Baixe o app para aproveitar ainda mais
Prévia do material em texto
MODELAGEM MATEMÁTICA APLICADA À OTIMIZAÇÃO E À ANÁLISE DE PROCESSOS Denise Gomes Alves Warley Gramacho da Silva (ORGANIZADORES) Denise Gomes Alves Warley Gramacho da Silva (ORGANIZADORES) PALMAS - TO 2019 MODELAGEM MATEMÁTICA APLICADA À OTIMIZAÇÃO E À ANÁLISE DE PROCESSOS TODOS OS DIREITOS RESERVADOS – A reprodução total ou parcial, de qualquer forma ou por qualquer meio deste documento é autorizado desde que citada a fonte. A violação dos direitos do autor (Lei nº 9.610/98) é crime estabelecido pelo artigo 184 do Código Penal. Dados Internacionais de Catalogação na Publicação (CIP) Agência Brasileira do ISBN - Bibliotecária Priscila Pena Machado CRB-7/6971 M689 Modelagem matemática aplicada à otimização e à análise de processos [recurso eletrônico] / orgs. Denise Gomes Alves e Warley Gramacho da Silva. — Tocantins : EDUFT, 2019. Dados eletrônicos (ePub). ISBN: 978-85-60487-58-5 1. Otimização matemática. 2. Fenômenos de transporte. 3. Tecnologia de alimentos - Processos. I. Alves, Denise Gomes. II. Silva, Warley Gramacho da. III. Título. CDD 519 Reitor Luis Eduardo Bovolato Vice-reitora Ana Lúcia de Medeiros Conselho Editorial Cynthia Mara Miranda (Presidenta) Danival José de Souza Idemar Vizolli Ildon Rodrigues do Nascimento Nilton Marques de Oliveira Ruhena Kelber Abrão Ferreira Pró-Reitor de Administração e Finanças (PROAD) Jaasiel Nascimento Lima Pró-Reitor de Assuntos Estudantis e Comunitários (PROEST) Kherlley Caxias Batista Barbosa Pró-Reitora de Extensão e Cultura (PROEX) Maria Santana Ferreira Milhomem Pró-Reitora de Gestão e Desenvolvimento de Pessoas (PROGEDEP) Elisabeth Aparecida Corrêa Menezes Pró-Reitora de Graduação (PROGRAD) Vânia Maria de Araújo Passos Pró-Reitor de Pesquisa e Pós- Graduação (PROPESQ) Raphael Sanzio Pimenta Prefeitura Universitária João Batista Martins Teixeira Procuradoria Jurídica Marcelo Morais Fonseca Projeto Gráfico/Diagramação Mota Produções Imagens Projetado por Freepik.com 3 APRESENTAÇÃO A eminente evolução na agricultura requer necessidade continua de estudos de processos para otimização de recursos. Assim sendo, a ciência e a tecnologia de alimentos atuam no âmbito da aplicação de matérias primas oriundas da produção agrícola para transformação de produtos destinados ao consumidor como viáveis ao consumo. A pesquisa na área de alimentos possibilita o desenvolvimento de novos produtos e processos que vão auxiliar a agricultura de subsistência, o extrativis- mo, entre outros setores; e colaborar no combate à fome, à desnutrição, entre outros graves problemas. Por outro lado, a experimentação é onerosa e deman- da tempo de execução, o que nem sempre é viável para a indústria alimentícia. Para agilizar esse processo, a modelagem permite a estimativa de parâmetros e respostas necessárias para a redução de variáveis experimentais. Nesse sentido, esta obra apresenta modelos matemáticos e métodos de estimativa aplicados à modelagem de processos alimentícios em suas diversas escalas. O primeiro capítulo trata do processo de secagem de alimentos e sua modelagem no âmbito dos fenômenos dos transportes. O segundo capítulo apresenta os métodos e modelos aplicados à otimização de novas formulações alimentícias como base para a transformação de matérias primas agrícolas em produtos finais. Já o terceiro capítulo aborda o processo de hidratação de alimentos, modelado em seus aspectos químicos e físicos para obtenção de produtos com padrão de identidade e qualidade. Finalizando, o quarto capítulo, por meio de equações e modelagens geométricas, mostra a importância do conhecimento acerca das formas físicas dos produtos para definição dos processos aplicáveis à obtenção de novos alimentos. Esta obra foi escrita por autores acadêmicos e doutores com formação em engenharia, matemática e computação e promove uma abordagem multidisciplinar de importantes processos. 5 SUMÁRIO Apresentação ................................................................................................... 3 Capítulo 1: Modelagem do processo de desidratação de alimentos .............. 9 Capítulo 2: Otimização de formulações alimentícias .................................... 31 Capítulo 3: Modelagem do processo de hidratação de alimentos ................ 55 Capítulo 4: Determinação da área superficial de alimentos .......................... 77 Sobre os organizadores............................................................................... 96 MODELAGEM DO PROCESSO DE DESIDRATAÇÃO DE ALIMENTOS 9 Denise Gomes Alves Letícia Vieira Emiliano Camargo Maria Olivia dos Santos Oliveira Pedro Henrique Silva Miranda Glêndara Aparecida de Souza Martins A desidratação de alimentos é uma das operações unitárias mais antigas usadas pela indústria de processamento de alimentos. A desidratação reduz a umidade dos alimentos a fi m de aumentar sua vida útil e possibilita a adição de uma ou mais formas de energia aos alimentos. O processo de desidratação envolve a transferência simultânea de massa e calor para o alimento e o meio utilizado para transferir energia para o alimento (JAYAS, 2016). Além de aumentar a estabilidade e vida útil, a desidratação visa à redução do peso do alimento facilitando seu transporte (SABLANI, 2008). De acordo com Jayas (2016), a água é uma das substâncias em maior quantidade nos alimentos e tem grande infl uência nas características sensoriais deles. Um alimento com baixo teor de umidade é menos suscetível a deteriorações, por isso o processo de desidratação é tão importante. Os alimentos têm a água ligada e a água livre; no processo de desidratação, quando é aplicado o calor, grande parte da água livre é retirada. Isso acontece porque a água ligada está unida aos nutrientes, tornando-a difícil de ser retirada. A umidade varia de um alimento para outro. Na desidratação a umidade do alimento passar para o ar e tende ao equilíbrio. Vários fatores, como umidade inicial do alimento, temperatura do ar, material de secagem e área exposta ao calor infl uenciam no tempo que o alimento vai fi car sob processo de secagem (AKPINAR, 2003). Gava (1977) classifi ca o processo de desidratação em dois grandes grupos: secagem natural e desidratação ou secagem artifi cial. A secagem é uma operação unitária que envolve as transferências simultâneas de calor e massa. A transferência de calor é necessária para evaporação da umidade e MODELAGEM DO PROCESSO DE DESIDRATAÇÃO DE ALIMENTOS MODELAGEM DO PROCESSO DE DESIDRATAÇÃO DE ALIMENTOS Matemática 10 normalmente se baseia no mecanismo de convecção. Quanto à transferência de massa, existem dois processos envolvidos: o transporte da água no interior do sólido a ser seco até a superfície e a remoção do vapor a partir dela. A taxa de secagem é conduzida de acordo como os dois processos ocorrem. No transporte, o movimento da água dentro do sólido é uma função da natureza física do sólido, da temperatura e de seu conteúdo de umidade. Na remoção, para a água ser removida como vapor da superfície do material, depende das condições externas de temperatura, umidade do ar, velocidade do ar de secagem, área da superfície exposta e pressão (MUJUMDAR, 1995). No método de secagem natural, o alimento é exposto ao sol e a fonte de calor é proveniente da radiação solar. A secagem natural existe desde os tempos pré-históricos; é um método muito utilizado para secagem de produtos agrícolas. É de preço bem acessível, porque conta com a energia solar. O problema é que não é um método muito padronizado, porque não há controle de temperatura, de umidade e do fluxo de ar. Outro problema é a contaminação, que geralmente acorre porque não é um método com condições controladas (MADHLOPA, 2002). Outro método é a secagem artificial, que tem grandes vantagens. Apresenta maior eficiência quando comparada com a secagem natural. A secagem artificial é mais eficiente porque podem ser controlados vários fatores,como temperatura, umidade e fluxo de ar. A secagem artificial ou forçada é considerada uma operação unitária porque o calor aplicado é artificial e ocorre em meio totalmente controlado. Este método artificial apresenta várias formas, como secagem por convecção, condução, irradiação, liofilização e osmótica. Na sequência, são descritas cada uma delas. Secagem por convecção As indústrias alimentícias, quando trabalham com grande produção de alimentos desidratados, na maioria das vezes usam a secagem convectiva (OKOS, 2007). Nesse processo convectivo, o ar aquecido tem baixa umidade relativa que acaba removendo a água do alimento desidratando-o. O ar é um meio de secagem muito abundante. Na secagem artificial, o ar aquecido transmite calor ao alimento provocando a evaporação, retirando a umidade do meio onde o alimento está contido, fazendo com que a umidade não volte ao alimento. Na secagem convectiva, a temperatura do ar e seu fluxo determinam a velocidade da secagem (GAVA, 1977). Um exemplo de equipamento que faz secagem por convecção é o secador de bandeja. Nele o alimento é colocado em uma bandeja pela qual passa um fluxo de ar quente que passa pelo alimento. Consequentemente, o calor flui do ar quente para o alimento aquecendo-o por calor sensível e depois causando um calor latente, o que provoca a evaporação da água do alimento (BERK, 2018). 