Prev
Next 
8. Száraztészták tojástartalmának meghatározása II. FT-NIR/NIT alapú eljárás
Tanulási célok
Száraztészták tojástartalmának meghatározása II. FT-NIR/NIT alapú eljárás

Elméleti bevezetés

Száraztészták tojástartalmának szabvány szerinti meghatározása jelenleg az MSZ 20500/4-87 szabványban leírtaknak megfelelően történik, amikor is a minta koleszterin tartalmát mérjük etil-acetátos extrakciót követően a Liebermann - Burchard reakció segítségével.

A meghatározás elvi problémája
, hogy a felhasznált kémiai reakció nem specifikus koleszterinre, mert a mintában jelenlevő összes szterán-vázas vegyület adja a reakciót. Miután a száraztészta készítése során nagy tömegben használnak fel búzalisztet, számítanunk kell arra, hogy a búzaliszben jelenlevő növényi szterinek (fitoszterin, ergoszterin) éppúgy részt vesznek a reakcióban, mint a tojásban található koleszterin. Bár a liszt szterin-tartalma igen csekély a tojáshoz képest, figyelmen kívül hagyni semmiképp nem szabad, tekintettel a felhasznált liszt nagy mennyiségére.

A meghatározás kémiai problémája,
hogy a Liebermann – Burchard reakció időreakció, emiatt nehezen kézben tartható. A maximális színintenzitás kialakulásához a szabvány szerint 30-60 perc szükséges, az első mérést 30 perc elteltével javasolják. A tapasztalatok azt mutatták, hogy az első mérést maximum 20 perc eltelte után kell elvégezni, majd addig mérni a minták abszorbanciáját, amíg az csökkenő tendenciát nem mutat az időben. Az eredmény számításához a maximális abszorbancia értékeket használjuk fel. Ez az abszorbancia természetesen csak relatíve a maximális, hiszen az abszolút maximális érték megállapításához kinetikai görbét kellene felvennünk.

A meghatározás technikai problémája
, hogy 2 órán keresztül kell vízfürdőn extrahálni a mintákat. Az extrakció mértéke, a kinyerési hatásfok sok bizonytalanságot rejt magában.

A meghatározás környezetvédelmi problémája, hogy nagy energia igényű (2 órán át vízfürdőn végrehajtott extrakció), igen nagy mennyiségű szerves oldószert igényel, amely utólagos kezelése és megsemmisítése külön eljárást kíván meg.
A felsorolt problémákat figyelembe véve kifejlesztettünk egy új módszert, amely minimális mintaelőkészítés mellett, vegyszer felhasználása nélkül ad lehetőséget száraztészták tojástartalmának meghatározására. Az FT-NIR meghatározás elvi alapja a minták zsírtartalmának meghatározása, amelyből számítással vezethetjük vissza a tojástartalmat. Tekintettel arra, hogy a minták liszt, tojás és víz alkotókon kívül más, zsiradéktartalmú komponenst nem tartalmazhatnak, ha ismerjük a tojások és a liszt zsírtartalmát, nedvességtartalmukat, egyszerű számítással a tojástartalom meghatározható.

