Inżnieria Rolnicza 2014: 1(149):16-173 Kwartal nik naukow ISNN 2083-187; e-isnn 2449-999 Inżnieria Rolnicza Strona: http://ir.ptir.org DOI: http://dx.medra.org/10.1464/ir.2014.149.018 BADANIE WPŁYWU ZAWARTOŚCI WODY I AKTYWNOŚCI WODY NA CECHY ELEKTRYCZNE MIODU Z WYKORZYSTANIEM SIECI NEURONOWYCH Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski Insttut Inżnierii Rolniczej, Uniwerstet Przrodnicz we Wrocławiu Adres do korespondencji: ul Chełmońskiego 37-41, 1-630 Wrocław, e-mail: katarzna.pentos@up.wroc.pl INFORMACJE O ARTYKULE Historia artkułu: Wpłnął: kwiecień 2013 Zrecenzowan: grudzień 2013 Zaakceptowan: steczeń 2014 Słowa kluczowe: miód właściwości elektrczne sztuczne sieci neuronowe aktwność wod zawartość wod STRESZCZENIE Celem badań bło ustalenie stopnia wpłwu zawartości wod oraz aktwności wod na wbrane cech elektrczne miodu. W badaniach wkorzstano dane doświadczalne uzskane dla pięćdziesięciu próbek miodów zebranch na terenie całej Polski. Bł to miod nektarowe, nektarowo-spadziowe oraz spadziowe. Dla próbek oznaczono parametr chemiczne oraz elektrczne: przewodność dwudziestoprocentowego roztworu wodnego miodu oraz przewodność i impedancję patoki. Następnie wkorzstując sztuczne sieci neuronowe, skonstruowano wielowmiarowe modele matematczne, opisujące zależność cech elektrcznch od parametrów chemicznch. Na podstawie tch modeli, wkorzstując znajomość struktur sieci oraz wartości wag snaptcznch, określono stopień wpłwu poszczególnch parametrów wejściowch na parametr wjściowe modelu. Przeprowadzone badania wkazał, że aktwność i zawartość wod w znacznie większm stopniu wpłwają na impedancję niż na przewodność patoki oraz roztworu. Wstęp i cel badań Zawartość oraz aktwność wod ma ogromne znaczenie w kontekście jakości oraz przechowwania żwności. Parametr te są ze sobą powiązane, a ich wartość ma decdując wpłw na trwałość żwności pochodzenia biologicznego. Do tego tpu żwności można zaliczć miod, w przpadku którch zawartość monosachardów oraz wod określają właściwości fizczne produktu. Zawartość wod ma bezpośredni wpłw na zjawisko fermentacji miodu, które niekorzstnie wpłwa na jakość produktu (Lazaridou i in., 2004). Co prawda aktwność i zawartość wod są ze sobą skorelowane, jednak aktwność wod mówi więcej o produkcie. Podczas przechowwania miodu zachodzi jego krstalizacja, która wpłwa na sposób wiązania wod w miodzie i powoduje wzrost aktwności wod (Iurlina i Fritz, 200; Wojtacki, 1989).
Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski Oznaczanie aktwności wod w miodzie jest procesem wmagającm specjalistcznego sprzętu, przez co badania te są przeprowadzane w wspecjalizowanch laboratoriach. Cech elektrczne materiałów biologicznch rzadko są wkorzstwane do ocen jakościowej żwności, jednak w literaturze pojawiają się opracowania dotczące tej tematki (Skierucha i in., 2012; Łuczcka i in., 2011). Cech elektrczne, jak przewodność oraz impedancja, mogą zostać wkorzstane do szeroko rozumianej ocen jakości miodów. Dlatego celowm jest ustalenie, w jaki sposób zawartość oraz aktwność wod wpłwają na wbrane cech elektrczne miodów. Wznaczenie zależności pomiędz cechami chemicznmi i elektrcznmi miodów na podstawie danch pomiarowch jest trudne do przeprowadzenia metodami analitcznmi. W literaturze związanej z inżnierią rolniczą przedstawiono wiele przkładów modelowania takich zależności za pomocą sztucznch sieci neuronowch (Langman, 1999; Hebda i Francik, 2006; Górski i in., 2008; Łapczńska-Kordon i in., 2008). W zadaniach takich można wkorzstać proste sieci o jednokierunkowm przepłwie sgnałów (Pentoś i in., 2008; Łuczcka i Pentoś, 2010). Prz odpowiednio dużej liczbie danch pomiarowch wkorzstanch do uczenia sieci, może ona stać się modelem matematcznm skomplikowanch, wielowmiarowch i nieliniowch zależności (Rutkowska i in., 1999; Osowski, 2006; Rutkowski, 2011). Strukturę sieci dobiera się w sposób empirczn tak, ab uzskać model o możliwie dużej dokładności, określanej dla zbioru uczącego oraz testowego. Celem prac bło wkorzstanie modeli neuronowch uzskanch na drodze badań smulacjnch do określenia stopnia wpłwu zawartości oraz aktwności wod na wbrane cech elektrczne miodów. Metodka badań Badania parametrów chemicznch oraz cech elektrcznch wkonano dla pięćdziesięciu próbek miodów. Badano miod nektarowe (39), nektarowo-spadziowe (4) oraz spadziowe (7) pozskane w 2011 roku z terenu całej Polski. Próbki miodów pochodził bezpośrednio od producentów. Pomiar dotczł następującch parametrów miodu: zawartość oraz aktwność wod, zawartość glukoz, fruktoz oraz prolin, ph, liczba diastazowa, przewodność patoki oraz dwudziestoprocentowego roztworu wodnego miodu, impedancja patoki. Badanie aktwności wod zostało przeprowadzone w Zakładzie Techniki Rolno- Spożwczej Politechniki Białostockiej. Oznaczenie aktwności wod zostało wkonane dla miodu w stanie płnnm. Próbki został ogrzane do temperatur ºC, a następnie schłodzone do temperatur 2ºC. Pomiaru dokonano za pomocą przrządu AQUA LAB CX-2 z komorą termostatowaną w temperaturze 2ºC. Pomiar bł wkonwane w pięciu powtórzeniach (dla pięciu niezależnch próbek), następnie określano wartość średnią. Pomiar zawartości wod wkonano metodą refraktometrczną poprzez pomiar współcznnika załamania światła za pomocą refraktometru Abbego. Pomiar pozostałch parametrów chemicznch został wkonane w Laboratorium Badania Jakości Produktów Pszczelich Insttutu Ogrodnictwa w Puławach. Zawartość glukoz oraz fruktoz została oznaczona metodą HPLC, zawartość prolin metodą kalormetrczną (A), liczb diastazowej metodą Phadebas (A). Pomiar cech elektrcznch został wkonan Insttucie Inżnierii Rolniczej Uniwerstetu Przrodniczego we Wrocławiu. Wszstkie cech elektrczne bł mierzone w temperaturze 2ºC. Do wkonania pomiarów posłużono się anali- 166
Badanie wpłwu zawartości wod... zatorem impedancji ATLAS 0441. Analizator ten umożliwił pomiar wartości impedancji w formie zespolonej. W modelach uwzględniono oddzielnie składową rzeczwistą i urojoną impedancji. Pomiar przewodności elektrcznej wkonano dla 20% roztworu wodnego miodu, metodą bezpośrednią za pomocą konduktometru AZ 8361 Cond./TDS. Przed wkonaniem pomiarów próbki miodów podgrzano do temperatur 40ºC, ab uzskać postać płnną. Wszstkie pomiar cech elektrcznch został wkonane czterokrotnie. Uzskane dane doświadczalne charakterzował się dużą rozbieżnością wartości (np. przewodność dwudziestoprocentowego roztworu wodnego miodu od 16 do 1222, aktwność wod od 0,2 do 0,6). Takie rozbieżności mogą powodować trudności w procesie uczenia sieci neuronowch, a także stwarzają niebezpieczeństwo błędnej ocen stopnia wpłwu poszczególnch zmiennch wejściowch