Blagoveshchensk, Blagoveshchensk, Russian Federation
UDK 62 Инженерное дело. Техника в целом. Транспорт
UDK 63 Сельское хозяйство. Лесное хозяйство. Охота. Рыбное хозяйство
GRNTI 65.09 Пищевое сырье и вспомогательные материалы
OKSO 260000 ТЕХНОЛОГИЯ ПРОДОВОЛЬСТВЕННЫХ ПРОДУКТОВ И ПОТРЕБИТЕЛЬСКИХ ТОВАРОВ
BBK 36 Пищевые производства. Общественное питание. Кулинария
TBK 5582 Пищевые производства
BISAC TEC012040 Food Science / Food Types *
Prediction of technological processes in various sectors of the food industry using mathematical modeling is becoming increasingly important. The paper describes the effect of various factors on the grain weight after germination by the method of correlation-regression analysis. Using this modeling method, based on the established relationship, it is possible to predict the weight of the grain after germination in various conditions.
soybean grain, germination, weight, size, temperature, correlation-regression analysis
Введение. В настоящее время моделирование можно рассматривать как один из самых мощных методов анализа, который используют специалисты различных сфер деятельности, в том числе пищевых технологий. При этом математическое моделирование применяется при прогнозировании технологических процессов, а результат представляется в математической и графической форме и позволяет установить оптимальные условия изучаемых процессов [1].
С целью расширения ассортимента пищевых добавок на основе сои сотрудниками лаборатории переработки сельскохозяйственной продукции Всероссийского НИИ сои проводятся исследования в области создания ингредиентов высокой пищевой и биологической ценности, обладающих функциональной направленностью, включаемых в рецептуры традиционных продуктов питания. Соевое зерно, как биологический объект, в процессе проращивания под действием ферментных систем претерпевает структурные изменения, а также изменения химического состава и свойств. Благодаря процессу биомодификации, в ходе проращивания в зерне происходит расщепление сложных пищевых веществ до более простых, легко усвояемых организмом человека. При этом на процесс проращивания и массу соевого зерна после проращивания оказывают влияние многие факторы [2–5].
Цель: установить с помощью корреляционно-регрессионного анализа взаимосвязь массы зерна после проращивания и факторов, на нее влияющих.
Объект, материалы и методы. Объектом исследований являлось соевое зерно среднеспелого сорта Китросса селекции ВНИИ сои, выращенного в селекционных питомниках Всероссийского НИИ сои (с. Садовое Тамбовского района Амурской области). Исследования проводили в лаборатории переработки сельскохозяйственной продукции Всероссийского НИИ сои с использованием термостата ТС-1/80 СПУ (г. Смоленск, Россия), дегидратора Ветерок-5ЭСОФ-0.5/220 (Спектр-Прибор, Россия), весов электронных марки SF-400 (Китай). Крупность соевого зерна устанавливали методом определения линейных показателей (длина, ширина и толщина), прямым измерением 100 зерен с точностью до 0,1 мм. Обработку полученных данных проводили с помощью системы Statistica.
Результаты и обсуждение. Для выявления степени влияния различных факторов на массу зерна после проращивания использовали метод корреляционно-регрессионного анализа [1, 6, 7]. В качестве регрессоров (независимых факторов, которые непосредственно могут оказывать влияние на массу зерна после проращивания (Y=114,7–155,0 г), были выбраны: крупность зерна (x1=165,8–318,3 мм), температура термостатирования (x2=22–30°С) и продолжительность проращивания (x3=24–48 ч) [2–4]. Результаты корреляционного анализа представлены в таблице. Из данных таблицы следует, что статистически значимыми переменными в данном случае являются температура в термостате и продолжительность проращивания. Коэффициент множественной корреляции (R=0,96) характеризует тесноту связи между исследуемыми переменными. В данном случае связь весьма высокая. Множественный коэффициент детерминации (R2=0,91) показывает, что изменение массы зерна на 91% определяется переменными, включенными в модель. Бета коэффициенты позволяют оценить тесноту связи каждой переменной и результативного фактора. В данном случае наиболее сильное влияние на массу зерна оказывают факторы: продолжительность проращивания (связь прямая) и температура в термостате (связь прямая). Крупность зерна оказывает незначительное обратное влияние, но при увеличении размеров зерна выход массы снижается.
