CARACTERIZACIÓN AUTOMÁTICA E INTELIGENTE DE PARAFINAS AGROALIMENTARIAS MEDIANTE APLICACIÓN DE ESPECTROSCOPÍA UV-VIS

  1. Marta Barea-Sepúlveda 1
  2. José Luis P. Calle 1
  3. Marta Ferreiro-González 1
  4. Miguel Palma 1
  1. 1 Departamento de Química Analítica, Facultad de Ciencias, Universidad de Cádiz, Instituto de Investigación Vitivinícola y Agroalimentario IVAGRO, (ceiA3), 11510 Puerto Real, Cádiz, España
Actas:
XVII REUNIÓN DEL GRUPO REGIONAL ANDALUZ DE LA SOCIEDAD ESPAÑOLA DE QUÍMICA ANALÍTICA

Editorial: Comité Organizador GRASEQA 2022

ISBN: 978-84-09-44794-7

Año de publicación: 2022

Páginas: 91

Tipo: Aportación congreso

Resumen

Las parafinas son productos derivados del petróleo con un amplio espectro de aplicaciones de consumo e industriales, incluida la agroalimentaria. Desde el punto de vista químico, las parafinas son mezclas complejas compuestas principalmente por cadenas largas de hidrocarburos saturados (n-parafinas, isoparafinas y cicloparafinas) [1], que pueden clasificarse en macrocristalinas y microcristalinas en función del tipo de hidrocarburo saturado predominante en su composición y del patrón de empaquetamiento de sus cadenas en la red formada. En este sentido, las parafinasmacrocristalinas están compuestas principalmente por n-parafinas (alcanos lineales), mientras que las microcristalinas lo están por isoparafinas (alcanos ramificados) [2]. Estas diferencias en la composición molecular permiten que las propiedades fisicoquímicas de cada tipo de parafina sean ligeramente diferentes y, por tanto, sus aplicaciones [3]. En este trabajo se presenta un método basado en espectroscopia visible y de infrarrojo cercano en combinación con el aprendizaje automático para la correcta caracterización y discriminación de los dos tipos de parafinas más comúnmente comercializadas, macrocristalinas y microcristalinas. Los datos espectroscópicos combinados con algoritmos de aprendizaje automático no supervisados, como el análisis jerárquico de conglomerados, y con algoritmos de aprendizaje automático supervisados no paramétricos, como las máquinas de vectores de soporte y los bosques aleatorios, permitieron caracterizar y discriminar las muestras en función de la composición molecular. Los modelos de aprendizaje automático desarrollados fueron empleados para la construcción de una aplicación web interactiva que puede ser empleadas para simplificar y automatizar el análisis de datos dentro de la cadena de producción. Los resultados obtenidos demostraron la idoneidad de esta técnica analítica rápida, ecológica y económica como alternativa a los métodos actuales para el control de calidad automático de las parafinas.