11 Modelagem Matemática Aplicada à Otimização e à Análise de Processos De acordo com Berk (2018), o calor é transferido pelo processo de convecção do ar quente para uma superfície mais fria e úmida, e para estabelecer a taxa de transferência de calor pelo método da convecção pode-se usar a lei de Newton do resfriamento, que é mostrada na equação 1. q = hA (Ta – Ts) (1) Onde: q = Taxa de calor (W) h = Coeficiente de transferência de calor convectivo (W . m−2 . K−1 ); A = Área (m2); Ts = Temperatura da superfície (ºC) Ta = Temperatura do fluido no infinito (ºC) Para contextualizar teoria e prática através da Lei de Resfriamento de Newton, Pereira e Barbosa (2018) realizaram um experimento no qual utilizaram o termômetro de temperatura para medir a temperatura do ambiente (quarto fechado). Em seguida, um café que estava sendo preparado foi retirado do fogo, colocado numa xícara e levado até o quarto. Logo após, com intervalos de 1, 5 e 10 minutos, foram feitas as medições da temperatura do café. Na sequência, foram feitos os cálculos por meio da aplicação teórica na Lei de Resfriamento de Newton resolvendo a seguinte situação: num quarto fechado, cuja temperatura ambiente permanece a 29,7ºC coloca-se certa quantidade de café numa xícara a uma temperatura constante de 81,7ºC (temperatura do café inicialmente na prática). 1. No intervalo de 1 minuto: Se após 1 minuto a temperatura do café for de 78,9ºC, determine a temperatura do café após atingir 2, 3, 4 e 5 min. 2. No intervalo de 5 minutos: Se após 5 minutos a temperatura do café for de 69,6ºC, determine a temperatura do café após atingir 10, 15, 20 e 25 min. 3. No intervalo de 10 minutos: Se após 10 minutos a temperatura do café for de 62,2ºC, determine a temperatura do café após atingir 20, 30, 40 e 50 min. Verificou-se que os resultados obtidos com os dois métodos (teoria e prática) são próximos, porém os valores vão se distanciando gradativamente. Matemática 12 Isso ocorre por diversas razões: em alguns momentos a porta do quarto foi aberta; a janela e a porta do quarto contêm algumas aberturas que possibilitam a entrada de ventilação, assim a temperatura do quarto pode ter sido alterada; ao cair um papel no chão ou fazer algum tipo de movimento também pode ter ocorrido a variação da temperatura, entre outras. Portanto, verifica-se que houve no ambiente do experimento (quarto) a transferência de calor transiente, ou seja, “implica variação ao longo do tempo ou dependência do tempo” (GHAJAR; ÇENGEL, 2012). Secagem por condução Na secagem por condução, o calor é transferido para o alimento através do contato dele com uma superfície aquecida. Dessa maneira, o calor é transferido de uma superfície mais quente para outra menos quente pelo contato entre elas. Esse método é muito utilizado quando o alimento a ser desidratado é muito seco ou úmido. O método condutivo apresenta maior eficiência térmica quando comparado com o convectivo, visto que não é necessário aquecer grande quantidade de ar (ORDÓÑEZ, 2005). O processo de condução é baseado na teoria que partículas mais energéticas de um material transferem energia para partículas vizinhas menos energéticas. Essas transferências ocorrem por causa das interações entre as partículas. A lei de Fourier descreve o processo de condução térmica (ÇENGEL & GHAJAR, 2012; INCROPERA, 2008). A lei de Fourier é demonstrada na equação 2. qx = k . A . dT dX (2) Onde: qx = W k = condutividade térmica A = área do material (m²) dT = gradiente de temperatura (ºC ou K) dX = gradiente de massa (m) 13 Modelagem Matemática Aplicada à Otimização e à Análise de Processos Secagem por radiação No processo de secagem por radiação por infravermelho, o alimento recebe calor na forma de energia eletromagnética. A energia térmica pode ser suprida a partir de diferentes fontes de energia eletromagnética. A radiação por infravermelho tem baixa penetração no alimento, por isso a secagem por radiação é indicada para alimentos mais finos (PARK, 2007). A escolha do espectro e do comprimento de onda utilizados na radiação depende muito da natureza e da temperatura da fonte de calor. Esse método de desidratação requer materiais que emitam radiação infravermelha, como lâmpadas elétricas, entre outros. Para definir a taxa de transferência de energia por infravermelho, é necessário saber a diferença de temperatura entre a fonte de calor e o alimento que está recebendo a radiação. A radiação no alimento funciona da seguinte maneira: é emitida pela fonte de radiação e se propaga pelo ar; após isso é absorvida pelo alimento e convertida em calor pela interação da radiação com o alimento; depois que a energia eletromagnética é convertida pela interação, o calor passa por todo o alimento a partir da sua superfície (SAKAI E MAO, 2006). Secagem por liofilização A liofilização ou criosecagem é o processo no qual ocorre a remoção da água em um alimento por sublimação da água no estado sólido. Nesse processo o alimento é congelado e se formam cristais de gelo, depois é submetida a um vácuo no liofilizador e assim a água passa diretamente do estado sólido para o gasoso ocorrendo o processo de sublimação. A liofilização ocorre em baixas temperaturas e no vácuo (ausência de ar). O alimento desidratado não é submetido a aumento de calor e assim não sofre alterações químicas e organolépticas que outros processos térmicos provocam (GAVA, 1977). Segundo Berk (2018), as indústrias farmacêuticas foram as primeiras a utilizar a liofilização comercialmente trabalhando antibióticos, células e plasma sanguíneo. Por volta dos anos 1950 a indústria começou a usar esse processo na desidratação, mas a indústria farmacêutica ainda é a que mais utiliza esse processo. Na liofilização ocorre o processo de sublimação da água, que passa diretamente do estado sólido para o gasoso sem passar pelo líquido. Isso é possível porque em determinada pressão e temperatura existe o ponto triplo da água e, se pressão e temperatura estiverem abaixo do ponto triplo, é possível ocorrer a sublimação. Na prática a liofilização ocorre a uma pressão muito baixa, em torno de 10 a 50 Pa. Por causa desses fatores a liofilização acaba sendo um processo com um alto custo (BERK, 2018). Matemática 14 Esse processo ocorre em duas etapas. A maior parte da água do alimento é removida na primeira etapa, estágio em que ocorre a sublimação dos cristais de gelo, que são a água livre contida no alimento. No segundo estágio, ocorre a desidratação por dessorção na qual grande parte da água absorvidana matriz do alimento é removida. Por causa desses dois estágios da liofilização, normalmente, o teor de umidade dos alimentos chega à umidade final em torno de 1 a 3% (PIKAL, 1990). Desidratação osmótica No processo de secagem por desidratação osmótica, a água é retirada a partir da imersão do alimento em solução de sal ou sacarose com alta pressão osmótica. Esse método de desidratação é antigo, muito utilizado na salga de peixes ou desidratação de frutas quando a remoção da água acontece junto com a penetração do soluto (BERK, 2018). O processo osmótico é relativamente simples, primeiramente o alimento é descascado e cortado, logo após é imerso em solução de sacarose ou sal ou ambos. Depois disso começa o processo de desidratação osmótica. A água e alguns nutrientes do alimento passam para a solução e, ao mesmo tempo, o soluto é absorvido pelo alimento. Nesse processo osmótico, é possível recuperar a solução osmótica pela evaporação. No início da desidratação, o processo de remoção de água é mais rápido e conforme o tempo vai passando a remoção da água fica cada vez mais demorada, isso ocorre devido à diferença de pressão osmótica que vai diminuindo gradativamente ao decorrer do tempo. A desidratação osmótica é um processo que não retira alto teor de água do alimento e deixa-o com alto teor de umidade; consequentemente, esse método não é suficiente para deixar o alimento totalmente seco e estável para ter uma longa vida de prateleira. Por esse problema a desidratação osmótica é usada como pré-tratamento e, posteriormente, o alimento sofre outro processo de conservação, como secagem, congelamento ou algum processo térmico (RAOULT-WACK, 1989). Modelos matemáticos O comportamento de cada alimento durante a redução do teor de água é parâmetro importante no desenvolvimento e aprimoramento de equipamentos de secagem. Nesse sentido, são utilizados modelos matemáticos que representam satisfatoriamente a perda de água em todas as camadas do alimento (BERBET et al., 1995). Modelos matemáticos que avaliam as 15 Modelagem Matemática Aplicada à Otimização e à Análise de Processos características do sistema de transferência de massa em alimentos são cada vez mais explorados, tornando-se úteis para o cálculo eficiente de cada análise a fim de reduzir perdas, melhorar processos e aumentar a qualidade do produto (DANTAS et al., 2011). Os modelos matemáticos podem ser divididos em dois grupos principais: empíricos e teóricos. Nos modelos teóricos, geralmente são consideradas as condições externas sob as quais a operação ocorre como também os mecanismos internos de transferência de energia e massa e seus efeitos. Dependendo do alimento que se está secando, a umidade pode se movimentar interiormente, normalmente por mecanismos diferentes (BROOKER et al., 1992; COUTINHO et al., 2005). Por sua vez, os modelos empíricos geralmente são obtidos a partir de simples correlações matemáticas dos dados experimentais (SINGH & KULSHRESTHA, 1987) e os seus parâmetros, normalmente, não possuem significado físico. Modelagem da cinética de secagem O estudo da cinética de secagem permite conhecer o comportamento do material ao longo do processo e o prognóstico do tempo de secagem. A modelagem do processo é importante para o desenvolvimento e a otimização dos secadores, além de possibilitar padronização dos processos. A secagem de materiais biológicos é complexa, devido às interações na matriz sólida que afetam diretamente a transferência de massa e calor durante o processo (TOGRUL & PEHLIVAN, 2004). Para explicar o processo de migração de umidade no interior dos alimentos, foram pospostos vários modelos matemáticos descrevendo a influência de cada variável no processo e estimando a difusividade da água. No processo, durante os períodos de taxa constante e decrescente, os métodos de cálculo da secagem diferem. Quando a taxa é constante, as