Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Escuela Técnica Superior de Ingeniería Industrial Optimización multi-objetivo en procesado de alimentos. Caso de estudio de la fritura de patatas TRABAJO FIN DE MASTER MASTER UNIVERSITARIO EN INGENIERÍA INDUSTRIAL Autor: Carmen María Ruiz Sáez Directores: María Muñoz Guillermo Alberto Garre Pérez Codirector externo: Jose Alberto Egea Larrosa Cartagena, Septiembre 2023 i Agradecimientos En primer lugar, quiero agradecer a José Alberto Egea Larrosa la confianza que ha depositado en mí a lo largo de toda mi carrera universitaria, dirigiendo mi trabajo fin de carrera y guiando mi trabajo fin de máster. Sin duda alguna, este trabajo no habría visto la luz sin su apoyo y su constante atención y dedicación. Además de director, ha sido un amigo. También quiero dar las gracias a María Muñoz Guillermo por aceptar ser mi directora, por la paciencia que ha tenido conmigo y por su soporte, y a Alberto Garre Pérez por no dudar en unirse a este proyecto y por su guía. En el terreno personal, quiero resaltar el apoyo incondicional de mi familia a lo largo de mi etapa universitaria. A mis padres, Pedro y Carmen, por mantener firme su confianza en mí, incluso en los momentos de dudas. A mi hermana, Almudena, por ser un pilar fundamental en mi vida tanto personal como académica. A mi cuñado, Julio, por estar ahí cada vez que lo he necesitado. A mi bebé, Adrián, por darme el empujón definitivo para finalizar este trabajo. Por último, pero no menos importante, a mi pareja, Alejandro, por motivarme y comprenderme en todo momento. Muchas gracias a todos ii iii Índice Índice de Figuras ................................................................................................................ v Índice de Tablas ................................................................................................................ vi 1. Motivación y objetivos .............................................................................................. 1 2. Resumen .................................................................................................................... 3 3. Introducción .............................................................................................................. 4 3.1. Optimización multiobjetivo en Ingeniería de alimentos ................................... 5 4. Optimización multiobjetivo ....................................................................................... 7 4.1. Formulación matemática del problema ............................................................ 7 4.2. Métodos de resolución ...................................................................................... 7 4.2.1. Método de la suma ponderada .................................................................. 9 4.2.2. Método de la restricción 𝜀 ......................................................................... 9 4.2.3. Método de optimización evolutiva multiobjetivo (EMO) .......................... 9 5. Caso de estudio ....................................................................................................... 13 5.1. El proceso de fritura de patatas ....................................................................... 13 5.2. Modelos matemáticos que describen el problema ......................................... 14 5.2.1. Balance de energía ................................................................................... 14 5.2.2. Contenido de humedad ............................................................................ 16 5.2.3. Propiedades ópticas: Amarillez (yellowness) ........................................... 17 5.2.4. Acrilamida. Correlación con redness ........................................................ 18 5.2.5. Resumen de variables, unidades y valores numéricos del caso de estudio 21 5.3. Plataforma de computación y paquetes utilizados ......................................... 23 6. Resultados y discusión ............................................................................................ 27 6.1. Optimización mono-objetivo y análisis de los perfiles y dinámicas ................ 27 6.1.1. Balance Energético ................................................................................... 27 6.1.2. Yellowness ................................................................................................ 30 6.2. Optimización multiobjetivo ............................................................................. 31 6.2.1. Resolución por el método de la suma ponderada ................................... 32 6.2.2. Resolución por el método de la restricción 𝜀 ........................................... 34 6.2.3. Resolución por el método NSGA-II ........................................................... 36 6.2.4. Análisis de las soluciones .......................................................................... 37 iv 7. Conclusiones............................................................................................................ 41 8. Bibliografía .............................................................................................................. 43 Anexo I. Soluciones del frente de Pareto proporcionadas por NSGA-II ......................... 47 Anexo II. Código .............................................................................................................. 52 v Índice de Figuras Figura 1. Patatas fritas en freidora de aceite ................................................................... 2 Figura 2. Ilustración del tipo de soluciones en un problema de optimización multiobjetivo con dos objetivos a minimizar .................................................................... 8 Figura 3. Esquema del procedimiento NSGA-II. Fuente (Deb and Deb, 2014) ............... 10 Figura 4. Correlación acrilamida-parámetro redness. Figura de (Mesias et al., 2019) adaptada. Valores críticos representados por la línea roja ........................................... 18 Figura 5. Efecto de las condiciones de fritura en el parámetro “a” de las patatas fritas. Extraída de (M.K. Krokida et al., 2001) ........................................................................... 19 Figura 6. Ilustración ejemplo de una freidora Premium para uso en grandes cocinas .. 23 Figura 7. Curvas de nivel de la región factible del balance de calor frente a tiempo y temperatura.................................................................................................................... 27 Figura 8. Curvas de nivel de la región factible yellowness frente a tiempo y temperatura ........................................................................................................................................ 30 Figura 9. Soluciones del frente de Pareto mediante el método de la suma ponderada. El color de los puntos representa el valor de la restricción de contenido en humedad en base seca ........................................................................................................................ 33 Figura 10. Soluciones del frente de Pareto mediante el método de la restricción 𝝐. El color de los puntos representa el valor de la restricción del contenido en humedad en base seca ........................................................................................................................ 35 Figura 11. Soluciones del Frente Pareto obtenidas con el método NSGA-II. El color de los puntos representa el valor de la restricción del contenido en humedad en base seca .. 36 Figura 12. Comparación de los frentes de Pareto obtenidos por los métodos restricción𝜖 y NSGA-II ..................................................................................................................... 37 Figura 13. Soluciones del Frente Pareto obtenidas con el método NSGA-II. El color de los puntos representa el valor de la restricción de redness. ................................................ 38 Figura 14. Soluciones del frente de Pareto proporcionadas por NSGA-II en el espacio de las variables de decisión. El color de los puntos representa el valor de las restricciones: Contenido en humedad en base seca (arriba) y redness (abajo). .................................. 39 vi Índice de Tablas Tabla 1. Pseudocódigo de NSGA-II. Fuente (Matnei Filho and Vergilio, 2016) .............. 11 Tabla 2. Parámetros de las ecuaciones presentadas ..................................................... 22 Tabla 3. Métodos matemáticos utilizados en la resolución de la propuesta ................. 24 Tabla 4. Contribución de los distintos términos del balance de calor para diferentes combinaciones de tiempo y temperatura. ...................................................................... 28 Tabla 5. Soluciones del frente de Pareto mediante el método de la suma ponderada. . 