na parametr wjściowe. Dlatego dane wkorzstane do uczenia sieci neuronowej został znormalizowane do zakresu 0,1 1 zgodnie z zależnością: ZN ZN ZN ( ZNmin (1) Z max min Z Zmin ) max Zmin gdzie: ZN wartość unormowana zmiennej z, ZN min wartość minimalna przedziału normowania, ZN max wartość maksmalna przedziału normowania, Z wartość doświadczalna zmiennej z, Z min doświadczalna wartość minimalna zmiennej z, Z max doświadczalna wartość maksmalna zmiennej z. Na podstawie otrzmanch wników sformułowan został model neuronow. Jako parametr wejściowe modelu zaproponowano: zawartość wod, (%) aktwność wod, (-) stosunek zawartości glukoz (g 100g -1 ) do zawartości fruktoz (g 100g -1 ), zawartość prolin, (mg 100g -1 ) ph, (-) liczba diastazowa, (-). Jako dane wjściowe modelu zdefiniowano następujące cech elektrczne: przewodność patoki, (S m -1 ) przewodność dwudziestoprocentowego roztworu wodnego miodu, (S m -1 ) impedancja, ( ). O doborze parametrów wejściowch i wjściowch wstępnego modelu zadecdowało doświadczenie autorów. Model ten został następnie zwerfikowan. Do określenia wpłwu zawartości i aktwności wod na cech elektrczne wkorzstano dwa niezależne modele neuronowe. W pierwszm modelu parametrami wejściowmi bł: zawartość wod, stosunek zawartości glukoz do zawartości fruktoz, zawartość prolin, ph i liczba diastazowa, w drugim modelu zawartość wod została zastąpiona aktwnością wod. Ponieważ celem skonstruowania modeli bło określenie wpłwu zawartości i aktwności wod na poszczególne cech elektrczne, wkorzstano sieci neuronowe z pięcioma neuronami w warstwie wejściowej i czterema w warstwie wjścio- 167
Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski wej. Doświadczenie innch autorów (Ślipek i in., 2003) wskazuje, że dane wkorzstane w procesie uczenia powinn zostać podzielone na zbiór ucząc i testow w odpowiednich proporcjach, np. 70% próbek uczącch, 30% próbek testowch. W przeprowadzonm procesie uczenia wkorzstano 10-elementow zbiór ucząc i 0-elementow zbiór testow. Badania wkonano w środowisku Matlab, wkorzstując sieci neuronowe o jednokierunkowm przepłwie sgnału (perceptron wielowarstwow) z jedną warstwą ukrtą. Początkowe wartości elementów macierz wag snaptcznch dobierano w sposób losow. Uczenie sieci przeprowadzano, wkorzstując kilka różnch algortmów uczącch (różne modfikacje algortmu wstecznej propagacji błędów). Przetestowano kilkadziesiąt konfiguracji sieci neuronowej, zmieniając liczbę neuronów w warstwie ukrtej od 3 do 0. Najlepszą architekturę sieci wbierano na podstawie wartości błędu dla zbioru uczącego (z jednoczesną kontrolą błędu dla zbioru testowego, ab uniknąć efektu przeuczenia sieci). Wkorzstano wartości średniego błędu względnego obliczanego ze wzoru: gdzie: 168 exp x i n exp calc ( xi xi ) 100% calc i xi 1 (2) n wartość oczekiwana sgnału wjściowego dla i-tego elementu zbioru uczącego lub testowego, calc x i wartość sgnału wjściowego dla i-tego elementu zbioru uczącego lub testowego uzskana z modelu, n liczba elementów zbioru testującego. Na podstawie struktur i wartości wag poszczególnch neuronów nauczonej sieci, można skonstruować wrażenie w postaci wielomianu, opisujące zależność parametrów wjściowch modelu od parametrów wejściowch (Pentoś, 2009). Każde połączenie międz neuronami jest charakterzowane przez współcznnik wagow w, a każd neuron posiada zdefiniowaną funkcję przejścia f (w tm przpadku bła to funkcja sigmoidalna w warstwie ukrtej i liniowa w warstwie wjściowej). Ogólną postać wrażenia definiującego sgnał wjściow i-tego neuronu w warstwie wjściowej można zapisać następująco: gdzie: f v i j f wi n j 1 (2) ij ( w v ), (3) m uj k k 1 j (1) kj ( x w ). (4) W powższm wzorze x k to k-ta składowa wektora wejściowego, i i-ta składowa wektora wjściowego, f wi funkcja przejścia i-tego neuronu w warstwie wjściowej, f ui funkcja przejścia j-tego neuronu w warstwie ukrtej, w kj (1) waga połączenia międz k-tm wejściem modelu a j-tm neuronem warstw ukrtej, w ji (2) waga połączenia międz j-tm neuronem warstw ukrtej a i-tm neuronem warstw wjściowej, v j sgnał wjściow j-tego neuronu w warstwie ukrtej, n liczba neuronów w warstwie ukrtej, m liczba neuronów w warstwie wejściowej.