transferências de calor e massa são analisadas na superfície do material em contato com o ar de secagem, já para taxa decrescente, as análises são baseadas nas transferências internas que governam a secagem (PARK et al., 2001). Os modelos teóricos que descrevem a taxa decrescente de secagem geralmente consideram como mecanismo principal a difusão baseada na segunda lei de Fick, segundo a qual o fluxo de massa por unidade de área é proporcional ao gradiente de concentração de água (PARK et al., 2001). O modelo empírico é um método de abordagem com base em dados experimentais e na análise adimensional. Os modelos de secagem apresentam relação direta entre o conteúdo médio de umidade e o tempo de secagem e seus Matemática 16 parâmetros não têm significado físico, logo, não oferecem visão apurada das fases importantes que ocorrem durante o processo, ainda que descrevam as curvas de secagem para determinadas condições experimentais (KEEY, 1972). Modelagem de curvas de secagem A proporção de umidade das amostras do alimento deve ser calculada usando-se a seguinte equação: MR = M – MeMo –Me Onde, M = Teor de água no produto; Me = Teor de água de equilíbrio do produto; Mo = Teor de água inicial do produto. As curvas de secagem podem ser ajustadas de acordo com os modelos matemáticos. A seguir (tabela 1) estão os principais modelos utilizados. Nome do modelo Modelo Referência Newton MR = exp(–kt) Mujumdar (1987) Page MR = exp(–ktn) Diamante & Munro (1993) Modified page MR = exp[–(kt)n] White et al. (1978) Henderson e Pabis MR = a exp(–kt) Zhang & Litchfeld (1991) Logarítmico MR = a exp(–kt) + c Yagcioglu et al. (1999) Dois termos MR = a exp(–kot) + b exp(–k1t) Henderson (1974) Wang e Singh MR = 1 + at + bt Wang & Singh (1978) Aproximação de difusão MR = exp(–kt) + (1–a) exp(–kbt) Yaldız & Ertekin (2001) Verma et al MR = exp(–kt) + (1–a) exp(–gt) Verma et al. (1985) Henderson e Pabis modificados MR = exp(–kt) + b exp(–gt) + c exp(–ht) Karathanos (1999) Exponencial de dois termos MR = exp(–kt) + (1–a) exp(–kat) Sharaf-Eldeen, Blaisdell & Hamdy (1980) Tabela 1. Modelos matemáticos de curva de secagem, modificada. (AKPINAR et al., 2003). Onde: MR = Razão entre as umidades (adimensional); a, b, c, g = constantes das equações; n= número de termos da equação; k = coeficiente de secagem; t = tempo (min). 17 Modelagem Matemática Aplicada à Otimização e à Análise de Processos Isotermas de sorção A relação entre o conteúdo de umidade total e a atividade de água em um intervalo de valores com temperatura constante fornece a isoterma de sorção quando expressada graficamente. Essa curva isotérmica pode ser obtida de duas formas (AL-MUHTASEB et al., 2002): 1. Isoterma de adsorção: é obtida pela inserção de material completamente seco em várias atmosferas de umidade relativa maior e com o tempo verifica-se o aumento de peso das amostras, resultado da adsorção de água pelo material. 2. Isoterma de dessorção: é encontrada quando o material úmido é colocado em atmosferas de umidade relativa menor. Com o tempo verifica-se a perda de peso de água das amostras. Alguns modelos têm sido utilizados na literatura para representar as curvas experimentais de sorção de alimentos; uns baseados na teoria do mecanismo de sorção, outros são empíricos. Dentre os modelos disponíveis na literatura, os apresentados a seguir podem ser utilizados para descrever o comportamento de isotermas de produtos vegetais. Modelo de GAB (Guggenheim – Anderson – De Boer) (RIZVI, 2005): X = KXm Caw (1 – kaw) (1 + kaw(C – 1)) Onde, X = umidade de equilíbrio (kg água/kg alimento seco); Xm = umidade da monocamada de água adsorvida (kg água/kg alimento seco); aw = atividade da água (adimensional); C = parâmetro energético que leva em consideração a diferença de energia entre a monocamada e as múltiplas camadas de água adsorvida acima da monocamada (adimensional); k = parâmetro energético que leva em consideração a diferença de energia entre a água livre (bulk) e a que se encontra adsorvida nas múltiplascamadas acima da monocamada (adimensional). Matemática 18 Os parâmetros C e k apresentam dependência com a temperatura (T) do tipo Arrhenius: C = C0 exp H0 – Hn RT = C0 exp Q RT K = K0 exp Hn – Hl RT = K0 exp Q* RT Onde, C0 e k0 são constantes adimensionais; H0, Hn e Hl são as entalpias molares de sorção (J/mol) para a água da monocamada, das múltiplas camadas acima da monocamada e livre, respectivamente; R é a constante universal dos gases ideais; Q e Q* são constantes (J/mol). Modelo de Henderson (HENDERSON, 1952): Xeq = ln (1 – aw) – A 1/B Onde, A e B são constantes. Modelo de Peleg (PELEG, 1993): Xeq = K1a n1 w + K2a n2 w Onde, k1, k2, n1 e n2 são constantes. 19 Modelagem Matemática Aplicada à Otimização e à Análise de Processos Modelo de Oswin (CHINNAN & BEAUCHAT, 1985): Xeq = A aw 1 – aw B Onde, A e B são constantes. Modelo de Halsey (RIZVI, 2005): Xeq = K ln A aw 1/B Onde, K, A e B são constantes. A forma simplificada da equação é: Xeq = – A lnaw 1/B Modelo de Ferro-Fontan (FERRO-FONTAN et al, 1982): Xeq = y In Aaw 1/r Onde, r = constante α = constante adimensional Y = constante Matemática 20 Quanto à escolha do modelo matemático para o produto, segundo Mohapatra e Rao (2005), para que se adeque um modelo na descrição um fenômeno, valores de erro médio relativo menor que 10% indicam bom ajuste para fins práticos. Enquanto para Draper e Smith (1998), a capacidade de um modelo para descrever com fidelidade determinado processo físico é inversamente proporcional ao valor do erro padrão da estimativa (SE). Para modelos não lineares, o coeficiente de determinação (R2) não é boa ferramenta de tomada de decisão, sendo necessária a análise conjunta dos três parâmetros estatísticos. Aplicação em alimentos Marques (2007) estudou a secagem de pseudofrutos de caju com pré- tratamento osmótico em xarope de glicose com 50ºBrix, nas temperaturas de 50, 60 e 70ºC. Obteve como resultado que, dentre os modelos matemáticos utilizados, o modelo proposto por Cavalcanti Mata ajustou melhor os dados experimentais de secagem com valor médio para o coeficiente de determinação de 99,94%, caracterizando, então, satisfatória representação do fenômeno de secagem do produto. Peña et al. (1997) afirmam que a maior vantagem da utilização de modelos matemáticos na predição de isotermas de adsorção de umidade reside no fato de que com poucos pontos experimentais pode-se construir uma isoterma, a qual, por outro lado, pode ser facilmente interpolada ou extrapolada para obtenção de pontos nas regiões de baixas e altas atividades de água, pontos esses de difícil determinação experimental. Ademais disso, a aplicação dos princípios termodinâmicos, como o calor isostérico de adsorção, aos dados experimentais das isotermas, permite a obtenção de informações sobre as propriedades da água, microestrutura, fenômenos físicos na superfície dos alimentos e parâmetros cinéticos de adsorção (KAYA; KAHYAOGLU, 2005). Silva (2010) realizou experimentos sobre as características higroscópicas e termodinâmicas do coentro desidratado. Concluiu que os modelos matemáticos de Peleg e de Smith foram os que melhor representaram o comportamento das isotermas de adsorção de umidade das folhas e caule desidratados. A energia necessária para a adsorção de umidade pela folha do coentro desidratada é superior que a do caule. O caule desidratado tende a ganhar umidade mais rapidamente (SILVA, 2010). A secagem em camada de espuma consiste em um processo de conservação através do qual o material líquido ou semilíquido é transformado em espuma estável por meio de batedura e incorporação de ar ou outro gás, que é submetida à secagem com ar aquecido até o ponto em que impeça o crescimento de micro-organismos, reações químicas e/ou enzimáticas. É um 21 Modelagem Matemática Aplicada à Otimização e à Análise de Processos método relativamente simples e barato, que se vale da utilização de agentes cuja finalidade é manter a espuma estável durante o processo. Dentre as vantagens desse método, destacam-se as menores temperaturas de desidratação e o menor tempo de secagem devido à maior área superficial exposta ao ar, o que aumenta a velocidade de remoção de água. Com isso obtém-se um produto final poroso e de fácil reidratação (KARIM; CHEEWAI, 1999). Brach et al. (2015) desenvolveram uma pesquisa cujo objetivo foi determinar as isotermas de equilíbrio para as sementes de uva das variedades Cabernet Sauvignon e Bordô visando à obtenção de dados que indicassem a melhor condição de armazenamento e processamento dessa matéria-prima. As isotermas de equilíbrio foram determinadas nas temperaturas de 25, 35 e 50 °C utilizando o método estático. Foram ajustados aos dados experimentais os modelos de Henderson, Henderson Modificado, Motta Lima, BET, Sabbah e Oswin, utilizando o software Statistica 7.1. Verificaram que os modelos que melhor se ajustaram aos dados experimentais obtidos para as isotermas de equilíbrio foram os de Henderson e Henderson Modificado, em todas as condições estudadas. Na secagem em camada de espuma da polpa de mandacaru, Dos Santos Melo (2013) realizou a experimentação e ajustes de alguns modelos matemáticos. A secagem foi feita em camada de espuma da polpa do fruto do mandacaru com a adição de 2% de albumina e 2% de Super Liga Neutra desidratada em estufa com circulação de ar forçada, a 70; 80, e 90 °C, com três diferentes espessuras de camada de espuma. A partir dos dados obtidos no decorrer do processo de secagem foram traçadas as curvas de secagem e ajustados os modelos de Page, Henderson e Pabis e Cavalcanti Mata. Houve influência da espessura da camada de espuma e a temperatura de secagem no tempo de secagem da espuma; consequentemente, o processo mais rápido ocorreu para a amostra de menor espessura e submetida a temperatura mais elevada. O modelo de Cavalcanti Mata foi o