts on health, aging, and disease. Experimental Gerontology, 183, Article 112319. https://doi.org/10.1016/j.exger.2023.112319
  6. Wang, J., Liu, J., John, A., Jiang, Y., Zhu, H., Yang, B. et al. (2022). Structure identification of walnut peptides and evaluation of cellular antioxidant activity (2022). Food Chemistry, 388, Article 132943. https://doi.org/10.1016/j.foodchem.2022.132943
  7. Kalaycıoğlu, Z., Erim, F.B. (2017). Total phenolic contents, antioxidant activities, and bioactive ingredients of juices from pomegranate cultivars worldwide. Food Chemistry, 221, 496–507. https://doi.org/10.1016/j.foodchem.2016.10.084
  8. Larsson, S.C., Woolf, B., Gill, D. (2023). Appraisal of the causal effect of plasma caffeine on adiposity, type 2 diabetes, and cardiovascular disease: Two sample mendelian randomisation study. BMJ Medicine, 2, Article e000335. https://doi.org/10.1136/bmjmed2022-000335
  9. Kritzinger, W., Karner, M., Traar, G., Henjes, J., Sihn, W. (2018). Digital Twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine, 51(11), 1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474
  10. Santner, T.J., Williams, B.J., Notz, W.I. (2018). The Design and Analysis of Computer Experiments. New York: Springer, 2018. https://doi.org/10.1007/978-1-4939-8847-1
  11. Cabeza-Gil, I., Ríos-Ruiz, I., Martínez, M.Á., Calvo, B., Grasa, J. (2023). Digital twins for monitoring and predicting the cooking of food products: A case study for a French crêpe. Journal of Food Engineering, 359, Article 111697. https://doi.org/10.1016/j.jfoodeng.2023.111697
  12. Karadeniz, A.M., Arif, İ., Kanak A., Ergün S. (May 26–29, 2019). Digital Twin of eGastronomic Things: A Case Study for Ice Cream Machines. In Proceedings of the 2019 IEEE International Symposium on Circuits and Systems (ISCAS), Sapporo, Japan, 2019. https://doi.org/10.1109/ISCAS.2019.8702679
  13. Kannapinn, M., Pham, M.K., Schäfer, M. (2022). Physics-based digital twins for autonomous thermal food processing: Efficient, non-intrusive reduced-order modeling. Innovative Food Science and Emerging Technologies, 81, Article 103143. https://doi.org/10.1016/j.ifset.2022.103143
  14. Krupitzer, C., Roth, F.M., VanSyckel, S., Schiele, G., Becker, C. (2015). A survey on engineering approaches for self-adaptive systems. Pervasive and Mobile Computing, 17(Part B), 184–206. https://doi.org/10.1016/j.pmcj.2014.09.009
  15. Defraeye, T., Shrivastava, C., Berry, T., Verboven, P., Onwude, D., Schudel, S. et al. (2021). Digital twins are coming: Will we need them in supply chains of fresh horticultural produce? Trends in Food Science and Technology, 109, 245–258. https://doi.org/10.1016/j.tifs.2021.01.025
  16. Lv, Z., Xie, S. (2021). Artificial intelligence in the digital twins: State of the art, challenges, and future research topics. Digital Twin, 1–12. https://doi.org/10.12688/digitaltwin.17524.1
  17. Attaran, M. (2017). The Internet of Things: Limitless opportunities for business and society. Journal of Strategic Innovation and Sustainability, 12(1), 10–29.
  18. Hou, L., Wu, S., Zhang, G., Tan, Y., Wang, X. (2020). Literature review of digital twins applications in construction workforce safety. Applied Sciences, 11(1), Article 339. https://doi.org/10.3390/app11010339
  19. Shu, Z., Wan, J., Zhang, D. (2016). Cloud-integrated cyber–physical systems for complex industrial applications. Mobile Networks and Applications, 21, 865–878. https://doi.org/10.1007/s11036-015-0664-6
  20. Henrichs, E., Noack, T., Pinzon Piedrahita, A.M., Salem, M.A., Stolz, J., Krupitzer, C. (2022). Can a byte improve our bite? An analysis of digital twins in the food industry. Sensors, 22(1), Article 115. https://doi.org/10.3390/s22010115
  21. Lisitsyn, A.B., Chernukha, I.M., Nikitina, M.A. (2023). Cyber-physical systems in food production chain. Theory and Practice of Meat Processing, 8(4), 316–325. https://doi.org/10.21323/2414-438X2023-8-4-316-325
  22. Rajak, P., Ganguly, A., Adhikary, S., Bhattacharya, S. (2023). Internet of Things and smart sensors in agriculture: Scopes and challenges. Journal of Agriculture and Food Research, 14, Article 100776. https://doi.org/10.1016/j.jafr.2023.100776
  23. Alfian, G., Rhee, J., Ahn, H., Lee, J., Farooq, U., Ijaz, M.F., Syaekhoni, M.A. (2017). Integration of RFID, wireless sensor networks, and data mining in an e-pedigree food traceability system. Journal of Food Engineering, 212, 65–75. https://doi.org/10.1016/j.jfoodeng.2017.05.008
  24. Yu, S., Liu, X., Tan, Q., Wang, Z., Zhang, B. (2024). Sensors, systems and algorithms of 3D reconstruction for smart agriculture and precision farming: A review. Computers and Electronics in Agriculture, 224(9), Article 109229. https://doi.org/10.1016/j.compag.2024.109229
