Farklı çikolataların reolojik, tekstürel, duyusal özelliklerinin ve diğer bazı kalite kriterlerinin yapay sinir ağları ile tahminlenmesi

Abstract

Bu çalışmada, makine öğrenmesinin bir alt dalı olan yapay sinir ağları ile farklı çikolata örneklerinin kompozisyonlarına bağlı olarak sertlik, viskozite, renk, erime özelliklerini ve duyusal parametre skorlarını yüksek doğrulukla tahmin edebilen model geliştirmek amaçlanmıştır. Araştırma, başlıca dört aşamadan oluşmuştur. Birinci aşamada, farklı kompozisyolara sahip yerli ve ithal markalardan oluşan beyaz, sütlü ve bitter çikolata örnekleri pazaryerlerinden temin edilmiştir. Etiket bilgilerine göre, çikolata bileşenleri varlık/yokluk durumlarına göre 1-0 şeklinde kodlanmış ikili değişkenler olarak, toplam yağ ve toplam kakao katıları oranları da sürekli değişkenler olarak modelde kullanılacak datasetinin giriş verileri oluşturulmuştur. İkinci aşamada, her bir örnekte tekerrürlü olmak kaydıyla sertlik, viskozite, renk ve erime parametreleri, duyusal analizleri gerçekleştirilmiştir. Elde edilen deneysel sonuçlar ile modelde kullanılacak datasetinin çıktı verileri oluşturulmuştur. Çikolata kompozisyonları ile elde edilen deneysel veriler arasında istatistiksel anlamlılık ve korelasyon değerlendirilmiştir. Üçüncü aşamada, yapay sinir ağları eğitim sürecinde çeşitli öğrenme algoritmaları ve ince ayar hiperparametreleri deneme/yanılma yoluyla özelleştirilmiş bir Matlab kodu kullanılarak performansları değerlendirilmiştir. Dördüncü ve son aşamada ise, en iyi eğitim ve tahmin performansını sağlayan hiperparametreler belirlenerek modelin başarısı ve güvenilirliği çeşitli testler ile değerlendirilmiştir. Elde edilen sonuçlara göre, en güvenilir ve stabil eğitim süreci Levenberg-Marquardt eğitim algoritması ile elde edilmiştir. Bu algoritma ile eğitim sonucunda, geliştirilen sinir ağı modeli yalnızca çikolata kompozisyonuna bağlı olarak sertlik ve viskozite değerlerini, renk ve erime parametrelerini, duyusal skorları sırasıyla 0,95, 0,97, 0,95, 0,84, 0,23 R2 değerleri ile tahmin edebilmiştir. Model, kompozisyon ile çikolatanın sertlik, viskozite, erime ve renk değerleri arasındaki ilişkiyi başarılı bir şekilde yakalayabilmiş ve güvenilir tahmin performansları sergilemiştir. Bunun yanısıra, duyusal analiz sürecinde panelistlerin subjektif puanlamaları modelin kompozisyon ile duyusal skorlar arasındaki ilişkiyi kaçırarak bu farklılıkları gürültü olarak nitelendirmesine neden olmuştur. Bu nedenle, duyusal analiz skorlarının tahmini için model iyileştirmeleri gerekmektedir. Elde edilen sonuçların, yeni çikolata formülasyonlarının hızlı bir şekilde değerlendirilmesini sağlayarak Ar-Ge ve üretim süreçlerinde endüstriye katkı sağlama potansiyeli bulunmaktadır.