Investigadores desarrollan modelos de espectroscopia de infrarrojo cercano para analizar granos de maíz y biomasa


En la industria agrícola y alimentaria, determinar la composición química de las materias primas es importante para la eficiencia de la producción, la aplicación y el precio.


por Marianne Stein, Facultad de Ciencias Agrícolas, Ambientales y del Consumidor de la Universidad de Illinois en Urbana-Champaign


Las pruebas de laboratorio tradicionales requieren mucho tiempo, son complicadas y costosas. Una nueva investigación de la Universidad de Illinois en Urbana-Champaign demuestra que la espectroscopia de infrarrojo cercano (NIR) y el aprendizaje automático pueden proporcionar un análisis de productos rápido, preciso y rentable.

En dos estudios, los investigadores exploran el uso de la espectroscopia NIR para analizar las características de los granos de maíz y la biomasa del sorgo.

«La espectroscopia NIR tiene muchas ventajas sobre los métodos tradicionales. Es rápida, precisa y económica. A diferencia del análisis de laboratorio, no requiere el uso de productos químicos, por lo que es más sostenible desde el punto de vista medioambiental. No destruye las muestras y se pueden analizar múltiples características al mismo tiempo. Una vez que el sistema está configurado, cualquiera puede utilizarlo con una formación mínima», afirmó Mohammed Kamruzzaman, profesor adjunto del Departamento de Ingeniería Agrícola y Biológica (ABE), parte de la Facultad de Ciencias Agrícolas, del Consumidor y Ambientales y de la Facultad de Ingeniería Grainger de la Universidad de Illinois. Es coautor de ambos artículos.

En el primer estudio, los investigadores crearon un modelo global para el análisis de los granos de maíz. El contenido de humedad y proteína influye en el valor nutricional, la eficiencia de procesamiento y el precio del maíz, por lo que la información es crucial para la industria de procesamiento de granos. La investigación se publicó en la revista Food Chemistry .

El NIR y otras técnicas espectroscópicas son métodos indirectos. Miden cómo un material absorbe o emite luz en diferentes longitudes de onda y luego construyen un espectro único que se traduce en características del producto con modelos de aprendizaje automático . Muchas instalaciones de procesamiento de alimentos y productos agrícolas ya cuentan con equipos NIR, pero los modelos deben entrenarse para fines específicos.

«El maíz cultivado en diferentes lugares varía debido al suelo, el medio ambiente, la gestión y otros factores. Si se entrena el modelo con maíz de un lugar, no será preciso en otro lugar», dijo Kamruzzaman.

Para abordar esta cuestión y desarrollar un modelo que se pueda aplicar en muchos lugares diferentes, los investigadores recolectaron muestras de maíz de siete países: Argentina, Brasil, India, Indonesia, Serbia, Túnez y Estados Unidos.

«Para analizar la humedad y las proteínas de los granos de maíz, combinamos máquinas de amplificación de gradientes con una regresión de mínimos cuadrados parciales. Se trata de un enfoque novedoso que produce resultados precisos y fiables», afirmó Runyu Zheng, estudiante de doctorado en ABE y autor principal del primer estudio.

Si bien el modelo no es 100% global, ofrece una variabilidad considerable en los datos y funcionará en muchos lugares. Si es necesario, se puede actualizar con muestras adicionales de nuevas ubicaciones, señaló Kamruzzaman.

En el segundo estudio , los investigadores se centraron en la biomasa de sorgo, que puede servir como materia prima renovable, rentable y de alto rendimiento para la producción de biocombustibles. La investigación se publicó en la revista Biomass and Bioenergy .

La conversión de biomasa en biocombustibles depende de la composición química, por lo que un método rápido y eficiente de caracterización de la biomasa del sorgo podría ayudar a las industrias de biocombustibles, mejoramiento y otras industrias relevantes, explicaron los investigadores.

Utilizando sorgo de la Granja Energética de la Universidad de Illinois, pudieron predecir de forma precisa y confiable la humedad, la ceniza, la lignina y otras características.

«Primero escaneamos las muestras y obtuvimos espectros NIR como resultado. Esto es como una huella dactilar que es única para diferentes composiciones químicas y propiedades estructurales. Luego usamos quimiometría (un enfoque matemático-estadístico) para desarrollar los modelos de predicción y las aplicaciones», dijo Md Wadud Ahmed, estudiante de doctorado en ABE y autor principal del segundo artículo.

Si bien la espectroscopia NIR no es tan precisa como el análisis de laboratorio, es más que suficiente para fines prácticos y puede proporcionar métodos de detección rápidos y eficientes para uso industrial, dijo Kamruzzaman.

«Una de las principales ventajas de esta tecnología es que no es necesario extraer ni destruir los productos. Basta con tomar muestras para realizar mediciones, escanearlas y luego devolverlas a la cadena de producción. En algunos casos, incluso se pueden escanear las muestras directamente en la línea de producción. La espectroscopia NIR ofrece mucha flexibilidad para el uso industrial», concluyó.

Más información: Runyu Zheng et al, Optimización de la selección de características con máquinas de refuerzo de gradiente en regresión PLS para predecir la humedad y la proteína en granos de maíz de varios países mediante espectroscopia NIR, Química alimentaria (2024). DOI: 10.1016/j.foodchem.2024.140062 Md

Wadud Ahmed et al., Determinación rápida y de alto rendimiento de la composición de la biomasa del sorgo (Sorghum bicolor) mediante espectroscopia de infrarrojo cercano y quimiometría, Biomass and Bioenergy (2024). DOI: 10.1016/j.biombioe.2024.107276