Evaluación de modelos de predicción del rendimiento quesero

Por qué importa el rendimiento quesero

El queso es un artículo comercial muy importante en la industria láctea; Fox et al. lo cifran en alrededor del 35 % del uso total de leche [1]. El rendimiento se expresa como kilogramos de queso por 100 kg de leche a niveles estandarizados de grasa y proteína, y las plantas siguen la eficiencia de rendimiento, el rendimiento real como porcentaje del rendimiento predicho a partir de la composición de la leche [1]. Los factores que lo mueven están bien catalogados — composición y calidad de la leche, estandarización, tratamiento térmico, firmeza del gel en el corte, régimen de corte y agitación, tamaño de partícula de la cuajada y diseño de la cuba — y actúan influyendo en la composición del gel lácteo y en cuánta humedad se expulsa y cuánta grasa se pierde de las partículas de cuajada [1].

Predecir el rendimiento a partir de la composición de la leche

Las fórmulas predictivas de rendimiento descienden de una basada únicamente en caseína y grasa, publicada en 1895; la fórmula de Van Slyke es la más conocida de la serie, y refinamientos posteriores añadieron la humedad y la sal del queso, los sólidos del suero y la paracaseína en lugar de la caseína [2]. Emmons y Modler probaron las fórmulas General, de Barbano y de Van Slyke en 22 cubas de Cheddar y encontraron que las fórmulas sin ajustar no predecían el rendimiento con exactitud: el rendimiento medio predicho fue el 99,17 % del real, y los componentes del queso medidos sumaban menos del 100 % [2]. Ajustar por la suma observada de componentes llevó la media al 99,99 % del real, por lo que se recomiendan fórmulas ajustadas para rendimientos objetivo y eficiencia de rendimiento; cabe destacar que la proteína total de la leche dio entonces los mismos rendimientos predichos que la caseína, de modo que una determinación de caseína puede no ser siempre necesaria [2].

Las entradas son la grasa y la proteína de la leche de cuba, y esos valores solo son tan buenos como los métodos de referencia que los respaldan: la referencia gravimétrica de grasa es ISO 23318 | IDF 249, que sustituyó a ISO 1211 [3], e ISO 8968-1 | IDF 20-1 determina el nitrógeno por el principio Kjeldahl y calcula a partir de él la proteína bruta [4].

Qué aporta la espectroscopía infrarroja en la recepción de leche

Los métodos de referencia son lentos en relación con el ritmo de la elaboración de queso, de modo que las calibraciones espectroscópicas frente a ellos suministran las cifras del día a día. Laporte y Paquin determinaron grasa, proteína bruta, proteína verdadera y caseína en leche de vaca por transmisión en el infrarrojo cercano con calibraciones PLS sobre 96 muestras; la validación independiente dio errores estándar de predicción de 0,07 % para la grasa, 0,06 % para la proteína bruta y la caseína y 0,05 % para la proteína verdadera, y se encontró que la homogeneización afecta a la determinación de grasa [5].

Una vía más directa es calibrar el espectro frente al propio rendimiento. Ferragina et al. elaboraron 1.264 quesos modelo a partir de leche de vacas individuales bajo un protocolo de laboratorio fijo y relacionaron los espectros de infrarrojo medio (FTIR) de la leche sin procesar con los rasgos de rendimiento medidos; la validación cruzada dio coeficientes de determinación de 0,95 para el rendimiento quesero en sólidos totales y 0,83 para el rendimiento en queso fresco, pero solo 0,65 para el agua retenida en la cuajada y 0,41 para la recuperación de grasa [6]. El espectro contiene la información de composición que determina el rendimiento en sólidos; la retención de agua y la pérdida de grasa se deciden en la cuba y no son visibles en el espectro de la leche. Esa es la parte del problema que aborda la monitorización en cuba.

