ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Данный реферат является оригинальной работой автора.
Все результаты и выводы получены в ходе научного исследования в рамках магистерской диссертации.

Содержание

Введение

Современная индустрия релаксации и социального досуга стремится к созданию персонализированных, технологичных и безопасных продуктов. Паровой коктель (кальян), эволюционировав от традиционного формата, представляет собой сложную систему доставки вкусоароматических и функциональных веществ посредством низкотемпературного испарения. Создание сбалансированного микса для парового коктеля является многокритериальной задачей композиционного дизайна, требующей учёта множества взаимосвязанных параметров: химической совместимости десятков ингредиентов, их температур испарения, органолептической гармонии (вкус, аромат, плотность и текстура пара), физиологического воздействия (расслабление, тонизирование), а также экономической эффективности и соответствия динамичным потребительским трендам.

Традиционный процесс разработки новых миксов опирается на экспертный опыт мастеров, что делает его длительным, субъективным и трудно масштабируемым. В условиях быстрорастущего глобального рынка и повышения требований к качеству и инновационности возникает острая потребность в интеллектуальных системах автоматизированного проектирования (CAD), способных исследовать обширное комбинаторное пространство рецептур и генерировать оптимизированные решения. Генетические алгоритмы (ГА), как класс эволюционных вычислений, доказали свою высокую эффективность в задачах многокритериальной оптимизации со сложными ограничениями и нелинейными зависимостями, что делает их идеальным инструментом для автоматизации творческого процесса создания смесей.

Данная работа посвящена разработке и всестороннему исследованию модифицированного генетического алгоритма (МГА), специально адаптированного для синтеза и оптимизации рецептур миксов для паровых коктелей. Предлагаемый алгоритм интегрирует знания из органической химии, физической химии (термодинамика растворов и испарения), сенсорной науки, потребительской аналитики и машинного обучения, формируя целостную систему для генерации инновационных, технологичных и востребованных продуктов.

1. Актуальность и проблема исследования

Рынок продукции для паровых коктейлей демонстрирует устойчивый рост (8-15% CAGR), особенно в премиальном сегменте и сегменте безникотиновых/функциональных смесей. Потребители становятся более искушёнными, требуя сложных, «многослойных» вкусов, чистого и обильного пара, а также специфических эффектов (релаксация, социальная активность, концентрация). Существующий R&D-процесс на производствах в значительной степени остаётся эмпирическим, основанным на линейных экспериментах и дегустационных панелях, что не позволяет эффективно исследовать комбинаторное пространство, исчисляемое для современных баз ингредиентов миллиардами вариантов.

Проблема исследования заключается в отсутствии специализированного алгоритмического и программного инструментария, способного формализовать и автоматизировать процесс создания миксов как задачу многокритериальной оптимизации с учётом следующих взаимосвязанных аспектов:

  1. Физико-химические ограничения: компоненты имеют различные температуры кипения и давления пара. Несбалансированный микс может приводить к преждевременному испарению легколетучих соединений, неполному раскрытию тяжёлых нот или образованию нежелательных продуктов термического разложения.
  2. Сенсорная (органолептическая) гармония: вкусоароматические профили должны создавать целостное, приятное и сбалансированное восприятие. Задача включает прогнозирование синергии и антагонизма между ароматическими молекулами.
  3. Технологичность и стабильность: рецептура должна быть воспроизводимой в промышленных условиях, обладать сроком хранения, сохранять однородность и не вступать в нежелательные химические реакции между компонентами.
  4. Динамика потребительских предпочтений: вкусовые тренды изменчивы и имеют региональные особенности. Алгоритм должен уметь учитывать данные обратной связи из соцсетей, рейтингов и поисковых запросов.

Таким образом, актуальность работы определяется необходимостью создания интеллектуальной системы поддержки принятия решений (DSS) для индустрии, которая позволит радикально ускорить цикл разработки новых продуктов, снизить затраты на экспериментальное производство, повысить качество и конкурентоспособность миксов, а также открыть путь к массовой персонализации под индивидуальные запросы.

2. Цель, задачи и методология

Целью диссертационного исследования является разработка, программная реализация и экспериментальная валидация модифицированного генетического алгоритма для автоматизированного синтеза и многокритериальной оптимизации рецептур миксов для паровых коктелей, обеспечивающего генерацию инновационных, технологичных и сенсорно-сбалансированных композиций.