que obteve o melhor ajuste nas curvas de cinética de secagem da amostra (DOS SANTOS MELO, 2013). A secagem de produtos agrícolas pode ser descrita por modelos matemáticos que são ferramentas úteis na estimativa do tempo necessário para redução do teor de água do produto sob diferentes condições de secagem, auxiliando nas tomadas de decisão e contribuindo para a melhoria da eficiência do processo (ANDRADE et al., 2003; SOUSA et al., 2011). Dentre esses modelos, alguns resultam em bons ajustes de cinéticas de secagem de produtos agrícolas variados, como o de Page, usado por Carlesso et al. (2005) e Alexandre et al. (2009) em secagem de sementes de maracujá e abacaxi em fatias, respectivamente; o de Henderson & Pabis, usado por Barbosa et al. (2007) em secagem de erva cidreira brasileira; Coelho e Pinto (2011) em secagem de tomate; o de Cavalcanti-Mata, usado por Pessoa et al. (2011) e por Marques et al. (2007) para ajustes de secagens de sorgo e de caju, respectivamente. Matemática 22 O presente trabalho teve como objetivo avaliar a influência da espessura da camada da espuma e da temperatura de secagem no processo de secagem em camada de espuma da polpa do fruto do mandacaru. Semelhantemente, Alexandre et al. (2009), ao estudarem a secagem de abacaxi pérola em fatias nas temperaturas de 50, 60, 70 e 80 ºC, obtiveram para o modelo de Page R² > 0,97; já Babalis et al. (2006), ao estudarem a secagem de figo nas temperaturas de 55 a 85°C e velocidade de ar de secagem de 1 m s-1, encontraram, para o modelo de Henderson & Pabis, R2 > 0,99. Gouveia et al. (2011) obtiveram R2 > 0,99 ao ajustarem o modelo de Cavalcanti Mata à curva de secagem do feijão preto desidratado em secador de bandeja nas temperaturas de 40, 50, 60, 70 e 80 °C (DOS SANTOS MELO, 2013). Na realização do estudo de sapoti liofilizado, Oliveira (2011) avaliou as características do fruto quanto ao comportamento higroscópico através de isotermas de adsorção. As isotermas de adsorçãoforam projetadas através do ajuste de dados experimentais aos modelos matemáticos de BET, GAB, Oswin e Henderson. Os modelos de GAB e Oswin foram aqueles que melhor se ajustaram para o pó de sapoti liofilizado com erro de 18,01% e 18,10% respectivamente, enquanto o modelo de BET apresentou elevado erro de 41,755 para esse mesmo produto analisado. A partir desses resultados podem- se estudar embalagens apropriadas que visem à melhor conservação para o produto avaliado (OLIVEIRA, 2011). Bezerra (2011) analisou o comportamento higroscópico dos pós de manga das variedades Rosa e Tommy Atkins através de isotermas de adsorção. Para o ajuste das isotermas de adsorção, os modelos de GAB e de Oswin se ajustaram satisfatoriamente aos dados experimentais dos pós de manga, exceto para a variedade Rosa. Foi observado também que, em ambientes com atividade de água elevada (a partir de 0,70), os pós das variedades Rosa e Tommy Atkins apresentaram comportamento mais higroscópico (BEZERRA, 2011). Baptestine (2015) propôs e ajustou modelos matemáticos no processo de secagem de espuma de graviola em diferentes condições de ar, além de determinar o coeficiente de difusão efetivo e a energia de ativação. Para a formação da espuma, utilizou albumina na concentração de 7,43% em massa e com agitação durante alguns minutos, então a espalhou sobre bandejas obtendo uma camada fina de cerca de 5,0 mm de espessura cujas condições de secagem foram: de 40, 50, 60, 70 e 80 °C, 5,6 m s-1 e 60%. O modelo para determinar o binômio teor de água crítico e tempo crítico e o de Midili se ajustaram bem aos dados experimentais da secagem e se obteve acréscimo no coeficiente de difusão efetiva com o aumento da temperatura de secagem e energia de ativação de 33,10 kJ mol-1 (BAPTESTINI, 2015). Na Engenharia de Alimentos, quando se deseja projetar curvas de 23 Modelagem Matemática Aplicada à Otimização e à Análise de Processos isotermas de adsorção, podem se destacar os modelos de Oswin e Halsey, pois são amplamente utilizados. No entanto, por serem não lineares, podem ser questionados quanto à validade de previsão do comportamento assintótico ou, também, a extensão do comportamento linear. Diante disso, Oliveira (2015) estudou esses modelos na construção de isotermas com auxílio da simulação Monte Carlo em que foram gerados valores aleatórios de níveis de atividades de água (aw) como variável independente para os referidos modelos. O foco foi na obtenção dos resultados das propriedades de não linearidade, resultando-se, por meio da medida de curvatura intrínseca, que os modelos, quando utilizados com elevados valores de aw, obtiveram comportamentos similares, acarretando em resultados promissores quanto à complexidade de convergência. Os resultados da curvatura extrínseca destacaram que em todas as faixas de aw avaliadas os modelos necessitam de parametrização que garanta comportamento mais próximo ao linear. Referências AGUILERA, J. M.; CHIRALT, A.; FITO, P.; Food dehydration and product structure, Trends in Food Science & Technology, Volume 14, Issue 10, October 2003, Pages 432-437. AHMED, I.; QAZI, I. M.; JAMAL, S. Developments in osmotic dehydration technique for the preservation of fruits and vegetables. Innovative Food Science & Emerging Technologies, Vol 34, April 2016, p. 29-43. AKPINAR, E.K., BICER, Y., YILDIZ, C. Thin layer drying of red pepper Journal of Food Engineering, 2003, Vol 59, p. 99–104. ALEXANDRE, H. V.; Gomes, J. P.; Barros Neto, A. L.; Da Silva, F. L. H.; Almeida, F. A. C. Cinética de secagem de abacaxi cv. pérola em fatias. Revista Brasileira de Produtos Agroindustriais, Campina Grande, 2009, v. 11, n. 2, p. 123-128. AL-MUHTASEB, A. H.; HARARAH, M. A.; MEGAHEY, E. K.; MCMINN, W. A. M.; MAGEE, T. R. A. Moisture adsorption isotherms of microwave-baked Madeira cake. Food Science and Technology, 2010, v. 43, p. 1042-1049. BAPTESTINI, F. M.; CORRÊA, P. C.; JUNQUEIRA, M. S.; RAMOS, A. M.; VANEGAS, J. D. B.; COSTA, C. F. Modelagem matemática da secagem de espuma de graviola Revista Brasileira de Engenharia Agricola e Ambiental- Agriambi, 2015, v. 19, n. 12. BERBERT, P. A.; QUEIROZ, D. M.; SILVA, J. S.; PINHEIRO FILHO, J. B. Simulation of coffee drying in a fixed bed with periodic airflow reversal. Journal of Agricultural Engineering Research, 1995, vol. 60, p.167-173. Matemática 24 BERK, Z. Food process engineering and technology. Academic Press, 2018. BEZERRA, T. S.; DA COSTA, J. M. C.; AFONSO, M. R. A.; MAIA, G. A.; CLEMENTE, E. Avaliação físico-química e aplicação de modelos matemáticos na predição do comportamento de polpas de manga desidratadas em pó. Ceres, 2015, v. 58, n. 3. BRACHT, C. K.; MENEZES, M. L.; AMBROSIO-UGRI, M. C., & PEREIRA, N. C. Determinação das isotermas de equilíbrio das sementes de uva das variedades cabernet sauvignon e bordô. Engevista, 2015, vol.17, n.1, p.44-58. BROOKER, D. B.; BAKER-ARKEMA, F. W.; HALL, C. W. Drying and storage of grains and oilseeds. New York: AVI Book, 1992. 450p. CARDOSO, I. R. M.; ZUNIGA, A. D. G.; FRONZA, P.; MACIEL, A. G.; FERREIRA, J. S. Análise da cinética e modelagem matemática da secagem da polpa de buriti (mauritia flexuosa l). Engevista, 2017, v. 19, n. 5, p. 1188-1197. ÇENGEL, Y. A.; GHAJAR, A. J. Transferência de calor e massa: Uma abordagem prática, 4 edição. Porto Alegre, RS: Editora McGrawHill, 2012. CHINNAN, M. S.; BEAUCHAT, L. R. Sorption isotherms of whole cowpeas and flours. Lebensmittel-Wissenschaft und Technologie, 1985, v.18, p.83-88. CIURZYŃSKA, A.; KOWALSKA, H.; CZAJKOWSKA, K.; LENART, A. Osmotic dehydration in production of sustainable and healthy food, Trends in Food Science & Technology, Volume 50, April 2016, p. 186-192. COUTINHO, M.R.; OMOTO, E. S.; ANDRADE, C. M. G.; JORGE, L. M. M. Modelagem e Validação da Hidratação de Grãos se Soja. Ciência e Tecnologia de Alimentos, Campinas, 25(3): 603-610, jul.-set. 2005. DANTAS, L. A; MATA, M. E. R. M; DUARTE, M. E. M. Programa Computacional Dinâmico para Simulação de Secagem de Grãos e Sementes de Milho. Revista Brasileira de Produtos Agroindustriais, Campina Grande, 2011, v.13, n.3, p.309-318. DEHNAD, D.; JAFARI, S. M.; FRASIABI, M. Influence of drying on functional properties of food biopolymers: From traditional to novel dehydration techniques. Trends in Food Science & Technology, Vol 57, Part A, November 2016, p. 116-131. DOS SANTOS MELO, Karla et al. Secagem em camada de espuma da polpa do fruto do mandacaru: experimentação e ajustes de modelos matemáticos. Revista Caatinga, 2013, v. 26, n. 2, p. 9-17. 25 Modelagem Matemática Aplicada à Otimização e à Análise de Processos DRAPER, N. R.; SMITH, H. Applied regression analysis. New York: Weley Series in Probability and Mathematical Statistics, John Wiley & Sons. 1998,712p. DURANCE, T.; YAGHMAEE, P. Microwave Dehydration of Food and Food Ingredients, Comprehensive Biotechnology. Encyclopedia, Vol 4, 2011, p. 617- 628. FERRO-FONTAN, C.; CHIRIFE, J.; SANCHO, E.; IGLESIAS, H. A. Analysis of a model for water sorption phenomena in foods. Journal of Food Science, v. 47, p. 1590–1594, 1982. GAVA, A. J. Princípios de tecnologia de alimentos. NBL Editora, 1977. GHAJAR, A. J.; ÇENGEL, Y. A. Transferência de Calor e Massa: Uma abordagem prática. HENDERSON, S. M. A. basic concept of equilibrium moisture. Agricultural Engineering, v.33, p. 29–32, 1952. INCROPERA, Frank. Fundamentos de Transferência de calor e massa. Ed. LTC. 2008. JAYAS, D. S. Food Dehydration, Reference Module in Food Science, 2016. KAUSHLENDRA, F. A. Microbial shelf stability assessment of osmotically dehydrated smoky apples, LWT, Vol 90, April 2018, p. 61-69. KEEY, R. B. Drying: Principles and practice. New York: Pergamon Press. 1972. 