Cromatografía de gases ultrarrápida acoplada a técnicas de machine learning para predecir el nivel de adulteración en miel de azahar y girasol

Resumen

La adulteración de la miel es un problema importante en la industria alimentaria, y la detección de estas prácticas fraudulentas es esencial para garantizar la calidad y autenticidad del producto. La cromatografía de gases ultrarrápida (CG-ultrarrápida) es una técnica analítica rápida y sensible para detectar adulteraciones en miel y, combinada con algoritmos de machine learning, ha demostrado ser una herramienta efectiva para desarrollar modelos precisos y fiables para detectar la adulteración de forma automatizada y objetiva. En este estudio, se evaluó la capacidad de diferentes algoritmos de ML en combinación con CG-ultrarrápida para predecir el nivel de adulteración en miel de azahar (OB) y girasol (SF). Las muestras de miel de azahar y girasol se adulteraron utilizando una mezcla de otras mieles de diferentes orígenes florales como adulterante. Se obtuvieron muestras adulteradas con un rango de pureza de miel que osciló entre el 50% y el 95%. Se encontró que la regresión de vectores soporte (SVR) mostró el mejor rendimiento con un R2 de 0.9086 en el conjunto de prueba para la matriz de datos conjunta de miel de azahar y girasol. Para mejorar la precisión de los modelos de regresión, se propuso clasificar las muestras de miel en función de su origen botánico y luego aplicar los modelos de regresión por separado. Todos los modelos de regresión probados en miel de azahar y de girasol por separado obtuvieron un rendimiento superior. El modelo de operador de selección y contracción mínima absoluta (LASSO) resultó ser el mejor para predecirlas propiedades de la miel de azahar y de girasol, con un R2de 0.9987.