33 1 1. Motivación y objetivos La mejora de la eficiencia de procesos industriales es uno de los objetivos clave en el desarrollo profesional de la ingeniería. Esta mejora redunda en productos de más calidad, más sostenibles, reducción de costes y, en muchas ocasiones, en el avance del conocimiento del propio proceso. El análisis puede llevarse a cabo usando herramientas matemáticas cuantitativas que describan el proceso en función de distintas condiciones de operación y/o diseño y permitan, por tanto, predecir qué condiciones serán las óptimas según los objetivos planteados. En la optimización matemática de procesos se requiere tanto de modelos matemáticos que describan el proceso como de herramientas de optimización numérica. “Por ello, se están estudiando y consolidando sofisticados métodos y estrategias de optimización, control y automatización de procesos que buscan explotar el máximo potencial de las unidades involucradas” (Peña, 2015). En el caso de procesos relacionados con la industria alimentaria, la optimización, a la que hacíamos referencia, es especialmente crítica por los altos estándares de calidad y robustez exigidos, ya que entran en juego variables fundamentales como la calidad nutricional y la seguridad alimentarias, que inciden directamente en la salud de los consumidores. En estos procesos suelen aparecer restricciones de seguridad, calidad y/o medioambientales que hacen que su optimización sea especialmente compleja. Adicionalmente, los modelos que describen los procesos alimentarios suelen ser no lineales y dinámicos, son procesos muy complejos que necesitan modelos complejos. Por otro lado, suelen contemplar más de un objetivo a la vez. Todo esto hace necesario recurrir a herramientas numéricas avanzadas. En este trabajo abordaremos la optimización multiobjetivo de un proceso de fritura de patatas (Figura 1), de interés tanto a nivel industrial y de restauración como doméstico, considerando dos objetivos: minimización del coste energético y maximización de un parámetro de calidad alimentaria cuyo indicador está relacionado con el color del producto. A este problema se han añadido dos restricciones adicionales: una de calidad relacionada con el contenido de humedad final en la patata (y por tanto con su textura), y otra de seguridad relacionada con la formación de acrilamida, controlada a través de su correlación con otro parámetro de color, distinto al que mide la calidad. 2 Figura 1. Patatas fritas en freidora de aceite Por tanto, nuestro objetivo visto desde un punto de vista general puede describirse como la optimización de un proceso industrial haciendo uso tanto de la modelización matemática como de la optimización numérica. En nuestro caso, este objetivo se plasma en un caso particular, más concretamente, en el proceso de fritura de patatas, que es un como veremos, un proceso complejo, no lineal y multiobjetivo. 3 2. Resumen En este trabajo se ha abordado la optimización multiobjetivo de un proceso de fritura de patatas en aceite. Para ello utilizaremos la modelización matemática, así como diversos recursos computacionales. Los objetivos considerados han sido el coste energético del proceso, que asimismo influye directamente en el coste económico y medioambiental, y un parámetro de calidad relacionado con el color del producto final denominado “yellowness” (amarillez en castellano). Las variables de diseño a considerar han sido la temperatura de fritura y el tiempo empleado en el proceso de fritura a temperatura constante. El objetivo energético ha sido a su vez subdividido en varios términos: calentamiento de aceite de temperatura ambiente a temperatura de trabajo, calentamiento del contenido de agua de la patata, calor latente de vaporización de parte de dicho contenido, calor sensible de calentamiento de la materia seca de la patata y pérdidas por radiación. En cuanto a las restricciones consideradas en el problema de optimización, se han añadido dos basadas en los datos aportados por la bibliografía relacionada: contenido de humedad del producto final, que debe ser inferior al 70% para asegurar una textura adecuada, y valor de otro parámetro de color, “redness”, que muestra una alta correlación con el compuesto tóxico acrilamida, el cual se forma en muchos procesos a alta temperatura con productos que contienen hidratos de carbono y asparagina, como es el caso de la patata. Todos estos objetivos y restricciones están descritos por modelos matemáticos dinámicos basados en balances de calor, de materia, relaciones semi-empíricas y ecuaciones cinéticas que se han usado en la formulación del problema multiobjetivo y que hemos resuelto con tres algoritmos de optimización numérica específicos para este tipo de problemas: suma ponderada, restricción ε y NSGA-II. Como pasos previos, hemos realizado un análisis individual de las funciones objetivo y de las restricciones mediante simulación y optimización, en este caso mono-objetivo, en el rango de temperatura y tiempo, para analizar sus dinámicas y sensibilidad a cambios en dichas variables. Como veremos, se modelizan relaciones de parámetros con la temperatura en base a datos experimentales para ser incluidos en la optimización e incluso se re-parametriza uno de los modelos de la bibliografía para hacerlo más robusto en las condiciones de trabajo consideradas. Los resultados de la aplicación de esta metodología se muestran en el frente Pareto de soluciones no dominadas (en las que un objetivo no puede ser mejorado sin perjudicar al otro) como herramienta de decisión para diseñadores de este tipo procesos. El análisis de las soluciones indica que casi no existen soluciones que requieran tratamientos a bajas temperaturas y tiempos cortos, y tampoco para temperaturas superiores a 185 ºC. La mayoría de las soluciones se sitúan en el tiempo máximo (600 segundos) donde el cambio de temperatura es el factor decisivo en la selección del frente de Pareto. 4 3. Introducción En el campo de la ingeniería, la exigencia cada vez mayor de reducir los costes de producción para hacer frente a la competencia mundial ha conducido a la búsqueda de métodos rigurosos de toma de decisiones, como los métodos de optimización, para diseñar y producir productos y sistemas de forma económica y eficiente (Rao, 2009). En los procesos productivos modernos existen otros objetivos a perseguir relacionados con la calidad, sostenibilidad y seguridad que son cada vez más demandados y valorados por los consumidores. Como concepto básico, “la optimización consiste en elegir la mejor alternativa entre un conjunto específico de alternativas”,(Erdoğdu, 2008) La optimización implica una tarea eficiente y sistemática que debe tener en cuenta los siguientes elementos (Banga et al., 2003): Se necesita una función objetivo que proporcione una medida de rendimiento cuantitativa escalar que deba minimizarse o maximizarse. Este puede ser, como ejemplo el coste o la sostenibilidad del sistema, así como otras o combinaciones de las mismas. Como ejemplo, en un problema de optimización en una planta de tratamiento de aguas residuales se puede formular el objetivo de máxima calidad del efluente o mínimo gasto energético. Se requiere un modelo predictivo que describa el comportamiento del sistema y que consta de una serie de ecuaciones y variables que proporcionan salidas o resultados en función de los valores que toman estas variables. Estos modelos pueden ser mecanísticos, basados en balances de materia, energía, momento así como en cinéticas químicas, o empíricos, reflejando relaciones cuantitativas entre variables basadas en datos (por ejemplo, modelos de regresión). En muchos casos de aplicación reales se combinan los modelos mecanísticos con los empíricos. Las variables que aparecen en el modelo predictivo simbolizan todas las magnitudes que están influyendo en las respuestas. En el ejemplo anterior de tratamiento de aguas residuales, algunos ejemplos de variables pueden ser la potencia de aireación, la altura del decantador de lodos u otras de naturaleza binaria como por ejemplo la apertura de una válvula de purga (sí/no). Las variables no deben confundirse con los parámetros, que son valores generalmente invariantes con el tiempo y caracterizan propiedades físico/químicas. Un ejemplo de parámetro puede ser la carga inicial de nitrógeno que lleva el agua residual, o el orden de reacción en una reacción redox. En los problemas de optimización suelen aparecer unas funciones adicionales a la función objetivo denominadas restricciones que definen resultados que son no factibles por razones técnicas, medioambientales o de otro tipo. En el ejemplo anterior, una restricción podría ser que la cantidad de un contaminante en concreto a la salida de la planta no puede ser superior a un límite establecido en la legislación. O que la potencia eléctrica derivada de aireación y bombeo no puede ser superior a la capacidad de la planta. 