358p. MADHLOPA, A.; JONES, S. A.; SAKA, JD Kalenga. A solar air heater with composite–absorber systems for food dehydration. Renewable energy, 2003, vol 27, n. 1, p. 27-37, 2002. MARQUES, Luciana Façanha et al. Secagem precedidade desidratação osmótica de pseudofruto de caju: comparação entre modelos matemáticos aplicados. Revista Brasileira de Produtos Agroindustriais, Campina Grande, v. 9, n. 2, p. 161-170, 2007. MOHAPATRA, D.; RAO, P. S. A thin layer drying model of parboiled wheat. Journal of Food Engineering, 2005, vol. 66, p. 513-518. MUJUMDAR, A.S. Handbook of industrial drying. 2nd ed., v.1. New York: Marcel Dekker, 1995. 742 p. OLIVEIRA, I. A.; CIRILLO, M. A.; BORGES, S. V. Estudo da não linearidade dos modelos de Oswin e Halsey aplicados na construção de isotermas. Ceres, v. Matemática 26 58, n. 6, 2015. OLIVEIRA, V. S.; AFONSO, M. R. A.; COSTA, J. M. C. Caracterização físico- química e comportamento higroscópico de sapoti liofilizado. Revista Ciência Agronômica, v. 42, n. 2, p. 342-348, 2011. ORDÓÑEZ, J. A. et al. Conservação de alimentos com base na modificação do pH, da atmosfera e da atividade de água. Evaporação e desidratação. In: Tecnologia de alimentos: componentes de alimentos e processos. v. 1. Porto Alegre: Artmed, 2005. pp. 219-242. PARK, J. P.; ANTONIO, G. C.; DE OLIVEIRA, R. A.; PARK, K. J. B. Conceitos de processo e equipamentos de secagem. Campinas: Unicamp, 2007. PARK, K. J.; YADO, M. K. M.; BROD, F. P. R. Estudo de secagem da pêra bartlett (Pyrus sp.) em fatias. Ciência e Tecnologia de Alimentos, Campinas, 2001, v. 21, n.3, p.288-292. PELEG, M. Assessment of a semi-empirical four parameter general model for sigmoid moisture sorption isotherms. Journal of Food Processing Engineering, 1993, v. 16, p. 21-37. PEREIRA, I. M.; BARBOSA, C. M. Teoria e prática na lei de resfriamento de newton. Ensino da Matemática em Debate , 2018, v. 5, n. 1, p. 45-53. PIKAL, M.J.; SHAH, S.; ROY, M.L.; PUTMAN, R. The secondary stage of freeze drying: drying kinetics as a function of temperature and chamber pressure. International Journal of Pharmaceutics, 1990, vol. 60, issue 3, p.203 – 217 . PROSAPIO, V.; NORTON, I. Influence of osmotic dehydration pre-treatment on oven drying and freeze drying performance. LWT, Vol 80, July 2017, p. 401-408. RAOULT-WACK, A.L.; LAFONT, F.; RIOS, G.; GUILBERT, S. Osmotic dehydration. Study of mass transfer in terms of engineering properties . In Drying ‘89 ( Mujumdar , A.S. and Roques , M. , eds ) . Hemisphere Publishing , New York, 1989. RIZVI, S. S. H. Thermodynamic Properties of Foods in Dehydration. In: RAO, M. A.; RIZVI, S. S. H.; DATTA, A. K. (Eds.), Engineering Properties of Foods: 1-88. Boca Raton, FL: Taylor & Francis Group, 2005. SABLANI, S. S.; RAHMAN, S. Fundamentals of food dehydration. In: Food drying: Science and technology. DEStech Publications, Inc., Pennsylvania, USA, 2008. SAKAI, N; MAO W. Infrared Heating. In: SUN, D. Thermal Food Processing: 27 Modelagem Matemática Aplicada à Otimização e à Análise de Processos New Technologies and Quality Issues. New York: CRC Press, 2006, Cap. 16, p.493 – 522. SANTAGATA, G.; MALLARDO, S.; FASULO, G.; LAVERMICOCCA, P.; VOLPE, M. G. Pectin-honey coating as novel dehydrating bioactive agent for cut fruit: Enhancement of the functional properties of coated dried fruits. Food Chemistry, Vol 258, 30 August 2018, p. 104-110. SHARIF, I.; ADEWALE, P.; DALLI, S. S.; RAKSHIT, S. Microwave pretreatment and optimization of osmotic dehydration of wild blueberries using response surface methodology. Food Chemistry, Vol 269, 15 December 2018, P. 300- 310. SILVA, A. S. et al. Característica higroscópica e termodinâmica do coentro desidratado. Revista Ciência Agronômica, v. 41, n. 2, p. 237-244, 2010. SILVA, Adriano Sant’ana et al. Desidratação da polpa de tamarindo pelo método de camada de espuma Dehydration of tamarind pulp through the foam-mat drying method. Ciência e Agrotecnologia, 2008, v. 32, n. 6, p. 1899-1905. SINGH, B. P. N.; KULSHRESTHA, S. P. Kinetcs of water sorption by soybean and pigeonpea grains. Journal of Food Science, 1987, v. 52, n. 6, p. 1538- 1544. SONG, J.; WEI, Q.; WANG, X.; LI, D.; MENG, L. Degradation of carotenoids in dehydrated pumpkins as affected by different storage conditions, Food Research International, Vol 107, May 2018, p. 130-136. TOGRUL, I. T.; PEHLIVAN, D. Modelling of thin layer drying kinetics of some fruits under open-air sun drying process. Journal of Food Engineering, 2004, v.65, p. 413-425. Tradução de Fátima A. M. Lino. 4ª ed. São Paulo: Bookman, 2012. VEGA-MERCADO, H.;GÓNGORA-NIETO, M. M.; BARBOSA-CÁNOVAS, G. V. Advances in dehydration of foods. Journal of Food Engineering, Vol 49, Issue 4, September 2001, p. 271-289. WANG, J. C.; LIAPIS, A. I. Water–water and water–macromolecule interactions in food dehydration and the effects of the pore structures of food on the energetics of the interactions. Journal of Food Engineering, Vol 110, Issue 4, June 2012, p. 514-524. YAO, Y. Enhancement of mass transfer by ultrasound: Application to adsorbent regeneration and food drying/dehydration, Ultrasonics Sonochemistry, Volume 31, July 2016, p. 512-531. OTIMIZAÇÃO DE FORMULAÇÕES ALIMENTÍCIAS 31 Camila Mariane da Silva Soares Aynaran Oliveira de Aguiar Romilda Ramos da Silva Warley Gramacho da Silva Glêndara Aparecida de Souza Martins Técnicas de otimização A otimização pode ser defi nida como o aperfeiçoamento da atuação de um sistema ou do processamento de um produto de maneira que se obtenha deles todos os benefícios possíveis. Em um método analítico, diferentes variáveis infl uenciam na grandeza e na qualidade do sistema que se estuda (NOVAES et al., 2017). Graças à grande quantidade de dados disponíveis hoje em diversas áreas, o desenvolvimento de métodos computacionais tem se tornado cada vez mais importante para que se obtenham informações relevantes desses dados de forma automática (COMPARINI et al., 2012). A otimização visa a descobrir sempre as condições mais adequadas para o desenvolvimento de qualquer processo. Esse trabalho é geralmente realizado avaliando-se a infl uência de determinado fator sobre uma variável resposta. Quando se tem pouco conhecimento sobre determinado processo, ou apenas conhecimento limitado sobre a região considerada ótima para a execução de um projeto ou desenvolvimento de formulações do ponto experimental,os projetos sequenciais são úteis para se obter orientação e direção para futuras experimentações (ARAUJO, 1996). Considerado uma ferramenta estatística de extrema relevância quando se trata da fi xação de parâmetros experimentais utilizados na pesquisa científi ca. Moura et al. (2017) acrescentam que realizar análises estatísticas, interpretar resultados obtidos, ajustar modelos, verifi cá-los e defi nir as faixas consideradas ótimas para a realização do processamento são outros passos importantes para validar a otimização de um sistema, adquirindo, dessa forma, o maior número OTIMIZAÇÃO DE FORMULAÇÕES ALIMENTÍCIAS Matemática 32 de informações no que se trata dos resultados do experimento que utilizou o planejamento fatorial. Para que a análise obtenha nível de confiança alto, é necessário que se tomem algumas precauções, entre elas realizar repetições dos ensaios para avaliar o erro experimental. Ferramentas computacionais são frequentemente utilizadas na otimização de métodos analíticos. Dentre as vantagens de sua utilização, temos a redução do número de experimentos a serem executados, a consequente diminuição do uso de reagentes e a redução da carga de trabalho em laboratório; além disso, outra vantagem relevante é o desenvolvimento de modelos matemáticos que avaliem do ponto de vista estatístico a relevância e significância dos fatores analisados em relação ao estudo e interações entre eles. Quanto maiores forem as interações no sistema, mais relevantes serão as diferenças encontradas em estratégias de otimização univariada e multivariada. Logo, quando se trata do processo univariado, as chances de falhas são maiores, já que o efeito de uma variável pode vir a depender do nível de outros fatores envolvidos naotimização. Os esquemas de otimização multivariada envolvem os níveis de todas as variáveis ao mesmo tempo, contactando todos os fatores envolvidos no processo (fatorial completo ou fracionário) para que se tenham os efeitos do sistema analítico (FERREIRA et al., 2007). A otimização de procedimentos analíticos é alcançada empregando-se técnicas estatísticas multivariadas. Dentre as técnicas multivariadas de maior relevância temos a metodologia de superfície de resposta (RSM), que é uma compilação de técnicas matemáticas e estatísticas fundamentadas no ajuste de uma equação polinomial aos dados experimentais que precisam expor o comportamento de uma coletânea de dados. Quando um processo pode ser influenciado por mais de um fator, a superfície de resposta pode ser aplicada com êxito. O objetivo é otimizar concomitantemente os níveis dessas variáveis para conseguir o máximo desempenho do sistema (BEZERRA et al., 2008). Programação Linear A Programação Linear tem início durante a Segunda Guerra Mundial, quando o jovem matemático George B. Dantzig e sua equipe foram confrontadas com problemas complexos de natureza tática, logística e militar. A partir daí surgiu a ideia de desenvolver modelos matemáticos que permitissem usar dados reais e simulados para a obtenção de resultados hipotéticos que auxiliariam na tomada de decisões. Por volta de 1947 a Programação Linear começou a se destacar com o surgimento do SIMPLEX (SOUZA et al., 2013; ALMEIDA et al., 2013; SCALABIN et al., 2006). 