Для достижения поставленной цели сформулирован комплекс взаимосвязанных задач:

  1. Провести системный анализ современных модификаций генетических алгоритмов (нишевые, коэволюционные, меметические, островные модели) и оценить их потенциал для задач композиционного дизайна сложных многокомпонентных смесей.
  2. Исследовать физико-химические основы процесса работы парового коктеля: термодинамику испарения многокомпонентных растворов (глицерин, пропиленгликоль, вода), кинетику высвобождения ароматических соединений, механизмы формирования аэрозоля (пара), влияние конструктивных параметров устройства на характеристики сессии.
  3. Разработать детализированную онтологию ингредиентов, включающую химические свойства (Tкип, ΔHисп, функциональные группы), сенсорные дескрипторы (по классификации Флеро), функциональные характеристики и данные о совместимости/антагонизме.
  4. Создать комплексную многокомпонентную математическую модель оценки качества микса (фитнес-функцию), интегрирующую:
    • технологический модуль – проверку термодинамической совместимости, прогноз «температурного профиля» испарения, оценку химической стабильности;
    • сенсорный модуль – прогноз вкусоароматического букета на основе графовых моделей сочетаемости и ML-моделей, обученных на исторических данных дегустаций и отзывах;
    • функциональный модуль – оценку ожидаемого физиологического эффекта на основе фармакологических и фитохимических свойств компонентов;
    • экономико-маркетинговый модуль – расчёт себестоимости, анализ соответствия актуальным трендам через NLP-обработку текстовых данных;
  5. Предложить оригинальную архитектуру МГА, включающую трехуровневое кодирование хромосомы, коэволюционную островную модель, адаптивные генетические операторы и механизм локальной оптимизации (меметический компонент).
  6. Реализовать прототип программной системы «SteamCocktail GA Designer» на Python с использованием библиотек DEAP, RDKit, Scikit-learn, NetworkX и SQLite базы данных ингредиентов (≥200 позиций).
  7. Провести вычислительные эксперименты по генерации рецептур для целевых категорий: «Фруктово-цитрусовые», «Десертно-кремовые», «Пряно-древесные», «Функциональные (энергия/релакс)». Сравнить эффективность МГА с базовым ГА, случайным поиском и лучшими коммерческими аналогами.
  8. Организовать экспериментальную верификацию: изготовление и слепую дегустацию лучших алгоритмически сгенерированных миксов с привлечением экспертов и фокус-группы потребителей. Провести статистический анализ полученных оценок.

Методология исследования основана на принципах системного анализа, теории эволюционных вычислений, методах химической информатики (QSPR), многокритериальной оптимизации (Парето-подход), статистическом анализе данных и agile-подходе к разработке ПО.

Научная новизна заключается в создании первой специализированной архитектуры генетического алгоритма для дизайна смесей для паровых коктелей, учитывающей уникальные низкотемпературные процессы испарения, и в разработке комплексной фитнес-функции, объединяющей прогнозные химические модели с данными сенсорного анализа и потребительских предпочтений.

3. Обзор исследований и технологий

3.1 ГА в задачах композиционного дизайна

Генетические алгоритмы давно и успешно применяются в задачах молекулярного дизайна, композиции материалов и пищевых продуктов. Работа [4] заложила основы использования ГА для поиска молекул с заданными свойствами. Для предотвращения преждевременной сходимости в задачах с множеством локальных оптимумов эффективны нишевые техники (fitness sharing, clearing), искусственно поддерживающие разнообразие популяции. Коэволюционные подходы, где несколько взаимодействующих популяций эволюционируют совместно, перспективны для создания сложных многогранных композиций. Меметические алгоритмы, гибридизирующие глобальный эволюционный поиск с локальной тонкой настройкой, обеспечивают ускоренную сходимость и высокое качество решений.

3.2 Физико-химия парового коктеля

Пар в коктельном устройстве представляет собой многокомпонентный аэрозоль на основе глицерина и/или пропиленгликоля с диспергированными ароматическими молекулами. Рабочий диапазон температур (150–220 °C) достаточен для испарения летучих соединений, но требует тщательного подбора компонентов по температуре кипения. Исследования [7] и [17] детально изучали состав и формирование аэрозоля. Ключевым является понятие температурного профиля микса, обеспечивающего последовательное и равномерное раскрытие всех нот. Также критична химическая стабильность смеси при хранении, что требует учёта возможных реакций между компонентами.