Az FT-NIR technika

Elméleti bevezető

A Fourier-transzformációs reflexió mérésén alapuló közeli infravörös spektroszkópia (FT-NIR) szilárd minták közvetlen mérését teszi lehetővé. Miután nem abszolút mérési módszer, a nyert spektrumok és a vizsgálandó kémiai, fizikai jellemzők összefüggéseit kalibrációs módszerekkel kell meghatározni. A technika indirekt jellegéből adódóan matematikai-statisztikai, kemometriai módszerekkel keresi ugyanazon mintaseregre meghatározott, spektrális tulajdonságok és a referencia módszerrel (kémiai, fizikai) mért tulajdonságok összefüggéseit. A kalibrációnak nevezett műveletek során többváltozós lineáris és nem lineáris módszereket alkalmaznak, leggyakrabban a többváltozós lineáris regresszió (Multiple linear regression - MLR), a főkomponens regresszió (Principal component regression - PCR) és részleges legkisebb négyzetek módszerével (Partial least squares regression - PLS) találkozhatunk. A kalibrációs összefüggések ellenőrzésére keresztellenőrzéses validálási (cross validation) vagy független mintakészletes validálási eljárást (standard error of performance) használnak.
A módszer igen nagy előnye minden egyéb technikával szemben, hogy a kalibrációs összefüggés felállítását követően a száraztészta minimális minta-előkészítéssel (darálás, homogenizálás), szilárd halmazállapotban, vegyszer felhasználása nélkül, nagy mintaátviteli kapacitással és rendkívül környezetbarát módon mérhető.

Becslési függvény meghatározása – FT-NIR készülék kalibrálása 1.

A tojástartalom meghatározása FT-NIR módszerrel közvetett, zsírtartalom mérésén alapuló módszer. Ahhoz, hogy számításainkat el tudjuk végezni, ismernünk kell a felhasznált tojások, valamint a liszt zsírtartalmát is.

A meghatározáshoz felhasznált, jelenleg érvényben levő Magyar Szabvány

MSZ 20501-1:2007 Sütőipari termékek vizsgálati módszerei. 1. rész: Kémiai vizsgálatok

Eszköz és műszerigény
Jódszám lombik, büretta, pipetta, főzőpohár, szárítószekrény, exszikkátor, analitikai mérleg, vízfürdő, Bruker (Ettlingen, German) MPA FT-NIR/NIT készülék 30 helyes mintakerékkel (1. ábra), OPUS 6.5 szoftver
Vegyszerigény
Etil-alkohol (95%-os), cc. kénsav, petroléter (40-65°C) (a.r. tisztaságú vegyszerekre van szükség)
Kénsavas etilalkohol: 100 tf. rész EtOH + 5 tf cc. H_2SO_4 (mindig frissen készítendő)


Mintaelőkészítés
(a) A száraztészta- és a lisztmintákat szárítószekrényben 105°C hőmérsékleten 2 órán keresztül tömegállandóságig szárítjuk
(b) Az exszikkátorban lehűtött mintákat darálón finomra daráljuk és szita segítségével leválasztjuk a ø < 315 µm szemcsefrakciót.
(c) A mérési eredményekből kiszámítjuk a minta szárazanyag tartalmát
Ezt a mintát használjuk fel a NIR spektrumok felvételéhez is.
(d) A tojásmintákat homogenizáljuk és ScanVac (Scanlaf, Dánia) berendezéssel liofilizáljuk

Minták zsírtartalmának meghatározása Weibull-Stoldt módszerrel:
(a) 3-10 g tömegű, a leírt módon előkészített mintát mérünk be analitikai mérlegen jódszám lombikba
(b) 25 cm^3 kénsavas etanolt mérünk a mintákra és forró vízfürdőbe helyezzük és lezárjuk. A dugó és a lombik nyaka közé célszerű egy szűrőpapír csíkot helyezni, így a túlnyomás/vákuum jelenségét ki tudjuk küszöbölni
(c) A feltárást addig folytatjuk, amíg sárgás-barna nem lesz a minta. Amennyiben elszenesedik, a bemérést meg kell ismételni
(d) A feltárását követően 10 cm^3 95%-os etil-alkoholt adunk a reakcióelegyhez, majd lehűlés után 50 cm^3 petrolétert. Alaposan összerázzuk.
(e) 2 órán keresztül állni hagyjuk a dugóval lezárt reakcióelegyet, 30 percenként alaposan összerázzuk
(f) A petroléteres fázis jobb elkülönülését segítendő feltöltjük a lombikokat a nyak magasságáig csapvízzel, majd egy éjszakán keresztül állni hagyjuk
(g) A tiszta petroléteres rétegből pontosan 20,0 cm^3 térfogatrészt szárítószekrényben kiszárított és analitikai pontossággal ismert tömegű főzőpohárba mérünk
(h) A petrolétert a pohárból max. 40ºC hőmérsékleten elpárologtatjuk majd ezt követően a főzőpoharakat legfeljebb 30 percre 105°C hőmérsékletű szárítószekrénybe tesszük az oldószer nyomok eltávolítása céljából.
(i) Az exszikkátorban lehűtött poharak tömegét analitikai mérlegen visszamérjük
(j) Mérési adatok kiértékelése a megadott összefüggés alapján történik, amelyben a paraméterek a következők:

Zs = zsírtartalom szárazanyagra vonatkoztatva, m/m%
V_A= az összes hozzáadott petroléter térfogata (50,0 cm^3), cm^3
V_V =a párolgás miatt fellépő petroléter veszteség (1,0 cm^3), cm^3
V_zs =az elpárologtatás céljára kivett éteres fázis térfogata (20,0 cm^3), cm^3
m_zs=a mért zsír tömege, g
d= a zsír relatív sűrűsége (0,9-nek vehető)
m_b= bemért anyag tömege, g
Zs [m/m \%] \frac(V_A - V_V) * m_zsV_zs - \fracm_zsd * \frac100m_b
Száraztészta zsírtartalmának számítási összefüggése
A leírt módon meghatározzuk a liofilizált tojásporok és a lisztminták zsírtartalmát, és ezekből átlagos értéket állapítunk meg.

A tojástartalom számítása a zsír- és a szárazanyag-tartalom ismeretében a következő képlet alapján történik:
m_1 * c_1 = \frac(1000-x) *c_3 + x*c_2 *m_210
A tojástartalom számítása a zsírtartalom alapján
Az összefüggésben szereplő paraméterek:
m_1= bemért minta tömege, (szárazanyag)
m_2= egy tojásból nyert liofilizátum tömege
c_1= a vizsgált minta zsírtartalma, m/m% egységben
c_2 = egy tojás liofilizátumának zsírtartalma
c_3 = a búzaliszt zsírtartalma
x = tojástartalom, darab

Becslési függvény meghatározása – FT-NIR készülék kalibrálása 2.