33 Modelagem Matemática Aplicada à Otimização e à Análise de Processos Com isso a Programação Linear passou a ser usada como ferramenta para resolução de diversos problemas, como produção, armazenamento de produtos, distribuição de recursos da indústria, minimização de custo e tempo, especificações de dietas, entre outros (SCALABI, 2006; SOUZA et al., 2013). Existem diversos softwares que facilitam a solução de um problema de Programação Linear, como o LINDO, SOLVER do aplicativo MS EXCEL, LINGO e o VISUAL XPRESS (ALMEIDA et al., 2013; SILVA & SILVA, 2012). A Programação Linear é uma das técnicas mais propagadas da Pesquisa Operacional, que consiste na relação linear entre as características dos problemas em busca de resultados ótimos (RODRIGUES et al., 2014). É conceituada como uma ciência voltada à resolução de problemas reais e que fornece ferramentas quantitativas ao processo de tomada de decisões (PRADO, 2007). O modelo matemático é composto por uma função objetivo linear e restrições técnicas. Goldbarg e Luna (2005) destacam que a Programação Linear reduz um sistema real a um conjunto de equações ou inequações a fim de otimizar uma função objetivo. Essa função parte de um princípio único no qual é necessária clareza em relação às variáveis decisórias envolvidas, podendo estar sujeitas a uma série de restrições, geralmente representadas por inequações (CAIXETA FILHO, 2004). Prado (2007) afirma que a Programação Linear é uma ferramenta de otimização com várias alternativas sujeitas a algum tipo de restrição ou regulamentação, capaz de produzir resultados expressivos em quase todas as áreas. Além disso, é considerada ferramenta altamente relevante por ser muito eficiente para se chegar a uma solução ótima. Modelos de Programação Linear Os modelos de Programação Linear são descritos como um tipo especial de modelo para a otimização. O termo otimizar representa a possibilidade de maximizar ou minimizar a função objetivo (GOLDBARG; LUNA, 2005). Para que determinados sistemas possam ser representados por meio de uma PL, Goldbarg e Luna (2005 p.31-32) descreveram as principais características a serem seguidas. • Proporcionalidade: a quantidade de recursos consumidos em dada atividade deve ser proporcional ao nível dessa atividade na solução final do problema. Sendo assim, o custo de cada atividade é proporcional ao nível de operação da atividade. • Não Negatividade: deve ser sempre possível o desenvolvimento de uma dada atividade em qualquer nível não negativo e qualquer proporção de um dado recurso deve sempre ser utilizado. • Aditividade: o custo total é a soma das parcelas associadas a cada atividade. Matemática 34 • Separabilidade: pode-se identificar separadamente o custo (ou consumo de recursos) específico das operações de cada atividade. Além disso, conforme Prado (2008), o modelo de Programação Linear pode ser descrito pela seguinte formulação algébrica: Otimizar: Max (ou min) Z = c1x1 + c2x2 + c3x3 ... + cnxn Função Objetivo Sujeito a: a11x1 + a12x2 + a13x3 + ... + a1nxn = b1 Restrições a21x1 + a22x2 + a23x3 + ... + a2nxn = b2 a31x1 + a32x2 + a33x3 + ... + a3nxn = b3 ... ... ... ... ... am1x1 + am2x2 + am3x3 + ... + amnxn = bm x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, ... , xn ≥ 0 Condição de não-negatividade Onde: X: {x1, x2, x3, ..., xn Variáveis de decisão A: { a1, a2, a3, ... , am Coeficiente das variáveis B: { b1, b2, b3, ... , bm Termos independentes (representando os recursos disponíveis) Essa é considerada a forma padrão para um o problema de Programação Linear, desse modo qualquer situação cuja formulação matemática se encaixe nesse modelo pode ser considerado um problema de Programação Linear (HILLIER & LIEBERMAN, 2013). Existem outras formas utilizáveis quando o modelo precedente não se encaixa na forma natural de alguns problemas de Programação Linear. As demais formas legítimas descritas por Hillier e Lieberman (2013) são: Algumas restrições funcionais com desigualdade do tipo maior do que ou igual a: ai1xi + ai2x2 + . . . .+ ain + xn ≥ bi ( para alguns valores de i) Algumas restrições funcionais na forma de equação: ai1xi + ai2x2 + . . . .+ ain + xn = bi ( para alguns valores de i) 35 Modelagem Matemática Aplicada à Otimização e à Análise de Processos Eliminar as restrições não negativas para algumas das variáveis de decisão: xj irrestrita em sinal (para alguns valores de j) Portanto qualquer problema que combine alguma dessas formas com as partes remanescentes do modelo anterior ainda será um problema de Programação Linear. Logo, as definições breves de um problema linear são que cada componente de seu modelo se ajuste a uma das formas citadas anteriormente. Existem ainda algumas terminologias para soluções de modelos. O termo solução comumente está ligado à resposta final de um problema, no entanto, para a convenção em Programação Linear é bem diferente. Desse modo qualquer especificação de valores para variável de decisão é chamada de solução, sendo ela desejável ou mesmo uma opção admissível. Os adjetivos apropriados para diferentes tipos de soluções foram descritos por Hillier e Lieberman (2013): Solução Viável: aquela em que todas as restrições são satisfatórias; Solução Inviável: aquela em que pelo menos uma das restrições é violada. Existe a possibilidade de nenhuma solução ser viável ou que não haja nenhuma solução ótima. Na sequência, um exemplo de problema resolvido com a Programação Linear (GOLDBARG E LUNA, 2005). Uma cooperativa agrícola opera em três fazendas que possuem produtividade aproximadamente igual entre si. A produção total por fazenda depende fundamentalmente da área disponível para o plantio e da água para irrigação. A cooperativa procura diversificar sua produção plantando este ano três tipos de cultura em cada fazenda: milho, arroz e feijão. Cada tipo de cultura demanda por certa quantidade de água. Para reduzir o conflito no uso das colheitadeiras alugadas pela cooperativa, estabeleceram-se limites de área de produção em cada tipo de cultura. Para evitar a concorrência entre os cooperados, acordou-se que a proporção de área cultivada fosse a mesma para cada uma das fazendas. Pede-se a elaboração de um programa de produção que defina a área de cada cutura que será plantada em cada fazenda de modo a otimizar o lucro total da produção da cooperativa. Tabela 1: Água disponível e área decultivo por fazenda Fazenda Área total para cultivo (Acres) Água disponível (Litros) 1 400 1.800 2 650 2.200 3 350 950 Matemática 36 Tabela 2: Consumo de água, área de cultivo e lucro por cultura Cultura Área Máxima de Cultivo (Acres) Consumo de Água (Litros por Acres) Lucro (R$/ Acres) Milho 660 5,5 5.000 Arroz 880 4 4.000 Feijão 400 3,5 1.800 Solução: 1. Escolha a variável de decisão (Já está imposta no próprio enunciado) xij ≡ quantidade de unidade de acres que, na fazenda i ( i = 1, 2 e 3 ), serão destinadas à cultura j (j = M-milho, A-arroz e F-feijão). 2. Elaboração da função objetivo Z = Maximizar { f (x) = 5.000 ( x1M + x2M + x3M) + 4.000 ( x1A + x2A + x3A) + 1.800 ( x1F + x2F + x3F)} – soma dos custos em cada cultura em cada fazenda. 3. Formulação das restrições associadas à área de cultivo: • Fazenda 1: X1M + X1A + X1F ≤ 400 • Fazenda 2: X2M + X2A + X2F ≤ 650 • Fazenda 3: X3M + X3A + X3F ≤ 350 a) Restrições associadas ao consumo de água: • Fazenda 1: 5,51M + 41A + 3,51F ≤ 1.800 • Fazenda 2: 5,52M + 42A + 3,52F ≤ 2.200 • Fazenda 3: 5,53M + 43A + 3,53F ≤ 950 b) Restrições associadas ao plantio por cultura: • Milho: X1M + X1A + X1F ≤ 660 37 Modelagem Matemática Aplicada à Otimização e à Análise de Processos • Arroz: X2M + X2A + X2F ≤ 880 • Feijão: X3M + X3A + X3F ≤ 400 c) Restrições associadas à proporção da área cultivada: x1M + x1A + x1F 400 = x2M + x2A + x2FF 650 = x3M + x3A + x3FF 350 4. Restrições de não negatividade x1M ≥ 0, x1A ≥ 0, x1F ≥ 0, x2M ≥ 0, x2A ≥ 0, x2F ≥ 0, x3M ≥ 0, x3A ≥ 0, x3F ≥ 0 Método Simplex O algoritmo SIMPLEX tem obtido destaque por contribuir expressivamente para a programação matemática deste século. Trata-se de um algoritmo real, extremamente eficiente em soluções de sistemas lineares e de fácil ajuste a cálculos computacionais (GOLDBARG; LUNA, 2005). É um método interativo de fácil entendimento que percorre pontos externos do conjunto de soluções lógicas do problema, formado por um grupo de critérios para escolha de soluções básicas que melhorem o valor da função objetivo e também de um teste de otimalidade (GUTIN, 2005; BAZARAA et al., 2011). Segundo Larrosa et al. (2011), Programação Linear é uma técnica que se mostra versátil, sendo utilizada na solução de problemas como formulação de dieta alimentar, programação da produção, otimização de recursos, entre outros. Na Tabela 3, estão expostos alguns exemplos do uso a Programação Linear como ferramenta de otimização de processos da indústria alimentícia. Tabela 3: Programação Linear aplicada à indústria de alimentos Título Alimento estudado Referência Simulation of the multicomponent diffusion during the osmotic dehydration of apple: determination of the diffusion coefficients by the simplex method Maçã BORSATO et al., 2010 Matemática 38 Título Alimento estudado Referência Modelagem matemática para otimização da produção e renda de melão e melancia em função de lâminas de água e doses de nitrogênio Melão e melancia DELGADO et al., 2010 Otimização no planejamento agregado de produção em indústrias de processamento de suco concentrado congelado de laranja Suco de laranja MUNHOZ & NETO, 2011 Programação linear para formulação de pasta de vegetais e operação de secagem em leito de jorro Pasta de vegetais LARROSA et al., 2011 Escolha de cultivares de soja com base na composição química dos grãos como perspectiva para maximização dos lucros nas indústrias processadoras Soja SBARDELOTTO e VILLAR LEANDRO, 2008 Problema de Programação Linear de dieta aplicado à nutrição de suínos Suínos SANTOS, 2016 Otimização de recursos para maximizar os lucros em uma fábrica de cerveja: utilização da pesquisa operacional para o encontro de valores ótimos de produção Cerveja AMORIM, 2016 Análise do mix de produção para maximização da lucratividade em produção conjunta: um caso na indústria de lácteos Produtos lácteos DAL MAGRO et al, 2016 Superfície de