Uno de los asuntos que más preocupan a los productores de chorizos es determinar el punto óptimo de secado de los mismos. Hasta ahora se han utilizado dos formas de controlarlo: la experiencia, observando el aspecto y a través del tacto; y con métodos analíticos de laboratorio. La primera opción falla en ocasiones debido a la subjetividad del juicio de los sentidos implicados y la segunda supone unos tiempos de análisis largos, además de un coste asociado para las empresas.
La empresa asturiana Embutidos Maybe, de largo recorrido (40 años de experiencia) y comprobada solvencia en el sector, no es ajena a este inconveniente. Encontró en ASINCAR, centro tecnológico agroalimentario, un aliado idóneo para conseguir el chorizo perfecto.
El secado del chorizo es un proceso crucial en su producción, ya que influye significativamente en la calidad, seguridad y características organolépticas del producto final.
Durante el secado, las enzimas presentes en la carne y las especias se activan, lo que contribuye al desarrollo de sabores y aromas característicos del chorizo; además, un secado óptimo ayuda a alcanzar la textura deseada, que es fundamental para la experiencia de consumo; también la eliminación de humedad durante el secado reduce la actividad de microorganismos patógenos y alterantes (causantes del deterioro), lo que prolonga la vida útil del chorizo. En resumen, conseguir un secado correcto del chorizo es crucial para producir un producto final de alta calidad, ya que minimiza el riesgo de contaminación microbiológica, ayuda a evitar reacciones químicas no deseadas y proporciona las propiedades organolépticas buscadas.
A problemas de siempre, soluciones innovadoras
El nexo de unión entre ambas entidades, Embutidos Maybe y ASINCAR, es el Asturias Digital Innovation Hub (AsDIH). La primera tenía una necesidad que la segunda podía resolver, y a través del AsDIH sucedió la colaboración.
La solución propuesta por ASINCAR es una herramienta digital capaz de monitorizar en tiempo real el proceso de secado del chorizo asturiano. Para ello, con este servicio se pretenden desarrollar los algoritmos necesarios para que a través de un sencillo y rápido análisis del chorizo mediante un sensor óptico portátil basado en espectroscopía de infrarrojo cercano (NIR) se logre predecir tanto la actividad de agua como la humedad durante el secado del chorizo asturiano. Para obtener los modelos matemáticos necesarios se aplicarán tanto técnicas propias de la quimiometría o machine learning como nuevas transferencias desde modelos ya existentes creados previamente por ASINCAR.
Para alcanzar la meta se tuvieron que realizar una serie de actuaciones. Primeramente se definieron los diseños experimentales para la matriz alimentaria, en los que se incluye la toma de muestras y el protocolo de obtención de medidas, tanto espectrales para el espectrómetro portátil como analíticas para cada muestra generada.
Este diseño experimental se hace teniendo en cuenta los factores importantes e idiosincrasias del proceso de secado de chorizo que se realice en la empresa. La finalidad de este diseño es obtener datos precisos y fiables en las cantidades y frecuencias predefinidas y así lograr la mayor variabilidad posible con el fin de lograr modelos matemáticos robustos.
El siguiente paso fue la generación de muestras a lo largo del proceso productivo que cumplan los requisitos especificados y aporten la variabilidad necesaria. A dichas muestras se le realizan las medidas necesarias, que incluyen: espectros NIR tomados sobre los chorizos utilizando el espectrómetro portátil o medidas analíticas de actividad de agua y humedad.
Después de la generación de muestras se procede al desarrollo de los diferentes modelos matemáticos de predicción propuestos a partir de los datos obtenidos para cada parámetro de cada aplicación. Aquí se plantearán dos estrategias: crear modelos matemáticos nuevos o transferir otros ya creados con otro espectrómetro hacia el espectrómetro portátil de uso en este aplicativo.
¿Modelos matemáticos nuevos o ya creados?
A la hora de elegir una estrategia a seguir en cuanto a los modelos matemáticos se tendrán en cuenta los pasos que se tienen que dar en cada caso.
Para crear los modelos nuevos se utilizará como punto de partida esta secuencia de datos: limpieza de datos; búsqueda de errores o incongruencias en las medidas espectrales o analíticos; pretratamientos de los espectros, es decir, aplicar a los datos de los espectros diversas técnicas de pretratamiento con la finalidad de acondicionar los espectrogramas para obtener un mejor resultado cuando se le apliquen las técnicas de calibrado; selección de longitudes de onda; método PLS (“Partial Least Squares”) para establecer la relación entre los datos espectrales y los métodos analíticos, a través de una relación lineal. Para determinar el número de parámetros necesarios se utilizará validación cruzada.
Para las transferencias de modelos matemáticos se partirá de un modelo inicial creado para el espectrómetro de referencia y se tratará de transferir hacia el espectrómetro portátil. Para ello se utilizarán dos tipos de métodos: Corrección de la pendiente y el sesgo y la estandarización por partes.
La corrección de la pendiente y el sesgo es un método de estandarización de valores predichos. Se supone que los resultados al aplicar el modelo a los dos dispositivos están relacionados linealmente. Para ajustar los valores de una propiedad analítica o parámetro predicho al aplicar un modelo a un dispositivo de destino, se usa la ecuación de una recta. Esta ecuación se basa en los parámetros obtenidos al aplicar el modelo en un dispositivo de referencia.
Por otro lado, la estandarización por partes es un método muy parecido a la estandarización directa, pero en este caso no se utilizan todas las longitudes de onda; solo se utilizará en el cálculo del valor para cada longitud de onda, una ventana centrada en la longitud de onda de cálculo. Con esto se logra una reducción en el número de variables y se mejora el sobreajuste. Estas secuencias serán susceptibles de modificación en función de los resultados obtenidos.
El paso final: análisis de resultados
Por último, se deben analizar los resultados obtenidos y establecer el modelo matemático final para cada parámetro en función de los resultados obtenidos al aplicarlos a los modelos matemáticos explorados.
El punto de partida para comparar modelos será la función coste RMSE (“Root mean square error”) aplicada a un conjunto de datos externo de test o utilizando una doble validación cruzada. En función de las necesidades del proyecto se podrá modificar la forma de comparar modelos.
AsDIH forma parte de la red europea de EDIHs (European Digital Innovation Hubs) y presta servicios a pymes a través del Programa de Apoyo a Digital Innovation Hubs (PADIH), en el marco del Plan de Recuperación, Transformación y Resiliencia – Financiado por la Unión Europea – NextGenerationEU.