5 3.1. Optimización multiobjetivo en Ingeniería de alimentos La ingeniería alimentaría ha recibido un creciente interés por sus implicaciones a nivel económico y sanitario. Siguiendo a Erdoğdu: “La ingeniería alimentaria ha cobrado cada vez más importancia en las dos últimas décadas. Se han utilizado modelos matemáticos para comprender mejor y mejorar las operaciones de procesado de alimentos, y en este concepto han desempeñado un papel importante diversos enfoques de optimización. Como resultado, se ha producido un aumento espectacular de la eficacia y fiabilidad de los métodos de optimización para diferentes categorías de problemas”, (Erdoğdu, 2008) Las condiciones óptimas de funcionamiento en la industria alimentaria suelen buscarse para garantizar los máximos beneficios y la calidad del producto, con sujeción a las restricciones derivadas de cuestiones de seguridad alimentaria y, a menudo, de la normativa medioambiental. Sin embargo, la naturaleza dinámica, no lineal y altamente restringida de los modelos de procesamiento de alimentos puede convertir la optimización de estos procesos en una tarea compleja (Banga et al., 2003; García et al., 2006). En la mayoría de los procesos industriales alimentarios suele haber más de un objetivo a optimizar como pueden ser la calidad del producto, el coste del proceso, la seguridad, la durabilidad, etc. En muchas ocasiones estos criterios suelen ser opuestos, como, por ejemplo, la economía del proceso, los parámetros de calidad o los índices medioambientales por lo que no hay una única solución óptima, no se pueden optimizar ambos criterios simultáneamente, sino que es necesario hacer una elección. El enfoque multiobjetivo se utiliza para encontrar el mejor conjunto de soluciones para un problema con múltiples objetivos. Estas soluciones se conocen como soluciones no dominadas u óptimas de Pareto (Steuer, 1986). Cada una de estas soluciones no tiene ninguna ventaja previa sobre otras soluciones óptimas de Pareto, por lo que el objetivo de la optimización multiobjetivo es generar tantas soluciones como sea posible para evaluar y priorizar las compensaciones óptimas entre los distintos objetivos (Abakarov et al., 2009). Existen numerosos ejemplos de enfoques multiobjetivo para resolver problemas de optimización en la industria de la ingeniería alimentaria. (Vilas et al., 2020) trataron de maximizar la calidad y seguridad de los alimentos mediante el desarrollo de sistemas inteligentes de envasado activo que optimizan el diseño del envase de los alimentos y la predicción de la vida útil prevista a lo largo de la cadena alimentaria. (Holdsworth and Simpson, 2016) obtuvieron un conjunto de soluciones Pareto-óptimas para el tiempo de procesado, la retención de calidad y la pérdida de textura bajo criterios específicos de la temperatura de procesado.(Gergely et al., 2003) utilizaron este enfoque para mejorar la filtración del vino. (Sendín et al., 2010) lo utilizaron para maximizar la retención de varios nutrientes y factores de calidad y minimizar el tiempo total del proceso. (Kiranoudis and Markatos, 2000) consideraron el enfoque multiobjetivo para diseñar el proceso de un secadero de cinta transportadora utilizando no sólo variables estructurales y operativas del proceso, sino también la calidad de las patatas tratadas. En la misma línea, (Olmos et al., 2002) utilizaron este enfoque para optimizar el tiempo de secado maximizando la calidad del producto y (Winiczenko et al., 2018) estudiaron el efecto de la temperatura de secado y la velocidad del aire sobre los 6 parámetros de calidad de la manzana, como la diferencia de color, la relación de volumen y la capacidad de absorción de agua en el secado convectivo. Recientemente, (Peñalver-Soto et al., 2022) llevaron a cabo la optimización multiobjetivo de un proceso de fritura de patata para optimizar simultáneamente unos parámetros de calidad y adicionalmente el contenido en acrilamida. 7 4. Optimización multiobjetivo 4.1. Formulación matemática del problema Las Ecuaciones (1)-(3) definen la formulación matemática general de un problema de optimización multiobjetivo dinámico donde algunas de las variables cambian con el tiempo: min 𝐹(x(𝑡𝑓), v) v (1) Sujeto a: 𝑔(x(𝑡𝑓), v) ≤ 0 (2) v𝐼 ≤ v ≤ v𝑆 (3) donde el vector de funciones objetivo F (Ecuación (1)), contiene todos los objetivos considerados en el problema; x(𝑡𝑓) es el vector de variables de estado (por ejemplo, la amarillez), que en este trabajo se evalúa al finalizar el proceso, esto es, a tiempo final; v es el vector de variables de decisión, como por ejemplo la temperatura y el tiempo total de proceso en nuestro caso de estudio. La ecuación (2) representa las restricciones de desigualdad, que aquí son consideradas al final del proceso (aunque en otras aplicaciones podrían evaluarse en otros tiempos). Por último, la ecuación (3) corresponde a los límites inferior y superior de las variables de decisión. 4.2. Métodos de resolución Cuando se definen múltiples objetivos en un problema de optimización, se pretende obtener no una única solución óptima sino el conjunto de soluciones óptimas según todos los objetivos. Estas soluciones se conocen como soluciones no dominadas u óptimas de Pareto (Steuer, 1986), que pueden definirse como aquellas que forman el conjunto en el cual ninguna solución puede ser mejorada en al menos un objetivo sin empeorar en al menos otro objetivo. Es decir, considerando el problema general de optimización min 𝑋 𝐹(𝑥),siendo 𝐹: ℝ𝑛 ⟶ ℝ𝑚, tal que 𝐹(𝑥) = (𝑓1(𝑥), 𝑓2,(𝑥), . . . , 𝑓𝑚(𝑥)) . Diremos que una solución 𝑥1 domina a otra solución 𝑥2 si 𝐹(𝑥1) ≤ 𝐹(𝑥2) y 𝑓𝑗(𝑥1) < 𝑓𝑗(𝑥2) para algún 𝑗 ∈ {1,2, . . . , 𝑚}. Obsérvese que, dadas dos soluciones, no necesariamente una debe dominar a la otra. La optimización multiobjetivo genera tantas soluciones como sea posible del frente de Pareto como herramienta de decisión para los operadores del proceso. La Figura 2 muestra el frente de Pareto y representa la frontera del espacio entre las soluciones factibles y no factibles. El frente de Pareto, donde se sitúan las soluciones no dominadas (en verde) representa la frontera de factibilidad del problema. No es posible 8 encontrar soluciones más allá de ese frente. En el caso particular de la Figura 2, donde se pretenden minimizar dos objetivos, no es posible encontrar soluciones bajo el frente de Pareto. Frecuentemente se llama “solución utopía” (en rojo) a aquella que teóricamente produciría el valor óptimo en ambas soluciones por separado. En amarillo se representan las soluciones dominadas, esto es, aquellas en las que un objetivo puede ser mejorado sin perjudicar el otro. Estas soluciones son sub-óptimas desde el punto de vista de la optimización multiobjetivo. Figura 2. Ilustración del tipo de soluciones en un problema de optimización multiobjetivo con dos objetivos a minimizar El frente de Pareto sólo se puede calcular analíticamente en problemas muy simples. En la mayoría de casos industriales, que tratan problemas complejos, es necesario recurrir a aproximaciones numéricas para su obtención. Existen varios métodos para resolver estos problemas. Esta tesis recoge de forma breve dos métodos clásicos y un método evolutivo que son los que se han contemplado en el desarrollo de los estudios. Para un listado exhaustivo de métodos de resolución de optimización multiobjetivo se puede consultar, por ejemplo el trabajo de Marler y Arora (Marler and Arora, 2004) 9 4.2.1. Método de la suma ponderada El método de la suma ponderada, como su nombre indica, convierte un conjunto de objetivos en un único objetivo multiplicando previamente cada objetivo por un peso proporcionado por el usuario. Es habitual normalizar las funciones objetivo previamente para evitar sesgos por posibles diferencias en órdenes de magnitud de las unidades. Se forma una función objetivo compuesta sumando los objetivos normalizados ponderados y el problema se convierte en un problema de optimización de un solo objetivo. Los valores de los pesos que ponderan los objetivos se van variando, resolviendo cada vez un problema de optimización de un solo objetivo para generar así diferentes puntos del frente Pareto. Cabe destacar que diferentes combinaciones de los pesos pueden conducir al mismo punto del frente de Pareto y que este método puede ser poco eficiente con funciones objetivo y/o restricciones no lineales. Para más información sobre este método consultar, por ejemplo (Chankong and Haimes, 2008). 4.2.2. Método de la restricción 𝜺 Este método mejora al de la suma ponderada en problemas con espacios de objetivos no convexos. (Haimes et al., 1971) reformularon el problema de la suma ponderada manteniendo sólo uno de los objetivos y restringiendo el resto de los objetivos dentro de los valores especificados por el usuario según el parámetro εi, que representa un límite superior del valor de cada objetivo re-definido como restricción. Una de las dificultades de este método es que la solución del problema planteado depende en gran medida del vector ε elegido, en algunos casos el problema no tendrá solución. Una aproximación inicial consiste en realizar optimizaciones mono-objetivo con cada uno de los objetivos para tener una idea aproximada de qué valores mínimos puede alcanzar cada uno. Como en el método descrito anteriormente, el problema se resuelve muchas veces cambiando los valores de εi. 4.2.3. Método de optimización evolutiva multiobjetivo (EMO) El método de optimización utilizado en este trabajo es el denominado Non-dominated Sorting Genetic Algorithm - NSGA-II (Deb et al., 2002) que realiza un procedimiento de ordenación no dominante usando conceptos de algoritmos genéticos. Los algoritmos genéticos (Goldberg, 1989) son métodos de optimización denominados como evolutivos en los que se generan una serie de soluciones en cada iteración, derivadas de las de la iteración anterior, y las sustituyen si las mejoran. Esta mejora suele estar basada en principios de calidad (mejoran valores de función objetivo) o diversidad. Los algoritmos de segunda generación, como es el caso de NSGA-II, enfatizan la eficiencia computacional. Se busca vencer la complejidad de la jerarquización de Pareto (O( kM2)), donde k es el número de funciones objetivo y M es el tamaño de la población) y de las técnicas tradicionales de nichos (O (M2)) (Coello Coello et al., 2007). NSGA-II trabaja utilizando un principio elitista (las mejores soluciones siempre son las que pasan a la siguiente generación), utiliza un mecanismo explícito de preservación de 10 la diversidad (para evitar que todas las soluciones converjan a una única y tener así un frente de Pareto lo más amplio posible) y hace hincapié en las soluciones no dominadas. El esquema del procedimiento del algoritmo se observa en la Figura 3. Figura 3. Esquema del procedimiento NSGA-II. Fuente (Deb and Deb, 2014) Siguiendo el esquema, la población de descendientes, llamada Qt, se crea