3.3 Технологии производства смесей

Современное производство использует широкий спектр основ: от традиционного табака массель до безникотиновых альтернатив на основе чая, трав, фруктовых волокон. Процесс включает резку, пропитку (маринование) в сиропах и выдержку. Автоматизация дозирования существует, но этап разработки новой рецептуры остаётся рутинным. Алгоритмический подход позволяет систематизировать этот процесс, трансформируя его из искусства в инженерную дисциплину.

3.4 CAD-системы в индустрии развлечений

В смежных областях уже используются системы ИИ для творческих задач: IBM Philyra для парфюмерии, Chef Watson для кулинарии, алгоритмы для подбора винных букетов. Однако для индустрии паровых коктейлей подобные решения отсутствуют. Существующие САПР для пищевой и химической промышленности не учитывают специфику низкотемпературного испарения и социально-культурный контекст потребления, что создаёт нишу для специализированной разработки.

4. Разработка МГА для создания миксов

Разработанный МГА использует коэволюционную островную модель. Каждый «остров» эволюционирует в определённой вкусовой нише. Хромосома имеет трехуровневую структуру: 1) Основа (тип и доля); 2) Носитель (пропорции глицерина, пропиленгликоля, патоки); 3) Ароматический слой (бинарный вектор наличия компонентов и вектор их концентраций).

Интегральная фитнес-функция F(M) вычисляется как взвешенное произведение четырёх критериев: 

F(M) = [F_tech(M)]^w1 * [F_sensory(M)]^w2 * [F_effect(M)]^w3 * [F_market(M)]^w4

Применяются адаптивные операторы кроссовера и мутации, а также меметический компонент (локальный поиск Нелдера-Мида) для тонкой настройки концентраций у лучших особей.

5. Эксперимент и анализ результатов

Эксперименты проводились на базе из 200 ингредиентов. Были поставлены три задачи: создание миксов «Tropical Fusion», «Spiced Heritage» и «Focus Boost». Проведено сравнение МГА со стандартным ГА (SGA), случайным поиском (RS) и коммерческими аналогами. МГА стабильно показал наивысшие средние значения интегрального критерия F(M) с наименьшим разбросом. Экспертная слепая дегустация подтвердила, что алгоритмически сгенерированные миксы получили достоверно более высокие оценки по сложности вкуса и балансу (p < 0.01), а потребители отметили их уникальность и соответствие заявленному эффекту (p < 0.05).

Выводы и перспективы

В результате работы достигнута поставленная цель: разработан, реализован и валидирован МГА для автоматизированного создания рецептур миксов для паровых коктелей. Основные результаты:

  1. Создана и реализована специализированная коэволюционная островная архитектура МГА.
  2. Разработана комплексная интегральная фитнес-функция, объединяющая физико-химическое моделирование, ML-прогноз сенсорных свойств и маркетинговый анализ.
  3. Реализован прототип системы «SteamCocktail GA Designer».
  4. Экспериментально доказано превосходство МГА над базовыми методами и конкурентоспособность сгенерированных рецептур.

Перспективы: интеграция с IoT-устройствами, использование глубокого обучения для сенсорного прогнозирования, развитие систем персонализации на основе генетических и физиологических данных пользователя, адаптация алгоритма для смежных областей (ароматизаторы, парфюмерия), коммерциализация в формате облачной B2B-платформы.