A közeli infravörös tartományban a molekularezgések, elsősorban az X-H rezgések, kisebb intenzitásúak és kiszélesedett felhangokat és kombinációs sávokat eredményeznek. Ezek egymással gyakran átlapolódnak. Az átlapolódás következtében a hagyományos értelemben vett, Lambert-Beer törvényen alapuló kalibráció általában nem lehetséges. Az FT-NIR módszer esetében ez a kalibráció gyakorlatilag úgy történik, hogy a kémiai adatok és a közeli infravörös tartományban felvett reflexiós spektrumok karakterisztikája között a bevezetőben már említett, többváltozós matematikai módszerekkel keressük az összefüggést. Egy-egy megfelelő kalibrációs modell elkészítéséhez a minta típusától vagy az adott mintacsoportra érvényben lévő ISO szabványtól függően 50-1000 nagyságrendű mintaszámra van szükség.
A becslési függvény megállapításához ismernünk kell a már korábban megállapított kémiai (referencia) adatokat, a minták NIR spektrumát, valamint azokat a tartományokat, ahol a vizsgálni kívánt komponens jellegzetes csúccsal rendelkezik.
A liofilizált tojáspor spektrumát elemezve választjuk azokat a tartományokat, ahol a mérést végezzük. A bemutatott ábra alapján ezek a következők: 1360 – 1628 (7353-6142 cm^-1), 1655 – 1856 (6042-5388 cm^-1), 1895 – 2099 (5277-4764 cm^-1) és 2132 - 2552 nm (4686-3918 cm^-1)
Miután a kézikönyvek, cikkek gyakran a hullámhossz helyett még hullámszám értéket használnak, ezért a zárójelben ezeket is feltüntettük. Ezekben a tartományokban találhatók az O-H, CH-, CH_2 és CH_3 valamint a karbonsavakban észterekben található C=O kötések rezgési felhangjai és kombinációi.
Az OPUS 6.5 szoftver számtalan matematikai lehetőséget kínál fel a kiértékeléshez, amelyek az optimálási művelet előtt beállíthatóak.
Kalibráció végrehajtása
(a) Felvesszük a minták spektrumát
(b) A görbékhez rendeljük a minták és a standard alkotók (tojás, liszt) zsírtartalma alapján számított tojástartalom adatokat.
(c) Beállítjuk a hullámszám tartományokat és a matematikai műveleteket
(d) Elindítjuk az optimálás műveletét
(e) Az optimálás eredményeként kapott táblázatból kiválasztjuk a legkedvezőbb összefüggést. A választás szempontjai közé tartozik: megfelelő hullámszám tartomány, minimális RMSECV, maximális RPD, valamint optimális RANK érték.
(f) A kiválasztott becslési függvényre elvégezzük a kereszt-validálást (2. ábra).
(g) Az elmentett összefüggés a továbbiakban száraztészta tojástartalmának meghatározására alkalmas, a becslési összefüggés keresése egy alkalommal szükséges.
(h) Célszerű külső ellenőrző mintát is alkalmazni az összefüggés minőségi ellenőrzésére. Ennek a mintának is meg kell határozni a tojástartalmát (a már bemutatott módon), de ezt az adatot a becslési összefüggés hátterét képező adatbázis nem tartalmazza.
(i) A becslési összefüggés felállítását követően a program „validation report” és „calibration report” információi alapján egy táblázatot állítunk össze, amelyben a becslési összefüggés matematikai minősítését mutatjuk be (1. táblázat).
1. Táblázat: A becslési függvény matematikai paraméterei
Calibration
Cross Validation
R^2
Rank
RPD
RMSECV
-
RMSEE
-
Bias
-

Becslési függvény meghatározása – FT-NIR készülék kalibrálása 3.

Elméleti kiegészítés a paraméterek értelmezéséhez

Az RMSECV (Root Mean Square Error of Cross Validation) érték a becsült (Y^pred =NIR által mért) és a mért érték (Y^meas = kémiai adat) közötti eltérést adja meg a mérendő komponens egységében.
RMSECV =  \sqrt  \frac1M \sum_i=1^M (Y_i^meas - Y_i^pred )^2
A RANK a főkomponens számát adja meg. Főkomponens fogalma alatt jelen esetben nem a tényleges alkotókat kell érteni. A program a spektrum kiértékelésekor jellemző információtartományokra bontja a spektrumot, s ezeket nevezzük főkomponensnek, illetve a program RANK-nek. Ez matematikai szempontból a PLS regresszió faktorainak, sajátvektorainak száma. Túl nagy RANK érték esetében olyan információ is feldolgozásra kerülhet, amely valójában nem a vizsgált komponenssel, hanem a minta struktúrális paramétereivel /pl. szemcseeloszlás/ van összefüggésben, és a kialakuló becslési függvény nem lesz robusztus. Túl kis RANK érték esetében viszont adatvesztés veszélye áll fenn.
Az RPD (Residual Prediction Deviation) a maradék eltérés becslés értéke, amelyet M mintaszám esetére a tapasztalati szórás és a szisztematikus hibával (bias) korrigált becslési hiba hányadosaként számít a program.
RPD értéke adja meg a felvilágosítást arra vonatkozóan, mennyire jó minőségű a becslési függvény.
RPD = \fracSDSEP_bias


SD = \sqrt \frac1M-1 \sum_i=1^M (Y_i^meas - Y_m )^2


SEP_bias = \sqrt \frac1M-1 \sum_i=1^M (Y_i^meas - Y_i^pred - bias )^2


bias = \frac  \sum_i=1^M Y_i^meas - Y_i^predM
 Prev
Next