utilizando la población de progenitores Pt. Una vez generada la población de descendientes, se combina con la población de progenitores para formar Rt, de tamaño 2N (donde N es el tamaño de la población o número de soluciones que pasan a la siguiente generación). A continuación, se realiza una clasificación no dominante y la nueva población se rellena con soluciones de diferentes frentes no dominantes, de uno en uno, comenzando con el mejor frente no dominante y continuando con soluciones del segundo frente no dominante, seguido por el tercer frente no dominante, y así sucesivamente. Tras esa ordenación, solo las primeras N soluciones pasan a la siguiente generación como progenitores Pt+1. Cabe destacar que los miembros del último frente aceptable que pasan a la siguiente generación, se eligen según un criterio de máxima diversidad, no de calidad. El proceso se repite iterativamente durante un cierto número de evaluaciones o de tiempo de computación obteniendo finalmente un frente de soluciones que en muchos casos es el frente de Pareto. NSGA-II ha sido aplicado con éxito a un gran número de problemas de ingeniería como se refleja en la reciente revisión de (Ma et al., 2023). En la Tabla 1 se detalla el pseudocódigo del algoritmo NSGA-II donde se muestra cómo se inicializa el algoritmo, cómo se genera la población descendiente con la función “non dominated sorting”, clasificación no dominante, y cómo se clasifica por distancia de aglomeración, “crowding distance sorting”. 11 Tabla 1. Pseudocódigo de NSGA-II. Fuente (Matnei Filho and Vergilio, 2016) Método NSGA-II Input: N’, g, fk(X) N’ miembros evolucionan a g generaciones para resolver fk(X) 1 Inicializar población P’; 2 Generar población aleatoria – tamaño N’; 3 Evaluar valores objetivos; 4 Asignar rango (nivel) basado en el frente de Pareto; 5 Generar población de descendientes; 6 Selección de elementos a combinar; 7 Recombinación y Mutación; 8 for i=1 hasta g do 9 for cada Progenitor y Descendiente en la población do: 10 Asignar rango (nivel) basado en el frente de Pareto; 11 Generar conjuntos de soluciones no-dominadas; 12 Determinar distancia de aglomeración; 13 Bucle (interior) añadiendo soluciones a la siguiente generación a partir de la primera hasta N’ individuos; 14 end 15 Seleccionarlos puntos de la parte frontal inferior con una distancia de aglomeración elevada 16 Crear siguiente generación; 17 Selección de elementos a combinar; 18 Recombinación y Mutación; 19 end 12 13 5. Caso de estudio 5.1. El proceso de fritura de patatas El presente estudio se centra en el proceso de la fritura de las patatas fritas. Siendo la patata uno de los cuatros cultivos alimenticios más importantes del mundo no es de extrañar que a lo largo de los años se hayan desarrollado múltiples maneras de cocinarla para aprovechar su sabor y beneficios nutricionales. Entre las técnicas más usadas en la elaboración de alimentos se encuentra la fritura. Las patatas fritas se han convertido en uno de los acompañamientos indispensables en las mesas de los usuarios. En 2022 en España, el consumo de patatas fritas, junto con otros aperitivos salados supuso el 55,1% del volumen de aperitivos consumidos, según el informe del consumo alimentario en España, emitido por el Ministerio de Agricultura, Pesca y Alimentación del Gobierno de España (MAPA, 2022) Además de tratarse de un producto culinario casi del día a día en los hogares, es un elemento clave de venta en las franquicias de restaurantes de comida rápida como McDonald’s, Burger King, KFC, entre otros. La alta popularidad y consumo de este producto justifica la necesidad de avanzar en el conocimiento y mejorar el proceso. Según (M K Krokida et al., 2001), en los últimos años el término “calidad” considerado como una serie de parámetros del material de fritura, se ha vuelto necesario para predecir el tiempo de fritura y para modelar el proceso. Muchos estudios se han centrado en análisis particulares de alguna propiedad del producto en el contexto del proceso de fritura, pero dada la complejidad del mismo se recomienda un enfoque integrado que considere todos los aspectos simultáneamente (Saguy and Dana, 2003). A continuación, se detallan algunas de las propiedades relacionadas con la calidad de la patata frita. Contenido de humedad. En el proceso de la fritura, las altas temperaturas generan una evaporación del agua haciendo que el alimento absorba el aceite. Se trata de una propiedad importante de calidad por su correlación con la textura de la patata. Como es de esperar, la pérdida de agua incrementa con la temperatura y el tiempo de fritura. Contenido de aceite. En los últimos años el contenido de aceite se ha convertido en uno de los parámetros de calidad más importantes de las patatas fritas debido a la preocupación de los consumidores por adquirir productos bajos en grasas. Generalmente un proceso de fritura severo, a temperaturas altas, disminuye la absorción de aceite. Color. El color de la patata frita es uno de los factores de calidad más significativos. La percepción visual constituye el principal factor de selección de un alimento ya que, en primera instancia, proporciona información de la buena o mala calidad del producto. Por otro lado, (Pedreschi, 2012) indica en su trabajo que “la concentración de acrilamida muestra una buena correlación lineal con el color de las patatas fritas”. Es también, por este motivo, que el color de la patata adquiere tanta importancia. Propiedades mecánicas. El crujiente y la dureza son algunas de las propiedades físicas más importantes. Los procesos químicos relacionados con la transferencia 14 de calor y masa que tienen lugar durante la fritura afectan a las propiedades mecánicas de la patata. Porosidad y volumen. Son también propiedades importantes por su correlación con las propiedades mecánicas. Rugosidad. Esta propiedad física afecta a los procesos de transferencia de calor y masa relacionados con las superficies de los alimentos. De entre todas las propiedades descritas previamente, el presente trabajo se centra principalmente en el contenido de humedad y en el color, tanto por su relación con la apariencia visual (calidad) como por su relación con el contenido en acrilamida (potencial toxicidad). 5.2. Modelos matemáticos que describen el problema 5.2.1. Balance de energía En todo proceso industrial, el coste monetario de producción/fabricación es uno de los parámetros más importantes de controlar y reducir. El coste asociado a la fritura de la patata está relacionado con la energía necesaria para llevar a cabo tal transformación, ya que la facturación energética dependerá a su vez de la potencia necesaria. La energía, evaluada en kJ, constará de cuatro términos que componen el balance de calor, según indica la Ecuación (4). 𝐸 = 𝐸1 + 𝐸2 + 𝐸3 + 𝐸4 (4) El primer término, 𝐸1, representa la energía requerida para calentar el aceite desde su temperatura inicial, que coincide con la temperatura ambiente, Tamb (C), hasta la temperatura de trabajo, T(C). De este modo, es preciso conocer el volumen de aceite que se introduce en la freidora, 𝑉 (cm3), su densidad, 𝜌𝑎𝑐𝑒 (kg/ cm 3) y su capacidad calorífica, 𝐶𝑃,𝑎𝑐𝑒 (kJ/kgC), (Moran and Shapiro, 2004). 𝐸1 = 𝑉𝜌𝑎𝑐𝑒𝐶𝑃,𝑎𝑐𝑒(𝑇 − 𝑇𝑎𝑚𝑏) (5) El segundo sumando hace referencia a la energía necesaria para evaporar el agua de la patata. Durante la fritura, la patata va perdiendo agua por evaporación, permitiendo obtener un determinado nivel de crujiente. Esta evaporación viene definida por la Ecuación (6) , donde mwat es la masa de agua evaporada (kg), cv,wat, el calor latente de vaporización del agua (kJ/kg), mwat,ini la cantidad de agua al iniciar el proceso (kg) y mwat,fin la masa de agua al finalizar la fritura (kg). A su vez, mpat (kg) es la masa de patata que se introduce en la freidora, ℎ𝑢𝑚0,ℎ es el porcentaje de agua inicial en la patata en base humeda y ℎ𝑢𝑚𝑡,𝑇,ℎ es el porcentaje de agua en la patata en base húmeda cuando se la ha sometido a una temperatura 𝑇 (C ) durante un tiempo 𝑡 (s), (Moran and Shapiro, 2004). 15 𝐸2 = 𝑚𝑤𝑎𝑡𝑐𝑣,𝑤𝑎𝑡 = (𝑚𝑤𝑎𝑡,𝑖𝑛𝑖 − 𝑚𝑤𝑎𝑡,𝑓𝑖𝑛)𝑐𝑣,𝑤𝑎𝑡 = [(𝑚𝑝𝑎𝑡ℎ𝑢𝑚0,ℎ) − (𝑚𝑝𝑟𝑜𝑑ℎ𝑢𝑚𝑡,𝑇,𝑠)]𝑐𝑣,𝑤𝑎𝑡 (6) El tercer componente de la Ecuación (4) muestra el calor sensible, que es la energía térmica asociada con el cambio en la temperatura de la patata. Es decir, es la cantidad de calor necesaria para aumentar la temperatura del producto desde la temperatura ambiente, Tamb (C) hasta 100C y de 100C a la temperatura de trabajo T(C), (Moran and Shapiro, 2004). En la Ecuación (7), mprod (kg) hace referencia al producto sólido, sin agua, por tanto se obtiene como la diferencia entre la masa de la patata, mpat y la cantidad de agua inicial, mwat,ini. 𝐸3 = 𝑚𝑝𝑟𝑜𝑑𝑐𝑝,𝑝𝑎𝑡,𝑇𝑎𝑚𝑏(100 − 𝑇𝑎𝑚𝑏) + 𝑚𝑝𝑟𝑜𝑑𝑐𝑝,𝑝𝑎𝑡,𝑇(𝑇 − 100) ; 𝑚𝑝𝑟𝑜𝑑 = 𝑚𝑝𝑎𝑡 − 𝑚𝑤𝑎𝑡,𝑖𝑛𝑖 (7) En la ecuación (7), cp,pat,Tamb (kJ/kgC) es la capacidad calorífica de la patata en el intervalo de temperatura de Tamb a 100ºC, y cp,pat,T (kJ/kgC) es su capacidad calorífica desde 100ºC hasta T. Durante el proceso de fritura, las pérdidas de energía se deben principalmente a la radiación al entorno. “Suponiendo que el aceite se comporta como un cuerpo negro con emisividad y factor de configuración iguales a la unidad, los valores máximos de pérdidas por radiación pueden estimarse a partir de la Ecuación (8)”, (Lioumbas et al., 2012). La ecuación original se ha adaptado multiplicando por el tiempo, t(s) para obtener la energía en kJ. Además, en esta ecuación, las temperaturas se introducen en grados Kelvin, T(K) y Tamb(K). 