Badanie wpłwu zawartości wod... Na podstawie znajomości wartość wag snaptcznch sieci zbudowanej z neuronów z sigmoidalną funkcją aktwacji w warstwie ukrtej oraz liniową funkcją aktwacji w warstwie wjściowej, dla każdego z wjść uzskuje się wrażenie opisujące zależność wartości parametru wjściowego modelu od parametrów wejściowch. Wrażenie to jest sumą składników postaci a 1 exp( b x 1 b 2 x 2... b n x 1 n ) () w którch wartość współcznnika a jest zależna od wartości wag neuronów warstw wjściowej sieci, a wartości współcznników b 1, b 2,..., b n zależą od wartości wag neuronów warstw ukrtej sieci. Wrażenie definiujące sgnał wjściow i-tego neuronu w warstwie wjściowej można aproksmować funkcją postaci: i... i1 x1 i2x2 inxn (6) gdzie wartości współcznników można wliczć lub oszacować metodami numercznmi. W tm wpadku została wkorzstana metoda regresji wielorakiej. Wgenerowano zbiór danch reprezentującch zależność i od parametrów wejściowch (hiperprzestrzeń tch parametrów musi bć równomiernie wpełniona punktami w całm zakresie ich zmienności). Dla tch danch przeprowadzono regresję wieloraką (z jednoczesną kontrolą współcznników dobroci dopasowania współcznnika korelacji R oraz współcznnika determinacji R 2 ). Wniki badań W celu zwerfikowania poprawności przjętego modelu, przeprowadzone został badania wstępne. Ich celem bło ustalenie cz wszstkie zmienne wejściowe modelu wpłwają w sposób istotn na zmian parametrów wjściowch. Wkorzstując środowisko Statistica, opracowano czter niezależne modele neuronowe. Każd z tch modeli zawierał sześć wmienionch wżej parametrów wejściowch oraz jeden parametr wjściow (bł to kolejno wszstkie wmienione wżej parametr wjściowe). W celu znalezienia najlepszch architektur sieci, w każdm przpadku przebadano za pomocą Automatcznego Projektanta Sieci 10 różnch sieci neuronowch o jednokierunkowm przepłwie sgnału. Dla wbranch, najlepszch sieci przeprowadzono analizę wrażliwości. Wkazała ona, że wszstkie zmienne wejściowe są istotne dla wszstkich parametrów wjściowch (wartość ilorazu błędu 1). W przpadku przewodności patoki, najważniejszą zmienną jest liczba diastazowa, najmniej istotną stosunek zawartości glukoz do zawartości fruktoz. Dla przewodności dwudziestoprocentowego roztworu wodnego miodu najważniejszą zmienną jest liczba diastazowa, najmniej istotną zawartość prolin. W przpadku części rzeczwistej impedancji są to odpowiednio zawartość prolin i ph, a dla części urojonej impedancji liczba diastazowa i zawartość wod. Następnie wkorzstano dwa niezależne modele neuronowe, na podstawie którch określono wpłw zawartości i aktwności wod na cech elektrczne miodu. W przpadku modelu wkorzstanego do określenia wpłwu zawartości wod na wmienione wżej 169
Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski cech elektrczne spośród wszstkich testowanch struktur sieci wbrano perceptron wielowarstwow o strukturze -9-4 (9 neuronów w warstwie ukrtej). Średni błąd względn modelu określan dla danch uczącch wniósł 2% (dla zbioru testowego %). Na podstawie wartości wag snaptcznch ustalono postać funkcjną zależności każdego wjścia modelu sieciowego od poszczególnch wejść. Następnie dokonano przbliżenia otrzmanej zależności funkcjnej wielomianem, otrzmując następując wnik: 27 x (7) 1 x1 4,24x2 0,79x3 6,17x4 32, 77 2,28x1 1,2x2 0,49x3 1,4x4 11, 16 9 x (8) 3,4x1 11,96x2 21,93x3 20x4 108 8 x (9) 4 x1 7,6x2 14,77x3 8,7x4 89 41 x (10) gdzie kolejne