Таблица – Регрессионный анализ зависимости для Y
|
Исследуемые (независимые) переменные |
БЕТА |
Стандартная БЕТА |
В |
Стандартная В |
t |
p |
|
Свободный член |
|
|
56,75223 |
6,953213 |
8,16202 |
0,000000 |
|
Крупность зерна |
-0,147854 |
0,060829 |
-0,02790 |
0,011480 |
-2,43067 |
0,023279 |
|
Температура в термостате |
0,475613 |
0,060829 |
1,72222 |
0,220264 |
7,81889 |
0,000000 |
|
Продолжительность проращивания |
0,816596 |
0,060829 |
0,98565 |
0,073421 |
13,42454 |
0,000000 |
|
Число повторностей N=27 |
R=0,95650260; R2=0,91489722; Скорректир. R2=0,90379686; F(3,23)=82,420 p˂0,00000 Стандартная ошибка оценки: 3,7380 |
|||||
Коэффициент статистической значимости по критерию Стьюдента(t) позволяет оценить значимость модели и переменных. В данном случае все переменные являются статистически значимыми. В результате проведенного моделирования получено следующее уравнение множественной линейной регрессии:
,
где Y – масса зерна после проращивания (в г), 
– крупность зерна (в мм), 
– температура термостатирования (в °С), 
– продолжительность проращивания (в часах).
Таким образом рассчитано, что при увеличении крупности зерна на 1 мм масса зерна после проращивания снизится на 0,03 г, при повышении температуры на 1°С, масса зерна после проращивания увеличится на 1,72 г, при повышении продолжительности проращивания на 1 час масса зерна после проращивания увеличится на 0,99 г.
Заключение. Статистическая обработка данных и проведенное математическое моделирование позволили получить уравнение множественной линейной регрессии, адекватно описывающее процесс проращивания соевого зерна. На основе установленной взаимосвязи массы зерна после проращивания и факторов на нее влияющих, можно прогнозировать ее размеры.
1. Kretova Yu.I., Cirul'nichenko L.A. Matematicheskoe modelirovanie kak effektivnyy instrument prognozirovaniya i upravleniya proizvodstvennymi processami // Vestnik YuUrGU. Seriya «pischevye biotehnologii». 2018. T.6, №1. S.5-13.
2. Petibskaya V.S. Soya: himicheskiy sostav i ispol'zovanie / Pod red. akad. RASHN V.M. Lukomca. Maykop: OAO «Poligraf-YuG», 2012. 432 s.
3. Singh Gurikbal. Soya: biologiya, proizvodstvo, ispol'zovanie. Kiev: Izdatel'skiy dom «Zerno», 2014. 656 s.
4. Stacenko E.S. Razrabotka tehnologii pischevoy dobavki na osnove soevogo zerna biotehnologicheskoy modifikacii // Tehnika i tehnologiya pischevyh proizvodstv. 2019. T. 49, №.3. S. 367-374. DOI: 10.21603/2074-9414-2019-3-367-374. http://fptt.ru/stories/archive/54/3.pdf
5. Koschaeva O.V., Hmara I.V., Fedorenko K.P., Shkredov V.V. Vliyanie proraschivaniya na himicheskiy sostav i soderzhanie antipitatel'nyh veschestv v semenah soi // Nauchnyy zhurnal KubGAU. 2014. №97(03). S. 224-236.
6. Golubeva N.V. Matematicheskoe modelirovanie sistem i processov: uchebnoe posobie dlya studentov vuzov. SPb: Lan', 2013.
7. Kostogryzov A.I., Nistratov G.A. Primenenie matematicheskogo modelirovaniya dlya analiza i racional'nogo upravleniya processami pri sozdanii i funkcionirovanii slozhnyh sistem // Telekommunikacii i informatizaciya obrazovaniya. 2006. № 2. S. 32-54.