𝐸4 = 𝑄𝑙𝑜𝑠𝑠 = 𝜎𝐴[(𝑇) 4 − (𝑇𝑎𝑚𝑏) 4] 𝑡 1000 (8) El parámetro σ es la constante de Stefan-Boltzmann (𝑊 (𝑚2 𝐾4))⁄ y A (m2) es el área del cuerpo emisor. En este caso, el área del cuerpo emisor hace referencia a la cara superior de la freidora donde el aceite entra en contacto con el ambiente. En el artículo de referencia, los autoresconsideraron que estas pérdidas se podían considerar despreciables en una primera aproximación. Sin embargo, a lo largo del presente trabajo las hemos tenido en cuenta para tener una mejor aproximación. 16 5.2.2. Contenido de humedad Muchos son los modelos matemáticos utilizados que podemos encontrar en la bibliografía para definir el proceso de la fritura de la patata. Por ejemplo, (Pedreschi et al., 2005) presentan en su libro la posibilidad de modelizar la pérdida de agua durante el proceso de fritura mediante dos modelos. El primero, basado en las leyes de Fick, supone un valor constante del coeficiente de difusión de la humedad, Deff. Por otro lado, el segundo modelo “considera que las propiedades físicas de la patata frita varían con los cambios de temperatura y humedad durante el proceso de fritura”, (Pedreschi et al., 2005). Este segundo enfoque parece el más adecuado dada las propiedades del producto considerado y, especialmente, los grosores típicos de la patata frita comercial (entre 10 y 15 mm). Por esta razón, en el presente estudio, se ha optado por considerar el modelo semi-empírico propuesto por (Krokida et al., 2000), resumido en la Ecuación (9). 𝑋 = 𝑋𝑒 + (𝑋0 − 𝑋𝑒)𝑒 −𝑘𝑥𝑡 (9) Donde Xe, es el valor de la humedad en el equilibrio y se define según la Ecuación (10). 𝑋𝑒 = 0.54 [ 𝑇 170 ] −3.63 [ 𝑑 10 ] 0.89 (10) Y kx (min-1), que es la contante cinética, se determina siguiendo la Ecuación (11). 𝑘𝑥 = 0.78 [ 𝑇 170 ] 1.61 [ 𝑑 10 ] −2.27 (11) Donde d es el espesor de la patata frita en mm (en este trabajo d=10), t es el tiempo en minutos, T es la temperatura en C y X0 es el valor inicial de la humedad de la patata en base seca, que ha sido seleccionado como 3.9 g agua/g sólido según (Krokida et al., 2000). Se ha de tener en cuenta que la Ecuación (9) maneja los valores de humedad en base seca (masa de agua entre masa de materia sólida), aun cuando en otras expresiones se contabiliza en base húmeda (masa de agua entre masa total). Para la conversión de una a otra se utiliza la Ecuación (12). ℎ𝑢𝑚𝑠 = ℎ𝑢𝑚ℎ (100 − ℎ𝑢𝑚ℎ) (12) Donde ℎ𝑢𝑚ℎ es la humedad en base húmeda expresada como porcentaje. Así pues, la humedad inicial considerada en este trabajo ℎ𝑢𝑚𝑠 = 3.9 como se indica más arriba, corresponde con un valor de ℎ𝑢𝑚ℎ = 79.6%. 17 5.2.3. Propiedades ópticas: Amarillez (yellowness) El color de los productos fritos es uno de los factores de calidad más tenidos en cuenta en la aceptación de un producto. Los factores que afectan a la cinética del color incluyen las condiciones de fritura, es decir, la temperatura del aceite, el tipo de aceite utilizado como medio de fritura, el grosor de la muestra y el tipo de pretratamiento (M. K. Krokida et al., 2001). Los espacios de color suelen modelar los colores que puede percibir el ojo humano. Aunque existen muchos espacios de color para modelizar la visión humana, uno de los más extendidos es el modelo cromático CIELAB, comúnmente conocido como LAB (Darge et al., 2019). El modelo LAB es un modelo tridimensional que viene definitivo por tres parámetros: L, lightness. Representa la luminosidad del color en una escala de 0 (negro) a 100 (blanco). a, redness-greenness. Indica la posición entre el rojo (positivo) y el verde (negativo). b, yellowness-blueness. Indica la posición entre el amarillo (positivo) y el azul (negativo). El modelo matemático descrito para la amarillez (b), por (M. K. Krokida et al., 2001) se resume con la Ecuación (13). 𝑏 = 𝑏𝑒 + (𝑏0 − 𝑏𝑒)𝑒 −𝑘𝑏𝑡 (13) Donde be, es el valor de la amarillez en el equilibrio y se define según la Ecuación (14). 𝑏𝑒 = 36.2 [ 𝑇 170 ] 1.012 [ 𝑑 10 ] −0.2 (14) Y kb (min-1), que es la contante de velocidad, se determina siguiendo la Ecuación (15). 𝑘𝑏 = 0.12 [ 𝑇 170 ] 2.49 [ 𝑑 10 ] −0.44 (15) De nuevo, d es el espesor de la patata frita en mm, t es el tiempo en minutos, T es la temperatura en C y b0 es el valor inicial de la amarillez, que ha sido seleccionado como 20.55 según (M.K. Krokida et al., 2001). 18 5.2.4. Acrilamida. Correlación con redness Durante los tratamientos térmicos aplicados a los alimentos se puede dar lugar a la formación de productos químicos nocivos para la salud que es necesario controlar y limitar. Algunos de ellos, como la acrilamida, están clasificados como posible cancerígeno para el ser humano. La acrilamida es una sustancia química que se forma principalmente por la presencia de los azúcares y aminoácidos presentes en los alimentos ricos en almidón cuando éstos son sometidos a procesos de cocinado a alta temperatura. En 2017, la Comisión Europea estableció niveles de referencia para los alimentos más propicios en la formación de acrilamida, siendo 500 μg/kg el límite fijado para las patatas fritas. (Mesias et al., 2019) ajustaron en su artículo, mediante regresión lineal, el contenido de acrilamida con el parámetro de color rojez, a, Figura 4 . De este modo, en el presente trabajo se tratará de limitar el valor de redness ya que, en general, un incremento del parámetro rojez no es deseado porque está correlacionado con la formación de acrilamida. Figura 4. Correlación acrilamida-parámetro redness. Figura de (Mesias et al., 2019) adaptada. Valores críticos representados por la línea roja 19 Teniendo en cuenta el límite establecido por la Comisión Europea, el valor de redness, a, no debería superar el 1.3, (ver Figura 4). (M.K. Krokida et al., 2001) estudiaron la evolución del parámetro “a” respecto al tiempo de fritura para distintas temperaturas, Figura 5. Figura 5. Efecto de las condiciones de fritura en el parámetro “a” de las patatas fritas. Extraída de (M.K. Krokida et al., 2001) El modelo matemático descrito para redness (a), por (M. K. Krokida et al., 2001) se presenta en las Ecuaciones (16) - (18). 𝑎 = 𝑎𝑒 + (𝑎0 − 𝑎𝑒)𝑒 −𝑘𝑎𝑡 (16) 𝑎𝑒 = 11.6 [ 𝑇 170 ] 2 [ 𝑑 10 ] −0.7 (17) 𝑘𝑎 = 0.02 [ 𝑇 170 ] −7.4 [ 𝑑 10 ] 0.21 (18) 𝑎𝑒 y 𝑘𝑎 son términos análogos a los definidos en las ecuaciones (14) y (15), respectivamente. Esto es, el valor de redness en equilibrio y la constante de velocidad (min-1). Una vez más, d es el espesor de la patata frita en mm, t es el tiempo y en minutos, T es la temperatura en C y a0 es el valor inicial de la amarillez, que ha sido seleccionado como -6.3 según (M.K. Krokida et al., 2001). La simulación de valores de redness a distintos tiempos y temperatura usando este modelo produjo resultados incoherentes en los que, por ejemplo, para un mismo tiempo se obtienen valores inferiores de redness a temperaturas superiores y viceversa. El 20 ajuste con las condiciones experimentales de (M.K. Krokida et al., 2001) es bueno para esos datos particulares pero no extrapolan adecuadamente. Tras un análisis de las posibles causas podemos concluir que el exponente negativo en la ecuación (18) no tiene sentido desde el punto de vista químico. Ese exponente negativo implicaría que al aumentar la temperatura la constante cinética disminuye, lo cual es contradictorio termodinámicamente hablando. Probablemente la parametrización del modelo elegida por estos autores, así como la no inclusión de restricciones en los parámetros de ajuste llevó a este resultado. Para solventar este problema se realizó un ajuste del modelo extrayendo los datos experimentales de la Figura 5 con la herramienta plotdigitizer1 y realizando nuestro propio ajuste. Teniendo en cuenta que en este trabajo el diámetro de patata considerado es de 10 mm, el tercer término de los productos de las ecuaciones (17) y (18) pasaría a ser la unidad, y el problema de estimación de parámetros se formularía como: min p ∑(𝑦𝑖 − 𝑦�̂�) 2 𝑛 𝑖=1 (19) Sujeto a: p ≥ 0 (20) Donde 𝑦𝑖 es cada uno de los valores deredness los puntos experimentales mostrados en la Figura 5; 𝑦�̂� son los valores predichos de redness según el modelo definido en la ecuación (16); n es el número de puntos experimentales de la Figura 5 (n = 26). El conjunto de parámetros p = 𝑝1, 𝑝2, 𝑝3, 𝑝4 son los parámetros a ajustar en las ecuaciones (17) y (18) modificadas, que quedan de la siguiente forma en el problema de optimización 𝑎𝑒 = 𝑝1 [ 𝑇 170 ] 𝑝3 (21) 𝑘𝑎 = 𝑝2 [ 𝑇 170 ] 𝑝4 (22) Los límites de los parámetros a ajustar se han elegido para que sean no-negativos. La no-negatividad se justifica porque termodinámicamente las constantes cinéticas deberían aumentar con la temperatura y porque a mayores temperaturas se asume que el valor del parámetro de color será mayor o como mínimo igual que a temperaturas inferiores. 1 https://plotdigitizer.com/app https://plotdigitizer.com/app 21 El problema fue resuelto con el algoritmo L-BFGS-B de Byrd et. al. (1995) implementado en la función optim de R, que implementa una modificación del método BFGS quasi Newton. Este algoritmo permite introducir límites inferior y superior en las variables. El procedimiento de optimización empleado utiliza una metodología multi-arranque para encontrar el óptimo global en un problema que mostró ser multi-modal en ejecuciones previas. Se generaron 1000 combinaciones aleatorias de valores iniciales de los parámetros contenidos en los límites inferior y superior y se ejecutó el algoritmo desde todos ellos, quedándonos con la solución que proporcionaba el mejor valor de la función objetivo (Ecuación (19)). Los valores de los parámetros óptimos fueron 𝑝1 = 4.464, 𝑝2 = 0.042, 𝑝3 = 14.33, 𝑝4 = 0. Cabe destacar que, según este ajuste, el valor de la constante cinética 𝑘𝑎 sería independiente de la temperatura. En cualquier caso, la parametrización del modelo tiene mala identificalidad y en futuros trabajos debería abordarse la misma. 