wartości i odpowiadają przewodności patoki, przewodności roztworu, części rzeczwistej i urojonej impedancji, a kolejne wartości x i odpowiadają zawartości wod, stosunkowi zawartości glukoz do zawartości fruktoz, zawartości prolin, ph, liczbie diastazowej. Na rsunku 1 przedstawiono w sposób graficzn wartości bezwzględne współcznników otrzmanego wielomianu odpowiadającch wpłwowi zawartości wod na cech elektrczne ustalone jako parametr wjściowe modelu. Rsunek 1. Wartości bezwzględne współcznników obrazujące wpłw zawartości wod na parametr wjściowe modelu Figure 1. Absolute values of coefficients which picture the impact of water content on input parameters of the model Dla sieci neuronowej służącej do określenia wpłwu aktwności wod na wbrane cech elektrczne spośród testowanch sieci wbrano sieć z 10 neuronami w warstwie 170
Badanie wpłwu zawartości wod... ukrtej (architektura -10-4). Średni błąd względn modelu określan dla danch uczącch wniósł 2,% (dla zbioru testowego,1%). Na podstawie uzskanego modelu otrzmano następujące zależności wielomianowe: 10 x (11) 1,x1 14,x2 6x3 11,6 x4 12, 6 2,7x1 9,6x2 28,x3 24x4 27 8 x (12) 3,4x1 17,3x2 9x3 1,3x4 0 31 x (13) 4,23x1 44x2 0x3 12x4 1, 36 x (14) gdzie kolejne wartości i odpowiadają przewodności patoki, przewodności roztworu, części rzeczwistej i urojonej impedancji, a kolejne wartości x i odpowiadają stosunkowi zawartości glukoz do zawartości fruktoz, zawartości prolin, ph, liczbie diastazowej, aktwności wod. Na rsunku 2 przedstawiono wartości bezwzględne współcznników otrzmanego wielomianu odpowiadającch wpłwowi aktwności wod na cech elektrczne ustalone jako parametr wjściowe modelu. Rsunek 2. Wartości bezwzględne współcznników obrazujące wpłw aktwności wod na parametr wjściowe modelu Figure 2. Absolute values of coefficients which picture the impact of water content on output parameters of the model Otrzmane wrażenia wielomianowe są aproksmacją zależności reprezentowanch przez model neuronow uzskaną z wkorzstaniem metod numercznch. Dlatego nie mogą bć traktowane jako model badanego zjawiska. Jednak stopień wpłwu parametrów wejściowch na parametr wjściowe nie został zniekształcon. Ponieważ badania został wkonane z wkorzstaniem dwóch niezależnch modeli neuronowch, różnice pomiędz 171
Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski wartościami współcznników przedstawionmi na rsunkach nie mogą podlegać interpretacji. Ocenie podlegają włącznie różnice w wartościach współcznników obliczonch dla konkretnego modelu. Podsumowanie Sieci neuronowe są wgodnm narzędziem analiz stopnia wpłwu parametrów wejściowch modelu na jego parametr wjściowe, szczególnie w przpadku gd liczba parametrów jest duża, a zależności międz nimi nieliniowe i ich charakter jest trudn do ustalenia metodami analitcznmi. Na podstawie przeprowadzonch badań sformułowano następujące wnioski: 1. Zawartość wod w największm stopniu wpłwa na składową rzeczwistą oraz urojoną impedancji. Parametr ten wpłwa również, choć w mniejszm stopniu, na przewodność patoki. 