Investigação do efeito de variáveis de processo sobre o rendimento de isolado protéico de soja de uma planta industrial

Abstract

Resumo: O isolado protéico de soja (IPS) é produzido em escala comercial a partir do processamento de flocos de soja desengordurados (FSD), o que tradicionalmente envolve operações consecutivas de solubilização e precipitação de proteínas da soja por alteração de pH do meio aquoso onde as mesmas encontram-se. Estas etapas do processamento visam, respectivamente, a remoção de fibras insolúveis e carboidratos presentes na matéria-prima, de modo que o produto final torne-se concentrado em proteína (>90 % em base seca). Neste contexto, o principal objetivo desta dissertação foi investigar o efeito de variáveis de processo sobre o rendimento de obtenção da proteína na produção de isolado protéico (R) em uma planta industrial de processamento de soja. Em particular, foram considerados como fatores a quantidade residual de óleo nos FSD, a temperatura na saída do dessolventizador, o tempo de residência dos FSD no dessolventizador, e o pH no primeiro e segundo tanque de solubilização de proteínas. Um conjunto de 40 dados de rendimento de IPS mensurados na planta, em função dos fatores considerados, foi utilizado para uma análise de efeitos baseada em um modelo estatístico. Os resultados indicaram que com 92,5 % de probabilidade apenas a temperatura e o pH do primeiro tanque de solubilização de proteína apresentam efeito significativo sobre R. Com base nesta evidência sugeriu-se um modelo de redes neuronais artificiais a fim de correlacionar as mencionadas variáveis ao rendimento de IPS na planta. Redes Multilayer Perceptron (MLP) com 3 a 7 neurônios na camada intermediária foram testadas, mas a melhor arquitetura envolveu 5 neurônios pois sobre-ajuste foi observado quando um número superior foi considerado. A validação dos modelos foi verificada com um conjunto de dados independente do empregado na etapa de desenvolvimento/treinamento, e em ambos os casos o desvio relativo médio entre valores de R na planta e calculados foi inferior a 4 %. Ensaios foram conduzidos em condições controladas de laboratório para simular as operações industriais de processamento dos FSD. Em especial, dados de rendimento de IPS foram obtidos variando-se a temperatura de saída do dessolventizador (de 55 a 75 oC) e o pH no primeiro tanque de solubilização de proteínas (de 6,8 a 7,6). Um efeito positivo do pH sobre R foi observado nas distintas condições de processamento dos FSD (i.e.; planta versus laboratório), porém a temperatura apresentou influência oposta sobre a mesma resposta de interesse, sugerindo que os FSD foram exposta a diferentes rampas de aquecimento durante o estágio de remoção de hexano ocorrido na planta e em laboratório.

Abstract: Soy protein isolate (SPI) is produced in large-size commercial scale from defatted soy flakes (DSF). The classical manufacturing process is essentially based on protein solubilization at alkaline pH and precipitation by acidification to the isoelectric pH. These successive operations aim to remove insoluble fibers and carbohydrates originally found in the raw material, respectively. In such a way, the final product has a high percentage of protein (>90 % in dry basis). In this framework, the main aim of this study is to investigate the effect of process variables on the yield (R) of soy protein isolate in a industrial plant of soybean manufacturing. In particular, the residual content of oil in the DSF, the temperature in the discharge of the desolventizer, the residence time of DSF in the desolventizer, and the pH in the first and second stage of protein solubilization were the considered factors. An analysis of effects based on a suggested statistical model was performed by involving a set of 40 data of SPI yield from the industrial plant as a function of the examined variables. The results shown with a probability of 92.5 % that only the temperature and pH of the first tank of protein solubilization have a significant influence on R. Based on this evidence an artificial neural network model was suggested in order to correlate the yield of SPI and the aforementioned variables in a industrial unit of soybean processing. MLP networks with 3 to 7 neurons in the one-hidden-layer were tested, but the best architecture involved 5 neurons since over-fitting was observed when a larger number of neurons was considered. Two independent sets of data of SPI yield against process variables were employed in the step of model training and model validation for both the examined models. The relative average deviation between measured and calculated SPI yield was lower than 4 % for both the proposed models. Experiments were carried out under controlled laboratory conditions to simulate the industrial operations of DSF manufacturing. In particular, SPI yields were obtained by changing the temperature in the exit of the desolventizer (from 55 to 75 oC) and the pH in the first tank of protein solubilization (from 6.8 to 7.6). A positive effect of pH on R was observed at the different DSF processing conditions (i.e.; plant versus laboratory). However, the temperature presented an opposed influence on the same response under the distinct examined situations. It suggests that DSF was treated at different heating rates during the stage of hexane removal taken place in the industrial plant and in the laboratory.