5.2.5. Resumen de variables, unidades y valores numéricos del caso de estudio En esta sección se resumen los parámetros, así como sus valores numéricos particulares elegidos para llevar a cabo nuestro caso de estudio, se presentan en la Tabla 2. Cabe recordar que todos estos valores de parámetros no provienen de un trabajo experimental que se haya realizado en este estudio, sino que proceden de datos bibliográficos publicados referentes al mismo proceso. Los datos han sido extraídos de los siguientes artículos: (Fundación Española de la Nutrición, 2014; Lioumbas et al., 2012; Yamsaengsung and Saibandith, 2020). 22 Tabla 2. Parámetros de las ecuaciones presentadas Parámetro Unidades Valor Descripción V cm3 22x103 Volumen de aceite en freidora modelo Premium diseñada para uso en grandes cocinas (ver Figura 6). ρace kg/ cm3 0.92x10-3 Densidad aceite de girasol Cp,ace kJ/kgC 1.97 Capacidad calorífica aceite de girasol Tamb C 25 Temperatura ambiente mpat kg 5 Masa de patata introducida en freidora hum0,h % 79.6 Porcentaje de agua inicial en la patata en base húmeda cv,wat kJ/kg 2256 Calor latente de vaporización del agua Cp,pat,Tamb kJ/kgC 2.9 Capacidad calorífica de la patata a temperatura ambiente Cp,pat,T kJ/kgC 1.2 Capacidad calorífica de la patata de T=100 C a T trabajo σ W/(m2 K4) 5.6703x10-8 Constante de Stefan-Boltzmann A m2 0.56x0.33 Área radiante freidora d mm 10 Espesor de la patata b0 - 20.55 Valor inicial de la amarillez a0 - -6.3 Valor inicial de la rojez 23 Figura 6. Ilustración ejemplo de una freidora Premium para uso en grandes cocinas 5.3. Plataforma de computación y paquetes utilizados La implementación de los modelos matemáticos usados en este trabajo así como de los algoritmos de optimización y del resto de métodos usados en las distintas etapas de cálculo ha sido realizada en R (R Core Team, 2022). Los gráficos se han realizado con el paquete ggplot2 (Wickham, 2009) y la optimización multiobjetivo se ha llevado a cabo con el método NSGA-II (Deb et al., 2002) implementado a través del paquete nsga2R. La implementación de los métodos clásicos de suma ponderada y de restricción se ha llevado a cabo mediante programación propia de la mayor parte del procedimiento usando como algoritmo de optimización NLOPT_LN_COBYLA. Las funciones matemáticas usadas en este trabajo, así como el paquete de R donde se implementan se resumen en la Tabla 3. 24 Tabla 3. Métodos matemáticos utilizados en la resolución de la propuesta Método matemático Librería R Función Descripción Objetivo Resolución de ecuaciones no lineales nleqslv nleqslv Método de Broyden o de Newton complete. Proporciona estrategias globales de búsqueda de línea y regiones de confianza para sistemas difíciles (Dennis and Schnabel, 1996) Obtener las soluciones (t,T) que dan lugar a una humedad = 70% y a un redness = 1.3 Optimización mono- objetivo con restricciones. Métodos suma ponderada y restricción nloptr NLOPT_LN_COBYLA Método de búsqueda directa que construye aproximaciones lineales sucesivas de la función objetivo y las restricciones mediante un simplex de n+1 puntos, optimizando esas aproximaciones en una región de confianza en cada paso (Powell, 1994) 1 Optimización de los dos objetivos de forma individual: 1.1 Minimizar energía necesaria en el proceso de fritura de la patata sujeto a una cantidad de humedad determinada. 1.2 Maximizar el parámetro yellowness restringido por el valor de redness. 2 Uso como algoritmo de optimización en los métodos suma ponderada y restricción 25 Estimación de parámetros stats optim Método "L- BFGS-B". Usa una modificación método quasi- Newton BFGS permitiendo límites en las variables de decisión (Byrd et al., 1995) Ajuste de parámetro del modelo de redness Optimización multiobjetivo nsga2R nsga2 Implementa el algoritmo evolutivo NSGA- II para la obtención del frente Pareto en optimización multiobjetivo (Deb et al., 2002) Resolución del problema multiobjetivo propuesto 26 27 6. Resultados y discusión 6.1. Optimización mono-objetivo y análisis de los perfiles y dinámicas En una primera aproximación se representan las funciones objetivo (Balance energético y yellowness) en su región factible acotadas por los valores críticos de las restricciones (contenido en humedad y redness) en el dominio de las variables de decisión para analizar su forma y variación. Asimismo, se optimizan los distintos objetivos por separado. 6.1.1. Balance Energético Un análisis preliminar de la forma de la función del balance de calor, Ecuación (4), proporciona una idea de los valores que puede tomar esta función en el dominio de las variables de decisión, 𝑇(º𝐶) ∈ (120 − 200) y 𝑡(𝑠) ∈ (1 − 600). La Figura 7 muestra esta distribución de valores en la región factible representada como curvas de nivel. Figura 7. Curvas de nivel de la región factible del balance de calor frente a tiempo y temperatura Como se esperaba, tratamientos más severos (mayor tiempo y/o temperatura) producen un mayor gasto energético. La región factible está acotada a la izquierda (tiempos y temperaturas bajos) por la restricción de contenido de humedad menor o igual que el 70% en base húmeda (o 2.33 en base seca, ecuaciones (9) a (12)) para asegurar un contenido en humedad igual o inferior a éste, especificado por (Mesias et al., 2019) como contenido máximo para tener una textura aceptable. La región factible 28 está acotada a la derecha por la restricción de redness. Tratamientos muy severos (altos tiempos y/o temperaturas) producirían un valor de redness superior al límitedefinido anteriormente de 1.3 (ecuaciones (16), (21) y (22) por su correlación con la formación de acrilamida. Para estudiar la contribución de cada uno de los términos del balance de calor (Sección 5.2.1) se realizaron simulaciones de 5 combinaciones de valores de temperatura y tiempo y se analizó la contribución de cada uno de los términos al balance global. Los resultados aparecen en la Tabla 4. Tabla 4. Contribución de los distintos términos del balance de calor para diferentes combinaciones de tiempo y temperatura. (t,T) Balance (kJ) E1 (kJ) E2 (kJ) E3 (kJ) E4 (kJ) (1,120) 4068.3 3787.9 (93.1%) 33.9 (0.83%) 246.3 (6.1%) 0.17 (0.004%) (1,200) 7461.3 6977.7 (93.5%) 138.8 (1.9%) 344.3 (4.6%) 0.44 (0.006%) (300, 160) 12978.1 5382.8 (41.5%) 7214.2 (55.6%) 295.3 (2.3%) 85.7 (0.66%) (600, 120) 8660.3 3787.9 (43.7%) 4525.7 (52.3%) 246.3 (2.8%) 100.4 (1.2%) (600, 200) 15876.8 6977.7 (43.9%) 8289.7 (52.2%) 344.3 (2.2%) 265.1 (1.7%) Lo primero que se observa es que las pérdidas por radiación (E4) en este proceso pueden considerarse casi despreciables, a pesar de que los cambios en porcentaje en este término sean los más significativos. Por otro lado, la energía requerida para calentar el aceite (E1) es la que más contribuye al total a tiempos bajos pues aún no ha dado tiempo a la evaporación de la humedad (término E2). A tiempos más altos la contribución porcentual de E1 baja mucho mientras que la de E2 aumenta en sentido contrario y situándose como la más importante en términos porcentuales. Un mayor tiempo y temperatura de proceso implica un menor contenido de humedad en el producto final y por tanto más energía invertida en evaporar el agua. Por último, el término de calor sensible (E3) se muestra en valores relativamente bajos en todas las situaciones moviéndose en la misma dirección que E1. Cabe destacar que, en un proceso continuo donde se fríen patatas continuamente entrando y saliendo, el término E1 habría que calcularlo únicamente al inicio del proceso y habría que añadir un término adicional de mantenimiento de la temperatura por intercambio de calor por conducción y convección con el aire exterior y las paredes de la freidora. Este caso no ha sido considerado aquí y el caso de estudio consiste en un proceso discontinuo partiendo del aceite a temperatura ambiente. 29 La formulación del problema de optimización con restricciones para el balance de calor teniendo en cuenta el contenido de humedad máximo permitido es el siguiente: min 𝐵𝑎𝑙𝑎𝑛𝑐𝑒𝑄 𝑡, 𝑇 (23) Sujeto a: ℎ𝑢𝑚𝑡 ≤ 2.33 (24) 𝑟𝑒𝑑𝑛𝑒𝑠𝑠 ≤ 1.3 (25) 0 ≤ 𝑡 ≤ 600(𝑠) (26) 120 ≤ 𝑇 ≤ 200(℃) (27) Donde la ecuación (23) se corresponde con la ecuación (4) y los términos de las restricciones (24) y (25) se formulan en las ecuaciones (9) y (16), respectivamente. El problema fue resuelto con el algoritmo NLOPT_LN_COBYLA a través del paquete nloptr2 de R. El resultado indica que el punto óptimo de operación sería el 𝑡 = 209 𝑠, 𝑇 = 120 ℃ , con un gasto energético de 7678.9 kJ. Es decir, para minimizar el consumo energético asegurando una textura adecuada de la patata frita, es necesario operar a baja temperatura y tiempos medios. Como era de esperar, el valor de humedad en ese punto es exactamente el 70% en base húmeda (o 2.33 en base seca). Es decir, en la solución óptima la restricción está activa. El valor de redness para esa solución es de -5.43. Se trata de un valor muy bajo como cabía esperar para esa baja temperatura y tiempo. 