Modelamiento predictivo mediante deep learning de las características sensoriales y texturales de las galletas enriquecidas con nanopartículas de carbonato de calcio y su relación con las propiedades fisicoquímicas

Abstract

El presente estudio tuvo como objetivo modelar, mediante Deep Learning, la relación entre las propiedades fisicoquímicas y las características sensoriales y texturales de galletas sin gluten elaboradas con harinas de amaranto (Amaranthus spp.) y chocho (Lupinus mutabilis), enriquecidas con nanopartículas de carbonato de calcio, con el propósito de optimizar su formulación. Se evaluaron diferentes tratamientos mediante análisis fisicoquímicos (humedad, proteína, grasa, fibra, cenizas, carbohidratos, almidón y acidez), pruebas instrumentales de textura y análisis sensorial de aceptabilidad. Posteriormente, se desarrollaron y validaron modelos predictivos basados en redes neuronales profundas, comparando su desempeño con modelos estadísticos convencionales. Los resultados demostraron que el modelo de Deep Learning presentó una elevada capacidad predictiva, alcanzando coeficientes de determinación (R²) entre 0,8902 y 0,9911 para las variables texturales y entre 0,9942 y 0,9996 para los atributos sensoriales, superando ampliamente el desempeño del modelo PLS. Asimismo, la optimización mediante la función de deseabilidad global identificó como formulación óptima una sustitución de 83,19 % de harina de amaranto y 16,81 % de harina de chocho, correspondiente al tratamiento T5, el cual presentó el mejor equilibrio entre las propiedades fisicoquímicas, texturales y sensoriales. La validación experimental confirmó la coherencia de esta formulación con los valores predichos por el modelo, evidenciando un adecuado comportamiento tecnológico y una elevada aceptabilidad del producto desarrollado. Se concluye que la integración de materias primas andinas de alto valor nutricional con herramientas de inteligencia artificial constituye una estrategia innovadora para optimizar el desarrollo de productos de panificación sin gluten, reducir la experimentación convencional y apoyar la toma de decisiones en el diseño de alimentos funcionales con mayor eficiencia y precisión.