Đề tài Phân tích thành phần hương thơm cà phê

Dữ liệu thành phần của ma trận X với n hàng và D cột, D đã được thu được từ mỗi mẫu n. Chuyển đổi hàng ma trận X với biến đổi dữ liệu logarit ma trận Y.    Khi nói về tiêu chuẩn PCA, cũng như trong trường hợp biến đổi dữ liệu thành phần logarit  có thể được hình dung cùng một lúc bằng cách sử dụng biplot, với giải thích tương ứng về bản chất của dữ liệu thành phần. Cụ thể, các khoảng cách giữa các tia, gần đúng với các biến. Vì vậy, nếu các đỉnh gần như trùng các tia, điều này có nghĩa là tỷ lệ xi / xj gần như là không đổi.

ppt19 trang | Chia sẻ: lvbuiluyen | Ngày: 16/10/2013 | Lượt xem: 2533 | Lượt tải: 2download
Bạn đang xem nội dung tài liệu Đề tài Phân tích thành phần hương thơm cà phê, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
Chào mừng thầy và các bạn đến bài báo cáo của nhóm 3 CHỦ ĐỀ: Coffee aroma – statistical analysis of compositional data. Phân tích thành phần hương thơm cà phê GVHD: ThS. Nguyễn Văn Tặng NHÓM TH: Nhóm 3 LỚP : 51TP2 TRƯỜNG ĐẠI HỌC NHA TRANG KHOA CÔNG NGHỆ THỰC PHẨM A. Lời mở đầu Phương pháp tách chiết ở khoảng không kết hợp với phổ sắc ký khối lượng khí đốt đã được áp dụng để xác định các hợp chất dễ bay hơi trong 30 mẫu cà phê. Để phân biệt và đặc trưng cà phê Arabica và Robusta, sáu các hợp chất dễ bay hơi được lựa chọn để phân tích. Theo phương pháp phân tích thành phần chính (PCA) đã được áp dụng để phân tích sắc ký và xử lý dữ liệu. I. Giới thiệu Phương pháp Phân tích thành phần chính (PCA), được sử dụng rộng rãi để phân tích kết quả của các phép đo hóa chất. Mục tiêu chính của PCA là giảm bộ dữ liệu chiều cao bằng cách giữ lại càng nhiều càng tốt của các biến thể có trong dữ liệu. PCA được thiết kế để chuyển đổi các biến ban đầu thành biến mới, các biến không tương quan (trục) gọi là thành phần chủ yếu. Kết quả của PCA, có thể hình dung bằng cách sử dụng biplot Cách phổ biến nhất để thể hiện dữ liệu hóa học là trình bày chúng dưới dạng tỷ lệ phần trăm. Một yêu cầu quan trọng trong phương pháp PCA là phải lưu tâm hơn tới thang điểm tương đối của mình. Sử dụng các phương pháp tiếp cận logratio để phân tích biểu diển PCA. II. Nhắc lại lý thuyết Một phần của thành phần D được xác định bởi vectơ: x = [x1, x2,…, xD], hàng của dữ liệu ma trận X, khi tất cả các thành phần của nó đúng là số thực và nó chỉ mang thông tin tương đối. Để đơn giản hóa việc sử dụng của các thành phần là trình bày chúng trong hình thức đóng, tức là vectơ dương với tổng số k là hằng số của các thành phần. Sự phân tán trong tập hợp dữ liệu liên quan đến thành phần có thể được mô tả bởi các biến, được định nghĩa là: ij= var (ln ), i,j= 1,…., D  Trong phạm vi mục đích bài báo, chúng tôi sẽ xem xét  sự biến đổi dữ liệu logarit , ở đây thành phần x  được chuyển đổi thành dữ liệu y với: Y= [ y1, y2, ….yD] = . Dữ liệu thành phần của ma trận X với n hàng và D cột, D đã được thu được từ mỗi mẫu n. Chuyển đổi hàng ma trận X với biến đổi dữ liệu logarit ma trận Y.    