Characterization of brown sugar applying analysis of the main components the spectrometric data / Caracterização de açúcar mascavo aplicando análise das componentes principais a dados espectrométricos

AUTOR(ES)
DATA DE PUBLICAÇÃO

2006

RESUMO

O propósito deste trabalho é a caracterização das amostras de açúcar mascavo claro (DPC) e escuro (DPE) provenientes da região de Cataguases, pela Indústria Doce Puxa-Puxa, determinando-se as principais associações destas, bem como expressar os índices de correlação entre as mesmas, baseado nos dados de espectros no infravermelho próximo, medidas analíticas e de métodos quimiométricos utilizando análise das componentes principais, que é uma técnica de análise multivariada. Os espectros de refletância difusa na região do infravermelho próximo foram obtidos usando um espectrofotômetro NIR System 6500 (Silver Spring, MD, USA) utilizando célula coarse e região de espectro de 1000 a 2500 nm, com incremento de 2nm. Para a determinação das concentrações dos metais ( Cu, Ca, Na, Fe, Mg) foi utilizado o espectrofotômetro de absorção atômica da VARIAN, modelo SpectrAA-200. Para a determinação do teor de sacarose utilizou uma técnica de Cromatografia Líquida de Alta Eficiência com um detector de Índice de Refração da marca Shimadzu, modelo RID 10A. Os dados foram transferidos para o ambiente Matlab 5.3. Neste ambiente, os espectros serão pré-processados centrando na média. Em seguida o método da Análise das Componentes Principais (Principal Component Analysis - PCA) será utilizado para verificar a separação das amostras de açúcar mascavo. A análise de componentes principais evidenciou as características comuns e discrepantes entre os diferentes açúcares mascavos. Na disposição dos dados dos espectros na PCA é possível observar que a primeira componente principal (PC1) explica 93,60 % da variância total dos dados, observa-se que existe a separação entre o grupo do açúcar mascavo claro (DPC) e o grupo do açúcar mascavo escuro (DPE), na primeira componente principal. Foram aplicadas a PCA à matriz de dados gerados (97 x 5) com os resultados das concentrações dos metais. O pré processamento usado foi o auto-escalonamento, onde mostrou que a primeira componente principal (PC1) explica 56,24 % da variância total dos dados, sendo que a segunda componente principal (PC2) explica 27,27 %, respectivamente. É interessante notar que as diferentes amostras, foram agrupadas entre si, de acordo com as diferenças nas concentrações dos metais encontrados.

ASSUNTO(S)

infra-red reflectance spectrometry análise de componentes principais liquid chromatography of high efficiency brown sugar quimica analitica química analítica espectrometria de infravermelho por reflectância multivariate analysis cromatografia a líquido de alta eficiência açúcar mascavo analysis of the main components análise multivariada analytical chemistry

ACESSO AO ARTIGO

Documentos Relacionados