Monitorizar la coagulación y la sinéresis en la cuba

O'Callaghan et al. revisaron las técnicas en línea para monitorizar la formación del coágulo — sondas de hilo caliente, vibratorias y ópticas — y concluyeron, a partir de ensayos en fábrica que abarcaban la variación estacional de la leche, que la monitorización en línea puede mejorar la consistencia del coágulo en el corte [7]. El enfoque óptico se basa en el aumento de la dispersión de luz a medida que las micelas de caseína se agregan. Castillo et al. monitorizaron la coagulación de leche de cabra con un sensor de reflectancia difusa a 880 nm; el parámetro de reflectancia T_max se correlacionó con el tiempo de coagulación de Berridge (R² = 0,9913), y una ecuación de tiempo de corte basada en T_max predijo el tiempo de corte con un error estándar de 84,5 s (R² = 0,9785) con distintos valores de pH, temperatura y concentración de enzima [8]. Lyndgaard et al. extendieron esto a espectros NIR completos (1.000–2.500 nm) registrados en línea, comprimidos mediante análisis de componentes principales y ajustados con un modelo cinético que separa la proteólisis de la κ-caseína, la agregación de micelas y la formación de la red; ajustó 12 lotes con R² superior a 0,99 y permitió la estimación en tiempo real para la determinación automática del tiempo de corte [9].

La misma señal contiene información después del corte. Fagan et al. mostraron mediante la metodología de superficie de respuesta que la retención de grasa es función del tiempo de corte y la temperatura, que el rendimiento de cuajada depende además de la adición de cloruro de calcio, y que existe una firmeza de gel óptima en el corte, que debe maximizarse evitando el engrosamiento rápido del gel y la microsinéresis [10]. En un trabajo posterior, ecuaciones que combinaban la composición de la leche con parámetros de retrodispersión predijeron las pérdidas de grasa con un error estándar de predicción de ±2,65 g/100 g (R² = 0,93), el rendimiento de cuajada con ±0,95 % (R² = 0,90) y la humedad de la cuajada con ±1,43 % (R² = 0,94) [11]. Fueron estudios en cuba piloto bajo condiciones deliberadamente variadas; muestran que la señal contiene la información, no lo que logrará una cuba de producción.

Construir un modelo de rendimiento que se sostenga

Un modelo de rendimiento quesero son en realidad dos modelos: una predicción basada en la composición del rendimiento que la leche debería dar, y un modelo en cuba de cuánto de ese potencial se realiza. Tres prácticas mantienen defendibles ambos:

• Defina el rendimiento que está prediciendo. Ferragina et al. distinguen el rendimiento en fresco, el rendimiento en sólidos totales y el agua retenida en la cuajada, además de la recuperación de grasa, proteína y sólidos totales [6]; un modelo calibrado sobre uno no puede leerse como otro.
• Ancle la calibración a los métodos de referencia. Los valores de grasa y proteína deben proceder de ISO 23318 e ISO 8968-1 [3][4], y la calibración y validación NIR en productos lácteos sigue ISO 21543 | IDF 201 [12].
• Valide a lo largo de las estaciones. El tiempo de corte y la respuesta de sinéresis dependen del pH, la temperatura, el calcio y el nivel de enzima [8][10], y la revisión de fábrica subraya la variación estacional [7]; revalide antes de confiar en un modelo con la leche de la siguiente estación.

Cómo lo aborda USTECH

El analizador de proceso ProLine2550 está especificado para líquidos y suspensiones en tuberías y depósitos, lo que cubre la medición de la leche de cuba que alimenta una predicción de rendimiento basada en la composición, y la suite caliX proporciona las herramientas de regresión PLS y PCA utilizadas en los estudios citados arriba [5][6][9]. A través de ProChem los valores predichos pueden transferirse al PLC o al sistema SCADA de la planta para paneles de control y alarmas. Si los rasgos de rendimiento que interesan a una planta pueden predecirse con la exactitud que necesita se establece en un estudio de viabilidad con sus propias muestras, siguiendo ISO 21543 [12], no se asume a partir de cifras publicadas.