Dr. Adrian Tica
ETH Zürich
L’extrusion, notamment l’extrusion à haute teneur en eau (HME), est une technologie intéressante pour les fabricants du secteur agroalimentaire. En effet, sa polyvalence leur offre de nombreuses approches pour la conception d’alternatives aux produits carnés et laitiers ou de produits hybrides. Ce projet s’emploie à examiner et à développer un système de détection par ultrasons non invasif (sans contact) destiné à effectuer des mesures relatives à la caractérisation en ligne de produits et de leurs propriétés. L’axe central étant la réduction de l’empirisme, la priorité était d’assurer des mesures fiables en temps réel pour faciliter leur intégration à des stratégies de contrôle automatique en boucle fermée de l’HME.
Traduit à l'aide d'un plugin de traduction automatique.
Dans le cadre de ce projet, un système de mesure par ultrasons a été intégré avec succès à une ligne d'extrusion à l'échelle pilote/laboratoire afin de surveiller en temps réel les caractéristiques de texture des substituts de viande d'origine végétale. Le système a détecté divers changements au niveau des recettes et des procédés, confirmant ainsi le potentiel de cette technologie pour la surveillance et le contrôle des procédés d’extrusion. Dans le même temps, il est toutefois apparu clairement qu’une optimisation supplémentaire était nécessaire pour améliorer la reproductibilité, la résistance aux fluctuations et la fiabilité globale — un domaine sur lequel se concentrent actuellement les travaux de recherche.
Dans le cadre de ce projet, un système de détection non invasif basé sur la technique d’atténuation des ultrasons (US) a été adapté et installé avec succès à la sortie de la filière de refroidissement d’une extrudeuse à échelle pilote/laboratoire afin de mesurer en ligne les caractéristiques de texture du produit. La faisabilité de la technologie d’atténuation des ultrasons a été étudiée dans le contexte de l’extrusion à haute teneur en humidité (HME) pour la production de substituts de viande d’origine végétale (à base de protéines de soja et de pois). Des mesures systématiques d’atténuation des ultrasons ont été effectuées au cours de plusieurs cycles d’extrusion, avec des variations au niveau de la recette (par exemple, débit d’alimentation, teneur en poudre/eau) et des paramètres de transformation (par exemple, température de chauffage/refroidissement, vitesse de la vis).
Le système de mesure par ultrasons a détecté des variations de l’amplitude du signal transmis et de son atténuation, qui pouvaient être corrélées aux variations des paramètres de recette et de transformation. En particulier, la technique d’atténuation ultrasonore a démontré sa sensibilité en captant des variations aussi faibles que 1 % de la teneur en humidité et en poudre (c’est-à-dire le concentré de protéines de soja ou l’isolat de protéines de pois), ainsi que des variations de la température de chauffage ou de refroidissement comprises dans une plage de 5 °C. Ces résultats soulignent les capacités et le potentiel du système en matière de surveillance et de contrôle des procédés d’extrusion. Ils constituent une étape clé dans la détection et le suivi des variations qui ont un impact direct sur les propriétés et la qualité du produit. Néanmoins, pour atteindre une plus grande cohérence, une meilleure résistance à la variabilité des conditions de fonctionnement et de la composition des ingrédients, une meilleure reproductibilité et une fiabilité globale accrue, des améliorations supplémentaires sont nécessaires ; celles-ci font actuellement l’objet de recherches en cours.
De plus, des modèles reliant (a) les variables de procédé et (b) les caractéristiques d’atténuation des ultrasons à (c) les propriétés mécaniques du produit ont été élaborés avec succès. Il convient de noter que le développement de ces modèles (c’est-à-dire des « capteurs logiciels ») a été réalisé à l’aide d’algorithmes standard d’apprentissage automatique, les propriétés mécaniques, mesurées en laboratoire à l’aide d’un analyseur de texture, servant de variables de sortie. Diverses méthodes d’apprentissage automatique, notamment (i) la régression linéaire, (ii) la forêt aléatoire et (iii) l’eXtreme Gradient Boosting, ont été testées et comparées pour prédire les attributs mécaniques suivants : (1) la dureté, (2) la texture moelleuse et (3) la texture gommeuse. La généralisation et les performances des modèles entraînés ont été évaluées à l’aide d’une validation croisée, qui a montré des résultats cohérents, avec des erreurs relatives inférieures à 3 %. Les modèles s’adaptent avec précision aux données de test, en rendant compte de la variance des variables de sortie, avec un coefficient de détermination (score R²) supérieur à 97 %.
Le cadre permettant de mesurer l’atténuation des ondes ultrasonores pendant le traitement HME et le pipeline de données pour leur intégration en tant que caractéristiques dans l’approche de modélisation ont été mis en place avec succès. Cela fournit une base solide pour la création d’un système de détection efficace destiné à la caractérisation en ligne d’aliments structurés riches en protéines, permettant des représentations plus fiables et généralisées à mesure que des ensembles de données plus volumineux pourront être collectés et mis à disposition. À l’avenir, l’élargissement du référentiel de données et le renforcement de la robustesse des modèles, ainsi que l’amélioration du système de mesure par ultrasons afin de saisir plus largement les schémas d’atténuation et de propagation des ondes spécifiques à la structure interne et à la composition du produit, devraient constituer les objectifs clés des prochains projets.
Les modèles développés peuvent être intégrés dans une structure de rétroaction pour un contrôle qualité prédictif au-dessus du système de contrôle HME. Dans le cadre d’une approche hiérarchique, ils peuvent déterminer automatiquement des valeurs de référence ou des contraintes pour un contrôleur prédictif basé sur un modèle en reliant les variables d’entrée aux attributs de qualité : (1) la dureté, (2) la texture moelleuse et (3) la texture gommeuse, permettant ainsi des processus de production optimisés et pilotés par les données.
Dans le cadre du programme Food 4.0, les Académies suisses des sciences accompagnent, sous l’égide de l’Académie suisse des sciences techniques SATW, des idées de projets innovants qui n’en sont encore qu’à leurs débuts. L’aide accordée est avant tout destinée aux projets offrant des perspectives nouvelles d’évolution pour le système alimentaire suisse. Les projets sélectionnés cette année apportent une contribution majeure aux principaux enjeux, et cela dans les domaines du gaspillage alimentaire, de la durabilité et de la santé.