2 https://cran.r-project.org/web/packages/nloptr/index.html 30 6.1.2. Yellowness Al igual que en el apartado anterior, se realiza un análisis preliminar de la forma de la función de yellowness, Ecuación (13), en el dominio de las variables de decisión, 𝑇(º𝐶) ∈ (120 − 200) y 𝑡(𝑠) ∈ (1 − 600). La Figura 8 muestra esta distribución de valores de esta función en el rango de tiempos y temperaturas establecido. Figura 8. Curvas de nivel de la región factible yellowness frente a tiempo y temperatura Al igual que en el caso del balance de energía, tratamientos más severos (mayor tiempo y/o temperatura) resultan en valores mayores de yellowness. Las restricciones definen la misma región factible que en el caso del balance de energía en cuanto a tiempos y temperaturas. La formulación del problema de optimización con una restricción para el yellowness teniendo en cuenta el valor máximo de redness permitido es el siguiente: max 𝑦𝑒𝑙𝑙𝑜𝑤𝑛𝑒𝑠𝑠 𝑡, 𝑇 (28) Sujeto a: ℎ𝑢𝑚𝑡 ≤ 2.33 (29) 𝑟𝑒𝑑𝑛𝑒𝑠𝑠 ≤ 1.3 (30) 31 0 ≤ 𝑡 ≤ 600(𝑠) (31) 120 ≤ 𝑇 ≤ 200(℃) (32) Donde la ecuación (28) se corresponde con la ecuación (13) y las restricciones son las mismas que en el caso de la optimización del balance de energía. El problema fue resuelto con el algoritmo NLOPT_LN_COBYLA a través del paquete nloptr de R. El resultado indica que el punto óptimo de operación sería el 𝑡 = 600 𝑠, 𝑇 = 185.7 ℃ , con un valor de yellowness de 35.3. Es decir, para maximizar el valor de yellowness sin sobrepasar un valor de redness de 1.3, es necesario operar a tiempo máximo y temperatura lo más baja posible permitida por la restricción. Como era de esperar, el valor de redness en ese punto óptimo es exactamente 1.3. Es decir, en la solución óptima la restricción está activa. El valor de la restricción de humedad es de 0.28 (28% de humedad en base húmeda). 6.2. Optimización multiobjetivo En los apartados anteriores se puso de manifiesto la necesidad de aplicar la optimización multiobjetivo a este problema. La optimización de cada objetivo de manera individual nos llevaba a, en el caso del balance de energía, contenidos de humedad muy altos y valores de yellowness demasiado bajos. Al maximizar el yellowness por separado se obtenían tiempos de procesado demasiado altos y un gasto energético muy alto. Tras el análisis y optimización individualizada de las funciones objetivo y sus respectivas restricciones, formulamos el problema de optimización multiobjetivo según la formulación de las Ecuaciones (1)-(3). En esta aplicación particular, la formulación sería la siguiente: min(𝐵𝑎𝑙𝑎𝑛𝑐𝑒_𝑄), ma x(𝑦𝑒𝑙𝑙𝑜𝑤𝑛𝑒𝑠𝑠) 𝑡, 𝑇 (33) Sujeto a: ℎ𝑢𝑚𝑡 ≤ 2.33 (34) 𝑟𝑒𝑑𝑛𝑒𝑠𝑠 ≤ 1.3 (35) 0 ≤ 𝑡 ≤ 600(𝑠) (36) 120 ≤ 𝑇 ≤ 200(℃) (37) Esta formulación integra las funciones objetivo y las restricciones de las formulaciones de optimización de un solo objetivo presentadas en las secciones anteriores. El dominio de las variables de decisión, tiempo y temperatura, tampoco cambia. 32 6.2.1. Resolución por el método de la suma ponderada Como se describió en la sección 4.2.1, éste es un método clásico de resolución de problemas de optimización multiobjetivo lineales pero que presenta dificultades para la obtención de un frente de Pareto amplio en problemas con funciones no lineales. La formulación del problema a resolver es la siguiente: min 𝑤 · 𝐵𝑎𝑙𝑎𝑛𝑐𝑒_𝑄 𝐵𝑄𝑚𝑎𝑥 − (1 − 𝑤) · 𝑦𝑒𝑙𝑙𝑜𝑤𝑛𝑒𝑠𝑠 𝑦𝑚𝑎𝑥 𝑡, 𝑇 (38) Sujeto a: ℎ𝑢𝑚𝑡 ≤ 2.33 (39) 𝑟𝑒𝑑𝑛𝑒𝑠𝑠 ≤ 1.3 (40) 0 ≤ 𝑡 ≤ 600(𝑠) (41) 120 ≤ 𝑇 ≤ 200(℃) (42) Donde la ecuación (38) es la suma ponderada de ambos objetivos. Para evitar sesgos por las diferencias entre los órdenes de magnitud de ambos objetivos, se ha dividido por valores cercanos a los máximos obtenidos en las optimizaciones mono-objetivo. 𝐵𝑄𝑚𝑎𝑥 se ha establecido en 16000 mientras que 𝑦𝑚𝑎𝑥 se ha establecido en 35. El parámetro 𝑤 ∈ {0,1} es un peso que balancea entre ambos objetivos. Nótese que la ecuación (38) es una resta ya que se trata de minimizar una función cuyo segundo término (yellowness) ha de ser realmente maximizado. El procedimiento para resolvereste problema fue el siguiente: Generación de 101 valores de w uniformemente espaciados entre 0 y 1 (0, 0.01, 0.02,…, 1). La elección de 101 pesos es tiene como objeto la posterior comparación con el resto de algoritmos considerados en este trabajo donde se generan 100 puntos del frente de Pareto; para cada valor de w se aplica el algoritmo NLOPT_LN_COBYLA usado en la optimización mono-objetivo; cada solución óptima correspondiente a cada valor de w se considera una solución del frente de Pareto. Tras la aplicación de esta metodología, el método de la suma ponderada solo fue capaz de encontrar 3 puntos del frente Pareto. Es decir, de las 101 soluciones (una por cada peso), todas ellas convergieron a alguna de las tres soluciones presentadas en la Tabla 5 y en la Figura 9. 33 Tabla 5. Soluciones del frente de Pareto mediante el método de la suma ponderada. (t,T) BalanceQ (kJ) Yellowness (600,185.7) 15040.8 35.3 (600,120) 8660.3 22.5 (209.2, 120) 7678.9 21.3 Figura 9. Soluciones del frente de Pareto mediante el método de la suma ponderada. El color de los puntos representa el valor de la restricción de contenido en humedad en base seca Dos de las tres soluciones encontradas por este método coinciden con las soluciones obtenidas en la optimización de cada objetivo por separado, con lo que la aportación de este método es muy pobre para poder abordar el diseño del proceso adecuadamente. 34 6.2.2. Resolución por el método de la restricción 𝜺 Como se describió en la sección 4.2.2, éste es otro de los métodos clásicos de resolución de problemas de optimización multiobjetivo algo más robusto que el de la suma ponderada para problemas no lineales. La formulación del problema a resolver es la siguiente: min 𝐵𝑎𝑙𝑎𝑛𝑐𝑒_𝑄 𝑡, 𝑇 (43) Sujeto a: 𝑦𝑒𝑙𝑙𝑜𝑤𝑛𝑒𝑠𝑠 ≥ 𝜖 (44) ℎ𝑢𝑚𝑡 ≤ 2.33 (45) 𝑟𝑒𝑑𝑛𝑒𝑠𝑠 ≤ 1.3 (46) 0 ≤ 𝑡 ≤ 600(𝑠) (47) 120 ≤ 𝑇 ≤ 200(℃) (48) En esta formulación, uno de los objetivos (en este caso yellowness) se formula como una restricción de desigualdad. El problema se resuelve usando diferentes valores del parámetro 𝜖 para obtener diferentes puntos del frente de Pareto. El procedimiento para resolver este problema fue el siguiente: Generación de 101 valores de 𝜖 uniformemente espaciados entre 20 y 35.2, que son los valores que puede tomar yellowness en el rango de las variables de decisión. La elección de 101 valores de 𝜖 tiene como objeto, como en el caso anterior, la posterior comparación con el resto de algoritmos considerados en este trabajo; para cada valor de 𝜖 se aplica el algoritmo NLOPT_LN_COBYLA usado en la optimización mono-objetivo; cada solución óptima correspondiente a cada valor de 𝜖 se considera una solución del frente de Pareto. Tras la aplicación de esta metodología, este método fue capaz de encontrar 93 soluciones diferentes del frente de Pareto, aunque una de ellas fue sub-óptima, algo reportado en la bibliografía para este método (Marler and Arora, 2004). Estas soluciones se presentan en la Figura 10. 35 Figura 10. Soluciones del frente de Pareto mediante el método de la restricción 𝝐. El color de los puntos representa el valor de la restricción del contenido en humedad en base seca El frente de soluciones proporcionado por este método permite tener una información más completa para poder llevar a cabo un diseño del proceso más eficiente. 36 6.2.3. Resolución por el método NSGA-II El algoritmo NSGA-II fue descrito cualitativamente en la Sección 4.2.3. Se trata de un método adecuado para tratar funciones objetivo y/o restricciones de forma eficiente (Coello Coello et al., 2007). El resultado del frente de Pareto obtenido se muestra en la Figura 11. Figura 11. Soluciones del Frente Pareto obtenidas con el método NSGA-II. El color de los puntos representa el valor de la restricción del contenido en humedad en base seca Este método proporciona 100 soluciones diferentes para crear un frente lo más amplio posible. Todas las soluciones proporcionadas son factibles y no se observan síntomas de sub-optimalidad en ninguna de ellas. Los frentes de Pareto obtenidos por el método de la restricción 𝜖 y por NSGA-II, no muestran diferencias visualmente destacables, como se muestra en la Figura 12, donde se superponen ambos frentes de soluciones, y donde se puede observar que la superposición es prácticamente total con la excepción de dos soluciones subóptimas proporcionadas por el método de la restricción 𝜖 . 37 Figura 12. Comparación de los frentes de Pareto obtenidos por los métodos restricción 𝝐 y NSGA-II 6.2.4. Análisis de las soluciones Atendiendo a los frentes de Pareto obtenidos aplicando los métodos anteriores, podemos decir que tanto el método de la restricción como NSGA-II proporcionan frentes de Pareto similares y suficientemente amplios como para abordar un diseño adecuado del proceso. Para el análisis posterior de la soluciones utilizaremos las proporcionadas por NSGA-II por tener un número mayor de soluciones diversas (100 frente a 93 de la restricción ) y no haber calculado ninguna solución sub-óptima. Los valores numéricos de dichas soluciones considerando tanto las variables de decisión (tiempo y temperatura) como las funciones objetivo (balance de energía y yellowness) y las restricciones (contenido en humedad en base seca y redness), se presentan en el Anexo I. La Figura 11 muestra lo esperado: un aumento de la amarillez conlleva un aumento del gasto energético y viceversa. La relación es cercana a la linealidad aunque con cierta convexidad. En cualquier caso, no se detecta ningún área donde un cambio pequeño en uno de los objetivos se traduzca en un gran cambio en el otro. Este frente de Pareto de soluciones no dominadas constituye una herramienta de decisión para el operador del proceso, pudiendo elegir así el punto de operación de entre los óptimos que mejor se ajuste a las condiciones del propio proceso o a las especificaciones sobrevenidas en cada momento. La Figura 11 muestra también en gradiente de colores el valor de la restricción de humedad. Los resultados también son los esperados y observados en el 38 apartado de optimización mono-objetivo, teniendo un contenido de humedad menor en tratamientos más severos y viceversa. La Figura 13 es idéntica a la Figura 11 pero en este caso el gradiente de colores de las soluciones representa la restricción de redness. El valor de redness se incrementa también con la severidad del proceso. Cabe destacar que el cambio en el contenido de humedad parece más gradual a lo largo del frente Pareto mientras que el cambio en redness es más abrupto, tomando valores muy bajos en casi todo el frente y sólo altos en puntos de tratamiento muy severo. Figura 13. Soluciones del Frente Pareto obtenidas con el método NSGA-II. El color de los puntos representa el valor de la restricción de redness. Para completar la información proporcionada por esta metodología, la Figura 14 muestra los valores de las variables de decisión (tiempo y temperatura) para las soluciones del frente de Pareto. 