resposta A metodologia de análise de superfície de resposta foi desenvolvida por Box nos anos 1950. Consiste em um grupo de técnicas matemáticas e estatísticas utilizadas no desenvolvimento, na implementação e na otimização de vários processos nos quais a superfície é influenciada por várias variáveis 39 Modelagem Matemática Aplicada à Otimização e à Análise de Processos (SUMIC et al, 2016). Baseia-se no ajuste de modelos empíricos aos dados experimentais obtidos em relação ao delineamento experimental no qual o objetivo é otimizar simultaneamente os níveis dessas variáveis a fim de se obter o melhor desempenho do sistema (BEZERRA et al, 2008). De maneira geral, essa relação pode ser aproximada em um modelo polinomial de baixo grau do tipo: Eq. 1 → y = f’(x)β + ϵ Onde X = (X1, X2, ..., Xk)’, f(x) é um vetor função de p elementos que consiste nas potências e nos produtos cruzados das potências de x1, x2, ..., xk até certo ponto denotado por d (≥1), β é o vetor de p coeficientes constantes desconhecidas referidas como parâmetros, e ϵ é o erro experimental (KHURI; MUKHOPADHYAY, 2010). Existem dois importantes modelos comumente utilizados na análise de superfície de resposta: primeira (d = 1) e segunda (d = 2) ordem. O modelo de primeira ordem pode ser descrito conforme a seguir: Eq. 2 → y = β0 + ∑ki=1 βi xi+ ∈ Esse modelo é apropriado quando o experimentador está interessado em aproximar a superfície de resposta verdadeira quando a região é muito pequena e há pouca curvatura em f (CARLEY et al, 2004; KHURI; MUKHOPADHYAY, 2010). O modelo de equação de segunda ordem (d = 2) é tipicamente descrito na forma da Eq. 3: Eq. 3 → y = β0+ ∑ki=1 βixi + ∑ k-1 i=1 ∑ k j=i+1 βjixixj + ∑ki=1 βii x i2 + ∈ Onde X1, X2, ..., Xk são os valores codificados dos fatores de entrada, os quais influenciam a resposta y. β0, βi, βii, e βij são parâmetros desconhecidos determinados pela regressão de quadrados mínimos. Os níveis das variáveis independentes Xi são codificados como xi conforme a seguinte equação: Eq. 4 → Xi = X1 – X0 DX1 , i = 1, 2, ... k Onde X0 é o valor da variável independente no ponto central do intervalo (KASIRI et al, 2015). Matemática 40 O desempenho de um produto ou serviço é geralmente caracterizado por muitas variáveis de resposta. Em muitas situações essas características são controladas por um conjunto de fatores independentes (JOHN, 2013). A metodologia de superfície de resposta consiste em um grupo de técnicas utilizadas no estudo empírico da relação entre a resposta e diversas variáveis de entrada. Quando o procedimento envolve mais de uma resposta, não é possível otimizar cada uma separadamente, gerando um confl ito denominado de problema da superfície de múltiplas respostas (JEONG; KIM, 2009; HE et al, 2012). A Figura 1 exemplifi ca o uso da superfície de resposta para otimização do processamento de alimentos utilizando o Statistica 7.0: Eq. 5 → Proteína = 18,68 + 0,044X1 + 0,009X2 Eq. 6 → Lipídeo = 1,944 + 0,605X1 + 0,021 X2 Onde, X1 = Temperatura e X2= Tempo de secagem. a) 41 Modelagem Matemática Aplicada à Otimização e à Análise de Processos b) , Figura 1: Superfície de resposta representando a variação de proteína (a) e lipídeos (b) em função de tempo e temperatura para otimização do processamento da castanha de caju torrada (SILVA et al 2015). A superfície de resposta abrange alguns métodos para descobrir as melhores condições de funcionamento utilizando experimentos científi cos. Para o desenvolvimento de uma pesquisa, geralmente são necessárias diversas experiências para se chegar ao resultado de um experimento. A superfície de resposta pode ser utilizada como um conjunto de fatores e condições diferentes para coletar mais dados na região experimental. Níveis e valores variados das condições de operação de uma pesquisa, como as variáveis que infl uenciam no processo direta e indiretamente, podem ser usados para alcançar uma resposta ótima(LENTH et al., 2009). Para Bezerra et al. (2008), alguns termos da superfi cie de resposta devem ser ressaltados para melhor entendimento da técnica. Domínio experimental é o campo experimental que deve ser investigado; é defi nido pelos limites mínimo e máximo das variáveis experimentais estudadas. O design experimental é um conjunto específi co de experimentos defi nidos por uma matriz composta por vários níveis. Variáveis independentes são variáveis experimentais que podem ser modifi cadas independentemente umas das outras. Os níveis de uma variável são valores diferentes de uma variável em que os experimentos podem ser realizados. Residual é a diferença entre o conjunto determinável de condições. Um bom modelo matemático adaptado a dados experimentais apresenta baixos valores residuais. Para Barros Neto et al. (2003) e Risso et al. (2006), a modelagem ajusta- se aos modelos matemáticos, lineares ou quadráticos, buscando o caminho Matemática 42 de máxima inclinação de um determinado modelo, sendo o caminho pelo qual a resposta chegue de maneira mais expressiva. Desse modo a superfície de resposta se aproxima a um modelo empírico relacionado entre os fatores e a resposta do processo, por ser fundamental na teoria estatística, a fim de minimizar o empirismo que envolve técnicas de tentativa e erro (BOX et al., 1978; SARAMAGO et al., 2008). Essa técnica de otimização vem sendo bastante utilizada pela indústria alimentícia por possibilitar a obtenção de resultados bastante expressivos. Tabela 4: Superfície de resposta aplicada à indústria de alimentos Título Alimento estudado Referência Laminados biodegradáveis de blendas de amido de mandioca e poli (vinil álcool): efeito da formulação sobre a cor e opacidade Amido de mandioca ZANELA et al., 2015 Avaliação do planejamento experimental no processo de secagem do inhame (Discorea spp.) Inhame (Discorea spp.) MOURA et al., 2017 Aplicação da metodologia de superfície de resposta na otimização da mistura de antioxidantes com efeito sobre a estabilidade lipídica do ovo atomizado Ovo CARVALHO et al., 2017 Avaliação do pré-tratamento osmótico com cloreto de sódio e diferentes tempos sobre a secagem da abóbora cabotiá Abóbora cabotiá MAI et al., 2015 Otimização via metodologia de superfície de resposta dos parâmetros tecnológicos para produção de fruta estruturada e desidratada a partir de polpa concentrada de mamão Mamão GRIZOTTO et al., 2005 43 Modelagem Matemática Aplicada à Otimização e à Análise de Processos Vantagens e desvantagens do método Apesar de ser crescente a popularização sobre os benefícios do uso de ferramentas estatísticas, é necessário ressaltar que os cientistas têm algumas dificuldades no uso dessas ferramentas; isso por algumas razões técnicas, como a escassez de explicação de como os dados devem ser utilizados nos programas e até mesmo pela dificuldade em entender os livros estatísticos, que apresentam linguagem técnica complexa. Outra desvantagem é o custo que essas ferramentas podem ter. Devido ao custo envolvido em pacotes estatísticos comerciais, existe atualmente uma crescente demanda por softwares gratuitos. Esses programas incluem domínio público e podem ser usados para análise estatística e / ou matemática. As vantagens da utilização de ferramentas estatísticas, incluindo a superficie de resposta na pesquisa de alimentos, são enormes. A superficie gera gráficos com alta definição em segundos; simulações de resultados também podem ser realizadas em curto período de tempo; vários conhecimentos de matemática e estatística, algoritmos complexos e equações também são criados em segundos (NUNES et al., 2015). Segundo Hu et al. (2008), a superfície de resposta derivada de funções de segunda ordem é hábil pelo fato de resolver grande parte dos problemas usando esforço computacional mínimo, é ágil e de fácil acesso. Além disso, é crucial na comparação dos coeficientes dos parâmetros e na eliminação das variáveis não importantes. Para Araújo et al. (2014), a utilização da superfície de resposta em pesquisas que possuem quantidade significativa de fatores que podem influenciar o processo é importante, já que possibilita o planejamento e a execução da pesquisa de forma mais organizada, reduzindo a quantidade de experimentos que seriam feitos, economizando tempo, reduzindo a carga de trabalho, além de economizar recursos financeiros. Lenth et al. (2009) ressaltam que a ferramenta possui a desvantagem de algumas complicações que compreendem o uso comum (e a importância) de variáveis preditoras codificadas; a avaliação do ajuste; as dessemelhantes análises de acompanhamento empregadas com base no que o modelo é ajustado; e os efeitos da visualização. Os autores também dizem que os métodos de superfície de resposta abrangem determinados problemas característicos de projeto experimental derivados da experimentação iterativa e da precisão de projetos relativamente esparsos. Novaes et al. (2017) afirmam que a metodologia de superfícies de respostas (MSR) vem sendo muito aplicada devido a sua alta eficiência, poder de modelagem e capacidade de exploração dos sistemas estudados. Orlandini et al. (2014) descrevem a superfície de resposta como muito utilizada para quantificar e interpretar as relações entre as respostas e os efeitos Matemática 44 dos fatores. Os autores dizem que, para otimizar um método, a abordagem simples é a triagem, que elege a partir de um número de fatores potenciais os mais significativos, com número limitado de experimentos. Já na metodologia de superfície de resposta, o número de experimentos aumenta; porém, nesse caso, também é possível obter um modelo de regressão descrevendo de forma temporária a variação da resposta no domínio experimental. Desejabilidade A performance de um produto ou serviço é geralmente caracterizada por muitas variáveis de resposta. Em muitas situações, essas características são controladas por um conjunto de fatores