Khi nói về tiêu chuẩn PCA, cũng như trong trường hợp biến đổi dữ liệu thành phần logarit  có thể được hình dung cùng một lúc bằng cách sử dụng biplot, với giải thích tương ứng về bản chất của dữ liệu thành phần. Cụ thể, các khoảng cách giữa các tia, gần đúng với các biến. Vì vậy, nếu các đỉnh gần như trùng các tia, điều này có nghĩa là tỷ lệ xi / xj gần như là không đổi. III. Thử nghiệm 1. Mẫu Ba mươi mẫu cà phê rang có sẵn và khác nhau về nguồn gốc, được xử lý bởi các công nghệ khác nhau. Sự khác nhau về cà phê bao gồm cả 16 mẫu Arabica và 3 mẫu cà phê Robusta, cũng như pha trộn hai loại cà phê khác nhau này, và chúng đã được kiểm tra trong nghiên cứu này. 2 HS-SPME và phân tích GC/MS Carboxen/polydimethysiloxane sợi (CAR/PDMS, 75mm) có sẵn trên thị trường đã được sử dụng để phân tích SPME. Các điều kiện được sử dụng cho phòng thí nghiệm: nhiệt độ 2500C, 4 phút), khí được cung cấp là khí heli (99,998%) Quét MS đã được ghi lại trong phạm vi 29-370m/z bằng cách sử dụng ion hóa điện tử ( năng lượng 70 eV). 3 Xử lý dữ liệu Phân tích thống kê được thực hiện bằng phần mềm thống kê R. R là một phần mềm miễn phí cung cấp đa dạng thống kê và kỹ thuật đồ họa, 4. Kết quả và thảo luận Các phân tích HS-SPME kết nối với kỹ thuật GC-MS đã được sử dụng cho việc xác định và định lượng các hợp chất dễ bay hơi trong các giống cà phê. 15 hợp chất hương vị dễ bay hơi đã được xác định bằng cách so sánh với khối phổ trong danh sách khối phổ NIST thì chỉ có sáu hương vị được lựa chọn: acetic acid (1), 2-methylpyrazine (2), furfural (3), 2 - furfuryl rượu (4), 2, 6-dimethylpyrazine (5), 5-methylfurfural (6). BẢNG1 Có thể thấy trong hình1, phân tích cụm tiêu chuẩn cho thấy rằng cấu trúc dữ liệu không rõ ràng. Arabica và mẫu pha trộn được nhóm lại với nhau và chỉ có nhóm của cà phê Robusta là riêng biệt. Quá trình sản xuất có thể ảnh hưởng đến một phần của chất lượng cà phê. Ví dụ Arabica mẫu A16 và AR11 hỗn hợp được sản xuất bởi cùng một nhà sản xuất và cả hai mẫu được chỉ định vào cùng một nhóm trong cụm tiêu chuẩn. Phân tích cụm đã có thể phân biệt các nhóm cà phê, phân tích PCA được thực hiện để chỉ ra điểm giống nhau hoặc khác biệt trong hỗn hợp mùi phức tạp, để thiết lập các mối quan hệ giữa các giống và các hợp chất dễ bay hơi đặc biệt. Áp dụng tiêu chuẩn PCA ma trận dữ liệu bao gồm giá trị tương đối của 6 phân tích biến số và 30 mẫu cà phê), hai thành phần đầu tiên chủ yếu được trích xuất. V. KẾT LUẬN So sánh của chuyển đổi logratio trung tâm và tiêu chuẩn phương pháp thống kê, phân tích cụm và phân tích thành phần chính đã được áp dụng trên các dữ liệu liên quan đến các hợp chất của hương thơm mẫu cà phê. Có hai kết luận quan trọng từ kết quả từ nghiên cứu này: chỉ có 6 các hợp chất dễ bay hơi lớn là: acetic acid, 2-methylpyrazine, furfural,2 furfuryl rượu, 2,6dimethylpyrazine, 5-methylfurfural khác biệt của 30 mẫu cà phê rang đang được điều tra. Áp dụng chuyển đổi logratio trung tâm cung cấp kết quả tốt hơn so với các tiêu chẩn thống kê tiêu chuẩn (PC1 và PC2 và giải thích tốt hơn các tập hợp dữ liệu thành phần. Cảm ơn thầy các bạn đã chú ý lắng nghe bài thuyết trình của nhóm 3
Luận văn liên quan