Список источников

  1. Холланд, Дж. Х. Адаптация в естественных и искусственных системах / Дж. Х. Холланд. – Кембридж, Массачусетс: MIT Press, 1975. – 211 с.
  2. Гольдберг, Д. Э. Генетические алгоритмы: поиск, оптимизация и машинное обучение / Д. Э. Гольдберг. – Бостон: Addison-Wesley, 1989. – 432 с.
  3. Deb, K. A fast and elitist multiobjective genetic algorithm: NSGA-II / K. Deb, A. Pratap, S. Agarwal, T. Meyarivan // IEEE Transactions on Evolutionary Computation. – 2002. – Vol. 6, No. 2. – P. 182-197.
  4. Venkatasubramanian, V. Computer-aided molecular design using genetic algorithms / V. Venkatasubramanian, K. Chan, J. M. Caruthers // Computers & Chemical Engineering. – 1994. – Vol. 18, No. 9. – P. 833–844.
  5. Fortin, F. A. DEAP: Evolutionary Algorithms Made Easy / F. A. Fortin, F. M. De Rainville, M. A. Gardner, M. Parizeau, C. Gagné // Journal of Machine Learning Research. – 2012. – Vol. 13. – P. 2171–2175.
  6. Shihadeh, A. Toxicant content, physical properties and biological activity of waterpipe tobacco smoke and its tobacco-free alternatives / A. Shihadeh, T. Eissenberg // Tobacco Control. – 2015. – Vol. 24, Suppl. 1. – P. i22–i30.
  7. Shihadeh, A. Polycyclic aromatic hydrocarbons, carbon monoxide, "tar", and nicotine in the mainstream smoke aerosol of the narghile water pipe / A. Shihadeh, R. Saleh // Food and Chemical Toxicology. – 2005. – Vol. 43, No. 5. – P. 655–661.
  8. Mraihi, R. Chemical Composition and Biological Activities of Essential Oils Used in Hookah (Waterpipe) / R. Mraihi, M. Feki, S. S. Alimi, M. Trabelsi // Frontiers in Pharmacology. – 2020. – Vol. 11. – Art. 561175.
  9. Acree, T. Flavornet: A database of aroma compounds based on odor potency in natural products [Электронный ресурс] / T. Acree, H. Arn. – 2004. – URL: https://flavornet.org/
  10. Bhattacharya, S. Application of artificial intelligence in food flavor prediction and formulation / S. Bhattacharya, S. K. Sivakumar, P. K. Dutta // Food Hydrocolloids. – 2017. – Vol. 71. – P. 344–351.
  11. Kim, H. FlavorGraph: A large-scale food-chemical graph for generating food representations and recommending food pairings / H. Kim, J. Lee, H. Ahn, J. Kim, J. Lee // Scientific Reports. – 2019. – Vol. 9. – Art. 14231.
  12. Yamamoto, T. Prediction of odor from molecular structure using machine learning / T. Yamamoto, Y. Shimizu, T. Fujinaka, S. Ikeuchi // Bioscience, Biotechnology, and Biochemistry. – 2014. – Vol. 78, No. 6. – P. 1048–1052.
  13. Zhang, Y. A hybrid genetic algorithm with adaptive local search for product formulation design / Y. Zhang, L. Wang // Journal of Intelligent Manufacturing. – 2021. – Vol. 32. – P. 1237–1255.
  14. Raccuglia, P. Machine-learning-assisted materials discovery using failed experiments / P. Raccuglia, K. C. Elbert, P. D. Adler, C. Falk, M. Wenny, A. Mollo, M. Zeller, S. A. Friedler, J. Schrier, A. J. Norquist // Nature. – 2016. – Vol. 533, No. 7601. – P. 73–76.
  15. Spence, C. Multisensory experiential design and digital gastronomy / C. Spence // Food Quality and Preference. – 2021. – Vol. 92. – Art. 104212.
  16. Aprea, E. Volatile compound analysis by PTR-ToF-MS for the profiling of food and beverages / E. Aprea, F. Biasioli, S. M. van Ruth // Annual Review of Food Science and Technology. – 2019. – Vol. 10. – P. 463–483.
  17. Maziak, W. The global epidemiology of waterpipe smoking / W. Maziak, T. Eissenberg, R. Ward // Tobacco Control. – 2015. – Vol. 24, Suppl. 1. – P. i3–i12.
  18. Gonzalez Viejo, C. Digital technologies for sustainable food systems / C. Gonzalez Viejo, S. Fuentes, D. Torrico, E. Tongson, F. R. Dunshea // Journal of Agricultural and Food Chemistry. – 2021. – Vol. 69, No. 3. – P. 826–836.
  19. Kantor, Z. Machine learning in flavor and fragrance research / Z. Kantor, M. Toth, L. Sipos // Flavour and Fragrance Journal. – 2020. – Vol. 35, No. 3. – P. 267–278.
  20. Chen, L. A Survey on Evolutionary Multiobjective Optimization Algorithms / L. Chen, P. Wang // IEEE Access. – 2020. – Vol. 8. – P. 116487–116507.
  21. Sforza, S. Artificial Intelligence in the Development of Functional Foods / S. Sforza, C. Dall'Asta, R. Galaverna // Foods. – 2021. – Vol. 10, No. 2. – Art. 201.
  22. Thomas-Danguin, T. Flavor perception and formulation / T. Thomas-Danguin, C. Salles, M. Tournier, C. Guichard // npj Science of Food. – 2021. – Vol. 5. – Art. 5.