independentes (JOHN, 2013). A metodologia de superfície de resposta consiste em um grupo de técnicas utilizadas no estudo empírico da relação entre a resposta e diversas variáveis de entrada. Quando o procedimento envolve mais de uma resposta, não é possível otimizar cada uma separadamente, gerando um conflito denominado de problema da superfície de múltiplas respostas (JEONG et al, 2009; HE et al, 2012). Dentre os métodos que podem ser utilizados para solucionar o problema, temos a abordagem por função de desejabilidade. O problema da múltipla resposta possui três estágios: coleta de dados, construção do modelo e otimização. O objetivo geral desses métodos, segundo He et al. (2012), é converter o problema de otimização de múltipla resposta em uma única função de objetivo agregada e construir um algoritmo eficiente para encontrar a solução ideal, ou seja, permite que o analista encontre as condições experimentais para alcançar simultaneamente o valor ótimo para todas as variáveis avaliadas. A função de desejabilidade foi inicialmente apresentada por Derringer e Suich (1980) e Derringer (1994). Considerado um método bastante popular devido a sua simplicidade e flexibilidade, baseia-se na ideia de que a qualidade de produtos ou processos que possuam muitas características é inaceitável se um deles estiver fora do limite desejável (CANDIOTI et al, 2014). Consiste em transformar cada resposta yi em uma função de desejabilidade di que varia ao longo de um intervalo [0,1]. Assim, se a resposta yi for seu objetivo, então di = 1, para uma resposta desejável; e se a resposta for outra e estiver fora da região aceitável, então di = 0, para uma resposta indesejável. Dessa forma, a função de desejabilidade geral ou composta D pode ser definida como a média geométrica ponderada de todo indivíduo di, ou seja, Eq. 7 → D (d1 (y1), d2 (y2), ... , dl (yl) = (∏li=1 di (yi)wi)1/∑wi 45 Modelagem Matemática Aplicada à Otimização e à Análise de Processosonde l é o número de respostas (HE, et al, 2012). Diferentes funções podem ser construídas, dependendo dos critérios de otimização adotados, dentro de uma faixa aceitável de valores de resposta dada por (Ui-Li), onde Ui é o valor aceitável superior para a resposta e Li é o menor (CANDIOTI et al, 2014). Apesar da popularidade da função de desejabilidade, existem outras abordagens utilizadas para otimizar múltiplas respostas, como os métodos baseados na programação de compromisso, programação de metas, inspeção de gráficos de contorno, programação física, probabilidade, índice de desempenho, redes neurais e otimização vetorial. Entretanto, devido à falta de disponibilidade e complexidade, alguns métodos são pouco utilizados (COSTA et al, 2011). Métodos baseados na desejabilidade são de fácil incorporação de parâmetros de pesos ou prioridades das respostas, entre eles o mais popular é o de Derringer e Suich. Por outro lado, a desvantagem do método encontra- se em especificar quatro tipos de parâmetros que podem influenciar nas condições das variáveis (COSTA et al, 2011). Derringer e Suich propuseram funções de desejabilidade baseadas em três tipos de respostas. 1. Nominal-the-best (NTB), no qual espera-se que a resposta atinja um valor determinado t. Para tal, a função é definida como: Eq. 8 → y – L T – L S , L ≤ y ≤ T y – U T – U t , L ≤ y ≤ T 0, outra forma d = Onde, s e t são parâmetros de forma, especificados pelo analista (s, t > 0). No caso da resposta NTB, d = 1 quando y = T, e d = 0 quando y < L ou y > U, no qual U é o limite superior e L é o limite inferior. 2. Larger-the-best (LTB), o valor da resposta deve ser maior que o limite inferior, ou seja, y > L. A função pode ser definida por: Eq. 9 → d = y – L U – L r , L ≤ y ≤ U Onde r é um parâmetro definido pelo analista (r > 0). Matemática 46 3. Small-the-best (STB), o valor da resposta deve ser inferior ao limite superior, logo, y < U. A função pode ser descrita por: Eq. 10 → d = y – U L – U r , L ≤ y ≤ U (KIM & LIN, 2000; COSTA et al, 2011). A função desejabilidade foi utilizada por Barros et. al. (2013) durante o processo de otimização de um método de extração assistida por ultrassom para determinação de cobre, manganês, zinco e níquel por espectrofotometria de absorção com chamas em amostras de ração para nutrição de frangos. As variáveis otimizadas foram: massa da amostra, tempo de sonicação e concentração final da mistura extratora. As funções de desejabilidade individuais utilizadas tiveram como objetivo maximizar as respostas, como descrito na equação a seguir. Eq. 11 → DG = 0,756(±0,05) – 0,003 (±0,03) (AC) – 0,148 (±0,06) (AC)2 – 0,261 (±0,03) (SM) – 0,518 (±0,06) (SM)2 + 0,142 (±0,03) (ST) – 0,481(±0,07) (ST)2 – 0,132 (±0,07) (AC) (SM) – 0,041(±0,05) (AC)(ST) – 0,016 (±0,05) (SM)(ST) Nessa equação, os valores em negrito são significativos em nível de confiança de 95%. A seguir, a Figura 2 representa o uso da função desejabilidade. Figura 2: Perfis para os valores preditos das desejabilidades individuais e global na otimização do método para extração de metais usando-se energia de ultrassom (BARROS et al., 2013 47 Modelagem Matemática Aplicada à Otimização e à Análise de Processos Referências ALMEIDA, J. L.; MARTINS, S. A. G.; DA SILVA, G. W. Otimização de processos utilizando a programação linear. Engenharia de Alimentos UFT, Palmas, Enciclopédia Biosfera, Centro Científico Conhecer - Goiânia, v.9, N.16; p. 2013. AMORIM, C. P. V.; MONTEIRO, L. E. C.; RIBAS, P. C. Otimização de recursos para maximizar os lucros em uma fábrica de cerveja: utilização da pesquisa operacional para o encontro de valores ótimos de produção. Blucher Marine Engineering Proceedings, v. 2, n. 1, p. 308-316, 2016. ARAÚJO, M. de S.; ALMEIDA, M. M.; FORMIGA, A. S.; MOTA, J. C.; QUEIROZ, V. S. Aplicação da metodologia da superfície de resposta para otimização da fermentação alcoólica do soro de queijo. Revista Verde de Agroecologia e Desenvolvimento Sustentável, v. 9, n. 3, p. 190-197, 2014. ARAUJO, P. W.; BRERETON, R. G. Experimental design I. Screening. TrAC Trends in Analytical Chemistry, v. 15, n. 1, p. 26-31, 1996. BARROS NETO, B.; SCARMINIO, I. S.; BRUNS, R. E. Como Fazer Experimentos-: Pesquisa e Desenvolvimento na Ciência e na Indústria. Bookman Editora, 2010. BARROS, J. M., BEZERRA, M. A., VALASQUES, G. S., JÚNIOR, N., SOUZA, A. S., & ARAGÃO, N. M. MULTIVARIATE Optimization of an ultrasound-assisted extraction procedure for cu, mn, ni and zn determination in ration to chickens. Anais da academia brasileira de ciências, V. 85, N. 3, P. 891-902, 2013. BAZARAA, M. S.; JARVIS, J. J.; SHERALI, Hanif D. Linear programming and network flows. John Wiley & Sons, 2011. BEZERRA, M. A.; SANTELLI, R. E.; OLIVEIRA, E. P.; VILLAR, L.S.; ESCALEIRA, L. A.Response surface methodology (RSM) as a tool for optimization in analytical chemistry. Talanta, v. 76, n. 5, p. 965-977, 2008. BORSATO, D.; MOREIRA, I.; DA SILVA, R. S. S.; BONA, E. et al. Simulation of the multicomponent diffusion during the osmotic dehydration of apple: determination of the diffusion coefficients by the simplex method. Semina: Ciências Agrárias, v. 31, n. 2, p. 391-404, 2010. BOX, G. E., HUNTER, W. G., & HUNTER, J. S. . Statistics for experimenters. 1978. CAIXETA FILHO, J. V.. Pesquisa operacional: técnicas de otimização aplicadas a sistemas agroindustriais.2. ed. São Paulo: Atlas, 2004. Matemática 48 CANDIOTI, L. V., DE ZAN, M. M., CAMARA, M. S., & GOICOECHEA, H. C. Experimental design and multiple response optimization. Using the desirability function in analytical methods development. Talanta, v. 124, p. 123-138, 2014. Doi: https://doi.org/10.1016/j.talanta.2014.01.034. CARLEY, K. M .; KAMNEVA, N. Y .; REMINGA, J. Metodologia da superfície de resposta. Carnegie-Mellon Univ Pittsburgh Pa Escola de Ciências da Computação, 2004. CARVALHO, M. G.; TENUTA FILHO, A. Aplicação da metodologia de superfície de resposta na otimização da mistura de antioxidantes com efeito sobre a estabilidade lipídica do ovo atomizado. Boletim do Centro de Pesquisa de Processamento de Alimentos, v. 35, n. 1*, 2017. COMPARINI, A., PASSOS, G., GRAZIADEI, H., FERREIRA-SILVA, P. H., & LOUZADA NETO, F. Metodologia de superfície de resposta: uma introdução nos softwares R e STATISTICA. 2012. COSTA, N. R.; LOURENÇO, J.; PEREIRA, Z. L. Desirability function approach: a review and performance evaluation in adverse conditions. Chemometrics and Intelligent Laboratory Systems, v. 107, n. 2, p. 234-244, 2011. Doi: https://doi. org/10.1016/j.chemolab.2011.04.004. DAL MAGRO, C. B., PICOLO, J. D., & DA SILVA ZONATTO, V. C. Análise do mix de produção para maximização da lucratividade em produção conjunta: um caso na indústria de lácteos. In: Anais do Congresso Brasileiro de Custos- ABC. 2015. DELGADO, A. R. S., DUARTE, W. S., LIMA, V. N., & CARVALHO, D. F. D. Modelagem matemática para otimização da produção e renda de melão e melancia em função de lâminas de água e doses de nitrogênio. Irriga, v. 15, n. 1, p. 01, 2018. DERRINGER, G. C. A balancing act-optimizing a products properties. Quality Progress, v. 27, n. 6, p. 51-58, 1994. DERRINGER, G.; SUICH, R. Simultaneous optimization of several response variables. Journal of quality technology, v. 12, n. 4, p. 214-219, 1980. FERREIRA, S. C., BRUNS, R. E., FERREIRA, H. S., MATOS, G. D., DAVID, J. M., BRANDAO, G. C; DA SILVA, E. G. P.; PORTUGAL, L. A.; DOS REIS, P. S.; SOUZA A. S. & DOS SANTOS, W. N. L . Box-Behnken design: an alternative for the optimization of analytical methods. Analytica chimica acta, v. 597, n. 2, p. 179-186, 2007. GOLDBARG, M. C.; LUNA, H. P. L. Otimização combinatória e programação linear: modelos e algoritmos. 2ª Edição. Rio de Janeiro: Elsevier, 2005. 49 Modelagem Matemática Aplicada à Otimização e à Análise de Processos GRIZOTTO, R. K., BRUNS, R. E., AGUIRRE, J. D., & BATISTA, G. Otimização
Compartilhar