Благовещенск, Амурская область, Россия
УДК 62 Инженерное дело. Техника в целом. Транспорт
УДК 63 Сельское хозяйство. Лесное хозяйство. Охота. Рыбное хозяйство
ГРНТИ 65.09 Пищевое сырье и вспомогательные материалы
ОКСО 260000 ТЕХНОЛОГИЯ ПРОДОВОЛЬСТВЕННЫХ ПРОДУКТОВ И ПОТРЕБИТЕЛЬСКИХ ТОВАРОВ
ББК 36 Пищевые производства. Общественное питание. Кулинария
ТБК 5582 Пищевые производства
BISAC TEC012040 Food Science / Food Types *
Прогнозирование технологических процессов в различных отраслях пищевой промышленности с помощью математического моделирования приобретает все большую актуальность. В работе методом корреляционно-регрессионного анализа описано влияние различных факторов на массу зерна после проращивания. С помощью данного метода моделирования, на основе установленной взаимосвязи можно прогнозировать массу зерна после проращивания в различных условиях.
соевое зерно, проращивание, масса, крупность, температура, корреляционно-регрессионный анализ
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. Кретова Ю.И., Цирульниченко Л.А. Математическое моделирование как эффективный инструмент прогнозирования и управления производственными процессами // Вестник ЮУрГУ. Серия «пищевые биотехнологии». 2018. Т.6, №1. С.5-13.
2. Петибская В.С. Соя: химический состав и использование / Под ред. акад. РАСХН В.М. Лукомца. Майкоп: ОАО «Полиграф-ЮГ», 2012. 432 с.
3. Сингх Гурикбал. Соя: биология, производство, использование. Киев: Издательский дом «Зерно», 2014. 656 с.
4. Стаценко Е.С. Разработка технологии пищевой добавки на основе соевого зерна биотехнологической модификации // Техника и технология пищевых производств. 2019. Т. 49, №.3. С. 367-374. DOI: 10.21603/2074-9414-2019-3-367-374. http://fptt.ru/stories/archive/54/3.pdf
5. Кощаева О.В., Хмара И.В., Федоренко К.П., Шкредов В.В. Влияние проращивания на химический состав и содержание антипитательных веществ в семенах сои // Научный журнал КубГАУ. 2014. №97(03). С. 224-236.
6. Голубева Н.В. Математическое моделирование систем и процессов: учебное пособие для студентов вузов. СПб: Лань, 2013.
7. Костогрызов А.И., Нистратов Г.А. Применение математического моделирования для анализа и рационального управления процессами при создании и функционировании сложных систем // Телекоммуникации и информатизация образования. 2006. № 2. С. 32-54.