  25. Mon, T., ZarAung, N. (2020). Vision based volume estimation method for automatic mango grading system. Biosystems Engineering, 198(10), 338–349. https://doi.org/10.1016/j.biosystemseng.2020.08.021
  26. Yimyam, P., Clark, A.F. (February 3–6, 2016). 3D reconstruction and feature extraction for agricultural produce grading. In Proceedings of the 8th International Conference on Knowledge and Smart Technology (KST), Chiang Mai, Thailand, 2016. https://doi.org/10.1109/KST.2016.7440482
  27. Guo, P., Dusadeerungsikul, P.O., Nof, S.Y. (2018). Agricultural cyber physical system collaboration for greenhouse stress management. Computers and Electronics in Agriculture, 150, 439–454. https://doi.org/10.1016/j.compag.2018.05.022
  28. Ahmad, I., Pothuganti, K. (September 10–12, 2020). Smart field monitoring using ToxTrac: A cyber–physical system approach in agriculture. In Proceedings of the 2020 International Conference on Smart Electronics and Communication (ICOSEC), Trichy, India, 2020. https://doi.org/10.1109/ICOSEC49089.2020.9215282
  29. Skobelev, P., Laryukhin, V., Simonova, E., Goryanin, O., Yalovenko, V., Yalovenko, O. (July 27–28, 2020). Developing a smart cyber–physical system based on digital twins of plants. In Proceedings of the 2020 Fourth World Conference on Smart Trends in Systems, Security and Sustainability (WorldS4), London, UK, 2020. https://doi.org/10.1109/WorldS450073.2020.9210359
  30. Siemens AG. (2018). Customization in the Food and Beverage Industry. Spotlight on the Digital Twin. White Paper. 2018. Retrieved from https://www.foodengineeringmag.com/ext/resources/WhitePapers/FE_Whitepaper_CustomizationFood-and-Beverage.pdf Accessed June 20, 2024.
  31. Mclean, V., Redmond, W. (2021). Mars and Microsoft Work together to Accelerate Mars’ Digital Transformation and Reimagine Business Operations, Associate Experience and Consumer Engagement. Press Release. 2021. Retrieved from https://news.microsoft.com/2021/05/13/mars-and-microsoft-work-togetherto-accelerate-mars-digital-transformation-and-reimagine-business-operations-associate-experience-and-consumer-engagement/ Accessed June 20, 2024.
  32. Патент № 2015620557. Пищевые продукты. Никитина М. А., Лисицын А. Б., Захаров А. Н., Сусь Е. Б., Пилюгина С. А., Дыдыкин А. С., Устинова Опубл. 12.02.2015. https://doi.org/10.1017/CBO9780511702396.063
  33. Cauchy, A.-L. (1847). Méthode générale pour la résolution des systèmes d’équations simultanées. Comptes rendus de l’Académie des Sciences, XXV, 536– 538. https://doi.org/10.1017/CBO9780511702396.063
  34. Поляк, Б.Т. (1963). Градиентные методы минимизации функционалов, решения уравнений и неравенств. Автореф. дис. канд. физ-мат. наук. М.: МГУ. — 9 с.
  35. Канторович, Л.В., Акилов, Г.П. (2004). Функциональный анализ. СПб.: Невский диалект, 2004.
  36. Bhadani, R. (2021). Nonlinear Optimization in R using nlopt. https://doi.org/10.48550/arXiv.2101.02912
  37. Лисицын, А.Б., Чернуха, И.М., Никитина, М.А. (2021). Конструирование многокомпонентных продуктов питания. Москва: Издательство «МГУПП», 2021.
  38. Chernukha, I.M., Nikitina, M.A., Aslanova, M.A., Qusay, A.T. (2022). Systemic approach in the development of functional foods for various noncommunicable diseases. Theory and Practice of Meat Processing, 7(3), 164–176. https://doi.org/10.21323/2414-438X2022-7-3-164-176
  39. Никитина, М.А., Чернуха, И.М., Кусай, А.Т. (2022). Мониторинг жизненного цикла пищевого продукта, созданного на основе цифрового двойника. Всё о мясе, 4, 22–26. https://doi.org/10.21323/2071-2499-2022-4-22-26
  40. Асланова, М.А., Деревицкая, О.К., Дыдыкин, А.С., Беро, А.Л., Солдатова, Н.Е. (2024). Разработка технологии функциональных мясных кулинарных изделий с использованием кардионутрициологических принципов. Все о мясе, 1, 36–39. https://doi.org/10.21323/2071-2499-2024-1-36-39
  41. Макарова, А.А., Лисин, П.А., Пасько, О.В. (2021). Проектирование аналоговых мясных полуфабрикатов с применением симплекс-метода. Индустрия питания, 6(2), 50–58. https://doi.org/10.29141/2500-1922-2021-6-2-6
  42. Скурихин, И.М., Нечаев, А.П. (1991). Все о пище с точки зрения химика. Москва: Высшая школа, 1991.
  43. Рогов, И.А., Жаринов, А.И., Воякин, М.П. (2008). Химия пищи. Принципы формирования качества мясопродуктов. Санкт-Петербург: Издательство РАПП, 2008.
  44. Оганян, Н.Г., Добровольский, В.И., Семенова, А.А., Васильева, Т.В. (2023). Метрологические аспекты при оценке соответствия мясной продукции установленным требованиям. Контроль качества продукции, 3, 38–43.
  45. Oganyan, N.G., Semenova, A.A., Dobrovolskiy, V.I. (September 14–16, 2021). Metrological aspects of the safety and quality of meat products. Journal of Physics: Conference Series, 2192, Article 012022. https://doi.org/10.1088/1742-6596/2192/1/012022

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Nikitina M.A., Chernukha I.M., Artamonova M.P., Qusay A.T., 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».