Прогнозирование состава функционального пищевого продукта с использованием компьютерной симуляции

Одним из фронтиров науки является разработка цифрового двойника пищевого продукта для прогнозирования состава и свойств будущего продукта. Однако в настоящее время для прогнозирования состава пищевого продукта используют компьютерную симуляцию (моделированию). Цель нашего исследования сопоставить значения показателей пищевой ценности цифровой модели и реального пищевого продукта, и оценить адекватность полученных данных. Объектами исследования были эмульгированный мясорастительный продукт на основе традиционного блюда «Мухаммара» и цифровая модель (компьютерный симулятор) рецептуры эмульгированного мясорастительного продукта. На примере разработки эмульгированного мясорастительного продукта на основе традиционного блюда «Мухаммара» показаны этапы разработки цифрового двойника пищевого продукта. Показана некорректность использования цифровой модели без подкрепления ее данными (числовыми значениями), полученных с приборов, датчиков. В исследовании сравнили расчетные показатели с данными, полученными эмпирическим путем (в результате лабораторного эксперимента) в трех блоках: физико-химические показатели, витамины и минеральные вещества. Симуляцию и расчет абсолютной и относительной ошибки осуществляли в программной среде R Studio. Расхождение в данных расчетных и эмпирических, вопервых, можно объяснить средними значениями показателей, которые содержаться в базах данных пищевых продуктов. В базах данных на данный момент времени содержаться усредненные данные, не учитывающие индивидуальные характеристики сырья животного и растительного происхождения. Во-вторых, необходимо учитывать коэффициент потерь (или коэффициент сохранения) пищевых нутриентов при тепловой или термической обработке пищевого продукта. Установлено, что только разработка точного цифрового двойника с учетом всех параметров поможет отслеживать параметры качества на каждом этапе производства, что позволит оперативно реагировать на отклонения и улучшать качество конечного продукта.

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