Аннотация результатов, полученных в 2025 году
Информация о проекте опубликована на сайте КемГУ (https://kemsu.ru/news/84190-issledovaniya-uchenykh-kemgu-podderzhany-grantami-rnf/). В ходе реализации проекта разработаны способы применения методов машинного обучения для составления рецептуры гранулированных продуктов. Все работы произведены на предприятии ООО "НПО Здоровое питание" г. Кемерово, которое специализируется на гранулированных продуктах. Проработан вопрос поиска источника данных для составления датасета, содержащего рецептуры продуктов, а также логики взаимосвязи между сырьем и конечным продуктом через химический состав, благодаря чему также был создан датасет. Решена задача поиска модели генерации рецептуры и состава конечного продукта на примере морсов, киселей, сухих завтраков и напитков. Для морсов наилучшие модели были получены для метода многовыходной регрессии (средняя относительная ошибка - 0,46%), цепочки регрессий (0,39%), градиентного бустинга (0,60%). Для киселей лучшей моделью стала модель, полученная с помощью стекинга (2,80%). Наиболее точные модели для прогнозирования состава сухих завтраков стали: стекинг (2,03%), линейная регрессия (2,81%), градиентный бустинг (2,26%). Для напитков: многовыходная регрессия (0,83%), цепочка регрессий (0,83%), стекинг (0,92%). Описанные приемы, методы, алгоритмы и последовательность их применения составляют методику применения методов машинного обучения и искусственных нейронных сетей для проектирования сухих гранулированных пищеконцентратов. Она может быть применена для проектирования любых продуктов, отличных от гранулированных. Для этого достаточно найти источники данных, которые войдут в основу датасета, определить множество объектов и множество ответов. Для экспериментального подтверждения методики с помощью полученных моделей были спроектированы рецептуры бруснично-черничного киселя (каждая из трех лучших моделей дала свой прогноз). Далее на основании органолептической оценки выбрана наиболее удачная: концентрат сока из ягод брусники (19 кг на 100 кг готового киселя), концентрат сока из ягод черники (13 кг), крахмал картофельный (23 кг), сахарная пудра (45 кг). Описаны с помощью информационных потоков все основные группы объектов, составляющие производственный процесс (процессы, сырье/продукты, оборудование). В технологическом потоке производства гранулированных киселей выделены и идентифицированы различные виды объектов, которые можно разделить на три группы: 1. сырье, ресурсы и продукты производства; 2. процессоры; 3. оборудование. Для разработки технологической линии по производству бруснично-черничного киселя, разработанного ранее идентифицированы все три группы объектов. Для первой группы идентифицировано 19 объектов, такие как «размороженная ягода», «концентрат сока», «влажная гранула» и др. У процессоров выделено 16 объектов, такие как «нагревание», «ориентирование», «разделение». У оборудования выделено 16 объектов, такие как «гранулятор», «сепаратор», «выпарной аппарат». Каждый объект содержит свойства, задав которые, можно полностью описать как данный объект функционирует в технологическом потоке. Используя системный подход, спроектирована технологическая линия для производства бруснично-черничного киселя. Для нового технологического потока, используя идентифицированные в главе объекты, спроектирована ER-модель объектно-реляционной базы данных и разработана сама база данных для хранения информации о функционировании потока. База состоит из 33 таблиц, большая часть которых описывает введенные объекты. Разработаны способы применения методов машинного обучения и искусственных нейронных сетей для оценки и прогнозирования показателей технологического потока. Проработан вопрос поиска источника данных для составления датасета, содержащего показатели качества сырья, промежуточных и конечных продуктов, измеряющихся на входе и выходе подсистем. Построены модели прямой последовательности действующей технологической линии по производству гранулированных киселей, идущие по порядку от начала к ее концу по подсистемам. Они способны предсказывать значения свойств промежуточных и конечных продуктов. Также построены модели обратной последовательности технологической линии, идущие от последней подсистемы к первой. Они способны предсказывать значения свойств исходного сырья для создания планируемых промежуточных и конечных продуктов. Описанные приемы, методы, алгоритмы и последовательность их применения составляют методику применения методов машинного обучения и искусственных нейронных сетей для оценки и прогнозирования показателей технологического потока. Она может быть применена для оптимизации и прогнозирования свойств промежуточных и готовых продуктов, а также поиске подходящего сырья для создания проектируемых продуктов. Также прогнозируемые данные могут быть загружены в программу расчета показателей технологического потока, по результатам которой можно судить об изменении целостности системы или стабильности ее подсистем. Для экспериментального подтверждения методики с помощью разработанных моделей спрогнозировали свойства конечного продукта – бруснично-черничного киселя. Затем сравнили прогнозируемые показатели и экспериментальные, полученные на экспериментальной линии после модернизации: Прочность гранул (средняя относительная ошибка – 3,70%), Содержание витамина С (4,99%), Концентрация полифенолов (0%). Погрешности не превышают 5%, что говорит о достаточной точности моделей. В ходе выполнения работ подготовлено 3 рукописи статей. Одна из них опубликована в журнале "Техника и технология пищевых производств", вторая будет опубликована в феврале 2026 года в журнале "Пищевая промышленность", а третья находится на рецензировании в журнале "Известия вузов. Пищевая технология" и планируется к выходу в декабре 2026. Зарегистрирована 1 программа ЭВМ. Издана 1 монография. Результаты исследования были представлены на 1 международной и 1 всероссийской конференции.