39 Figura 14. Soluciones del frente de Pareto proporcionadas por NSGA-II en el espacio de las variables de decisión. El color de los puntos representa el valor de las restricciones: Contenido en humedad en base seca (arriba) y redness (abajo). 40 El análisis de las soluciones de la Figura 14 nos indica que, en el frente de Pareto, apenas existen soluciones que impliquen tratamientos muy suaves (bajas temperaturas y tiempos cortos) porque probablemente violen la restricción de contenido de humedad. Igualmente, tampoco hay soluciones con temperaturas superiores a unos 185 C para evitar tener valores de redness superiores al límite establecido como seguro. La mayor parte de las soluciones se sitúan en el tiempo máximo(600 segundos), y es por tanto el cambio en la temperatura el principal factor para seleccionar los puntos del frente de Pareto. Los puntos de temperaturas bajas proporcionan valores bajos de consumo energético y de yellowness, y viceversa. Ocurre de forma similar con las restricciones: a temperaturas bajas obtenemos humedades altas y valores de redness bajos y viceversa. Cabe destacar que el frente de Pareto no proporciona soluciones con tiempos inferiores a los 200 segundos y sí muchas muy cercanas o prácticamente iguales a los 600 segundos. Cabe discutir si desde el punto de vista industrial estos serían tiempos aceptables. Probablemente en un restaurante donde la atención a los clientes debe ser rápida el tiempo final de proceso debería restringirse, mientras que en el proceso de la fritura de patatas para su venta posterior (como producto congelado o pre-procesado) estas condiciones de proceso sí podrían ser más asumibles en aras de la reducción del coste energético y/o mejora del parámetro de color. En cualquier caso, una sencilla extensión de este trabajo cambiando restricciones, condiciones iniciales o límites para las variables de procesos podría darnos soluciones adecuadas para otros contextos siguiendo exactamente la misma metodología. 41 7. Conclusiones La optimización en ingeniería de alimentos ha alcanzado un nivel de importancia elevado debido a los múltiples aspectos que afecta. Por un lado, mejora de la calidad de los productos de consumo alimentario que se ve directamente relacionado con la salud de los consumidores. Por otro lado, optimiza los recursos necesarios para el proceso, tanto tiempo requerido como energía. En un ámbito doméstico, estos dos últimos aspectos tienen impacto directo en la economía familiar y en la gestión del tiempo requerido en la preparación de la alimentación. A nivel industrial, la optimización de estos parámetros se traduce en beneficios, mejora de rendimientos, aumento de capacidad, entre otros. De este modo, el presente trabajo se centra en la optimización multiobjetivo del proceso de fritura de patatas, con relevancia tanto a nivel doméstico como industrial. Los objetivos seleccionados han sido la energía necesaria para llevar a cabo el proceso y el parámetro de color yellowness que está directamente con la calidad del producto y la aceptabilidad por parte del consumidor. Ambos objetivos han sido examinados bajo las restricciones de humedad en el producto final, que determinan la textura de la patata (y por tanto con la calidad) y de redness, que tiene una alta correlación con la formación de acrilamida (y por tanto con la seguridad alimentaria). En primer lugar, los resultados aplicados a la optimización (minimización) del balance de calor de forma individualizada indican que para reducir el consumo energético asegurando una textura adecuada de la patata frita (restricción de humedad), es necesario operar a baja temperatura y tiempos largos. En segundo lugar, los resultados aplicados a la optimización (maximización) de yellowness de forma individualizada indican que para maximizar el valor de yellowness sin sobrepasar un valor de redness de 1.3, es necesario operar a tiempo máximo y temperatura lo más baja posible permitida por la restricción, quedando aun así ésta en el margen alto del límite de temperatura. Realizando la optimización multiobjetivo, la aplicación del método de la suma ponderada proporciona un número de soluciones demasiado reducido como para poder realizar un diseño robusto del proceso. El método de la restricción y el algoritmo evolutivo NSGA-II proporcionan frentes de Pareto amplios y con un número elevado de soluciones diferentes. En particular, NSGA-II es el método que más soluciones distintas aporta sin proporcionar ninguna solución dominada, como sí presenta el método de la restricción . Es por esto que en el análisis de los resultados se han analizado los obtenidos con NSGA-II. Los resultados indican que un aumento de la amarillez conlleva un aumento del gasto energético y viceversa, como cabía esperar. No existen combinaciones determinantes de tiempos y temperaturas, sino que se destacan dos regiones de trabajo, una de altas temperaturas con tiempos medios-altos que sacrifican el coste energético a fin de ganar yellowness, y otra de temperaturas moderadas con tiempos muy elevados que conllevan bajo coste. El frente de Pareto obtenido permite seleccionar las condiciones de operación de entre un conjunto de soluciones no dominadas en función de qué importancia se le quiera dar a cada objetivo en cada momento. 42 Estos resultados se asocian a los parámetros particularizados para el caso en estudio pero son extrapolables a otro tipo de condiciones como puede ser la clase de patata o el aceite, con posibles diferencias en parámetros físicos como calores sensibles y similares. Asimismo, esta metodología sería igualmente válida para distintos límites en las variables de decisión y/o en las restricciones. Independientemente de los resultados numéricos particulares del caso de estudio presentado en este trabajo, se pone de manifiesto la importancia del uso de métodos de matemática aplicada para el diseño de procesos industriales. Para este ejemplo relativamente sencillo se han aplicado diversos métodos de resolución (ver Sección 5.3) combinados con la simulación de modelos, lo que conlleva un trabajo de programación que se adjunta en el Anexo II. Un punto de partida para futuros trabajos es la aplicación de esta metodología a un proceso en continuo, situación más acorde con la realidad industrial. En este supuesto, sería necesario aplicar ciertas modificaciones en el balance energético, incluyendo un término de mantenimiento de la temperatura. También sería posible la ampliación a distintas variedades de patata o alimentos crudos similares. Desde el punto de vista matemático, podría realizarse un enfoque de parámetros distribuidos donde las variables e incluso los parámetros variasen no sólo con el tiempo sino también con el espacio. Eso requeriría un abordaje de ecuaciones en derivadas parciales que no se ha planteado en este trabajo dadas las características del proceso y el producto, pero que sí sería necesario aplicar en otros casos con diferentes dimensiones o escalas temporales. Ese abordaje implicaría también un mayor coste computacional para la resolución del problema que podría requerir de metodologías computacionales de computación paralela o similares. 43 8. Bibliografía Abakarov, A., Sushkov, Y., Almonacid, S., Simpson, R., 2009. Multiobjective optimization approach: thermal food processing. Journal of food science 74. https://doi.org/10.1111/J.1750-3841.2009.01348.X Banga, J.R., Balsa-Canto, E., Moles, C.G., Alonso, A.A., 2003. Improving food processing using modern optimization methods. Trends in Food Science and Technology 14, 131–144. https://doi.org/10.1016/S0924-2244(03)00048-7 Byrd, R.H., Lu, P., Nocedal, J., Zhu, C., 1995. A limited memory algorithm for bound constrained optimization. SIAM J. Scientific Computing 16, 1190–1208. Chankong, V., Haimes, Y.Y., 2008. Multiobjective Decision Making: Theory and Methodology, Illustrated edition. ed. Dover, Mineola, N.Y. Coello Coello, C.A., Lamont, G.B., an Veldhuizen, D.A., 2007. Evolutionary Algorithms for Solving Multi-Objective Problems, Genetic and Evolutionary Computation Series. Springer US, Boston, MA. https://doi.org/10.1007/978-0-387-36797-2 Darge, A., R, D.R.S., Zerihum, D., Chung, P.Y.K., 2019. Multi Color Image Segmentation using L*A*B* Color Space. International Journal of Advanced Engineering, Management and Science 5. https://doi.org/10.22161/ijaems.5.5.8 Deb, K., Deb, K., 2014. Multi-objective Optimization, in: Burke, E.K., Kendall, G. (Eds.), Search Methodologies: Introductory Tutorials in Optimization and Decision Support
Compartir