2. Aktwność wod w znacznie większm stopniu wpłwa na impedancję (jej część rzeczwistą oraz urojoną) niż na przewodność patoki oraz roztworu miodu. Literatura Górski, M.; Kaleta, J.; Langman, J. (2008). Zastosowanie sztucznch sieci neuronowch do ocen stopnia dojrzałości jabłek. Inżnieria Rolnicza, 7(10), 3-7. Hebda, T.; Francik, S. (2006). Model twardości ziarniaków pszenic wkorzstując Sztuczne Sieci Neuronowe. Inżnieria Rolnicza, 13(88), 139-146. Iurlina, M.O.; Fritz, R. (200). Characterization of microorganisms in Argentinean hones from different sources. International Journal of Food Microbiolog, 10, 297-304. Langman, J. (1999). Zastosowanie sztucznch sieci neuronowch w inżnierii rolniczej. Inżnieria Rolnicza, 1(7), 13-18. Lazaridou, A.; Biliaderis, C.G.; Bacandritsos, N.; Sabatini, A.G. (2004). Composition, thermal and rheological behaviour of selected Greek hones. Journal of Food Engineering, 64, 9-21. Łapczńska-Kordon, B.; Francik, S.; Ślipek, Z. (2008). Model neuronow zmian temperatur podczas konwekcjnego suszenia zrębków wierzb energetcznej. Inżnieria Rolnicza, 11(109), 149-1. Łuczcka, D.; Pentoś, K. (2010). Zastosowanie sztucznch sieci neuronowch do opisu przenikalności elektrcznej mąki. Inżnieria Rolnicza, 2(120), 43-48. Łuczcka, D.; Szewczk, A.; Pruski, K. (2011). Elektrczne metod wkrwania zafałszowań miodu. Inżnieria Rolnicza, (130), 16-170. Osowski, S. (2006). Sieci neuronowe do przetwarzania informacji. Warszawa, Oficna Wdawnicza Politechniki Warszawskiej, ISBN: 83-7207-61-4. Pentoś, K.; Piotrowski, K.; Koralewska, J.; Matnia, A. (2008). Multilaer Perceptron as the Tool for Modeling of Reaction Crstallization of Barium Sulphate in MSMPR Crstallizer. Proceedings of 2008 International Conference on Machine Learning and Cbernetics, 6, 73413-3417. Pentoś, K. (2009). Modelowanie procesów krstalizacji za pomocą sieci neuronowch. Rozprawa doktorska. Politechnika Wrocławska. Rutkowska, D.; Piliński, M.; Rutkowski, L. (1999). Sieci neuronowe, algortm genetczne i sstem rozmte. Warszawa, Wdawnictwa Szkolne PWN, ISBN: 83-01-12304-4. 172
Badanie wpłwu zawartości wod... Rutkowski, L. (2011). Metod i techniki sztucznej inteligencji. Warszawa, Wdawnictwo Naukowe PWN, ISBN: 83-01-1429-3. Skierucha, W.; Wilczek, A.; Szpłowska, A. (2012). Dielectric spectroscop in agrophsics. International Agrophsics, 2(26), 187-197. Ślipek, Z.; Francik, S.; Frączek, J. (2003). Metodczne aspekt tworzenia modeli SSN w zagadnieniach agrofizcznch. Acta Agrophsica, 9, 231-241. Wojtacki, M. (1989). Fermentacja miodu. Pszczelarstwo, 4, 17-18. INVESTIGATION OF THE IMPACT OF WATER CONTENT AND ACTIVITY ON ELECTRIC PROPERTIES OF HONEY WITH THE USE OF NEURAL NETWORKS Abstract. The aim of this research was to determine how water content and water activit influence on the selected electrical hone parameters. Experimental data obtained for fift samples of hone collected on the territor of Poland were used for research. These were nectar hones, nectarhonedew as well as honedew hones. Chemical and electrical parameters were determined for each sample: conductivit of 20 percentage water and hone solution, conductivit and impedance of liquid hone. Then, with the use of artificial neural networks multi-dimensional mathematical models, describing relationships between electrical and chemical properties were constructed. Based on these models, with the use of the knowledge of networks structure and values of snaptic weights, degree of the impact of particular input parameters on output parameters of the model were determined. The tests which were carried out proved that water activit and content influence impedance more than conductivit of liquid hone and solution. Ke words: hone, electrical properties, artificial neural networks, water activit, water content 173