Il potenziale dell'analisi NIR

Qualità variabile in ingresso e costante in uscita. Il problema principale della gestione dei cereali non è mai stato così evidente: il settore è impegnato a garantire consegne conformi alle specifiche, sfruttando al meglio forniture di cereali minacciate da condizioni meteorologiche estreme e da eventi geopolitici in corso. 

Introdotta negli anni Novanta, l'analisi nel vicino infrarosso si è dimostrata sempre più importante per il settore della gestione dei cereali. Quando si decide il pagamento alla consegna, quando si miscela secondo le specifiche del cliente, quando si carica per il trasporto, quando si ricevono i cereali per la macinazione o il maltaggio e quando si commercia sui mercati globali delle materie prime, la conoscenza dei parametri qualitativi chiave consente di fornire prodotti di qualità superiore dalla stessa quantità finita di cereali provenienti dal campo. 

Quindi, cosa ha reso l'analisi al vicino infrarosso dei cereali uno strumento così potente e a cosa dovremmo prestare attenzione quando decidiamo le operazioni analitiche future? 

Guardare all'interno del chicco: l'evoluzione della trasmittanza nel vicino infrarosso

L'altra faccia dell'analisi cereali NIR vista attraverso il noto analizzatore per cereali Infratec™

La raccolta dei dati pone le basi per una gamma crescente di applicazioni
Le prime applicazioni per gli analizzatori per cereali basati sulla trasmittanza NIR hanno riguardato frumento, mais, orzo, soia e riso per parametri quali il contenuto di umidità, proteine e olio. 

Le approvazioni sono arrivate rapidamente, ad esempio, da organizzazioni come il Federal Grain Inspection Service (USA). Allo stesso tempo, ha preso piede lo sviluppo di più modelli applicativi. Si noti che le versioni sono spesso denominate calibrazioni e sono ora note come "pacchetti analitici" per le soluzioni FOSS.

In parole povere, un modello applicativo converte lo spettro misurato dalla strumentazione in un valore utilizzabile per l'utente finale.  Un aspetto critico di questo lavoro è quello di disporre di dati sufficienti e di una gamma di dati sufficientemente varia per creare un modello applicativo valido in grado di gestire le variazioni naturali delle caratteristiche dei campioni di cereali in diverse regioni e stagioni di raccolta. Il mondo è un posto piuttosto grande quando si tratta di coltivare cereali e le stagioni di coltivazione continuano a sorprendere con eventi meteorologici sempre più estremi. In breve, più dati possono essere inseriti in un modello, meglio è, in modo da poter descrivere con precisione le numerose variazioni che possiamo aspettarci di trovare in un singolo campione di cereali. 

Nel 1996 è stata introdotta una potente forma di modellazione delle applicazioni chiamata modelli di rete neurale artificiale (ANN) per gestire la gamma e la complessità dei dati. I modelli ANN hanno contribuito a fornire prestazioni altamente stabili indipendentemente dalle condizioni atmosferiche e dalla regione. Tali prestazioni sono state dimostrate da anni di test interlaboratorio confrontati con i risultati dei laboratori di riferimento. Oggi i modelli di dati consolidati per gli strumenti Infratec di ultima generazione contengono fino a oltre 50,000 campioni che rappresentano più di 35 anni di variazioni stagionali. La gamma di applicazioni continua a crescere, come mostrato in questa tabella pieghevole: 

Flotte di strumenti ad alte prestazioni
Sebbene la stabilità e la gamma dei singoli strumenti si siano evolute, molti gestori di cereali hanno scoperto che collegando gli strumenti analitici nelle reti di cereali potevano raccogliere dati preziosi da più analizzatori in un unico luogo. Successivamente è stato sviluppato un software di rete che non solo consentiva ai produttori di cereali di raccogliere dati, ma anche di configurare a distanza gli strumenti, ad esempio quando gli aggiornamenti ai modelli applicativi sono diventati disponibili per adattarsi all'ultima stagione di crescita, è stato possibile inviarli a più strumenti in una volta sola da un unico desktop. 

Come potranno testimoniare tutti coloro che hanno dovuto monitorare più strumenti, tenerli tutti sotto controllo e aggiornati, specialmente in diverse sedi geografiche, può essere un'attività che porta via molto tempo. La possibilità di farlo in una sola volta da un computer ha certamente permesso di risparmiare migliaia ore lavorative.

L'affidabilità è la somma di molte cose
Insieme agli sviluppi delle reti, anche l'affidabilità dei risultati da strumento a strumento ha visto grandi migliorie alla fine degli anni '90. Questo ci porta a un concetto definitivo di "necessità di sapere", chiamato trasferibilità. 

Trasferibilità significa che le misure eseguite con strumenti diversi sullo stesso campione forniscono risultati identici. Un'indicazione di trasferibilità aiuta quindi gli utenti degli strumenti di analisi NIR a comprendere l'affidabilità delle misurazioni che appaiono sugli schermi degli strumenti in uso in tutta l'organizzazione. 

La trasferibilità è influenzata da fattori correlati sia alla strumentazione che al modello applicativo.

A livello di singolo strumento, ripetibilità delle misurazioni, precisione delle misurazioni e confronti tra un'unità e l'altra sono fondamentali. A livello di modello applicativo, le variabili possono includere fattori come il numero e l'origine delle misurazioni NIR utilizzate per creare il modello, per non parlare del numero di test di riferimento e del potenziale errore tra tali test di riferimento. 

Il modello applicativo crea una "previsione" del risultato in base ai dati utilizzati nel modello. Il termine "errore standard di previsione" (SEP) viene quindi utilizzato per riassumere l'errore potenziale rispetto ai risultati di riferimento determinati dalle effettive proprietà chimiche del campione. Il SEP è tipicamente indicato nella documentazione tecnica, come le note applicative. Un altro strumento utile in qualsiasi nota applicativa è un grafico che mostra i risultati dello strumento NIR rispetto ai corrispondenti risultati di riferimento per un certo numero di campioni. Ciò fornisce una fonte di statistiche relative alle prestazioni, ad esempio SEP, vedere la figura 2.                   

Anche se è possibile parlare di SEP in maniera ancor più dettagliata, ciò che è fondamentale per le vostre operazioni è avere una dichiarazione corretta e affidabile su cosa aspettarsi in termini di potenziali errori. Basta immaginare, ad esempio, di gestire una popolazione di strumenti in diversi siti e di classificare i cereali per il pagamento in base a un target di 10,5 proteine. Innanzitutto, è importante sapere che lo strumento è corretto, che la misura è corretta e che il potenziale errore è basso. In secondo luogo, è essenziale che le prestazioni siano sempre e ovunque costanti quando vengono effettuate le misurazioni. Solo in questo modo è possibile garantire che i test di pagamento siano affidabili e attendibili in tutte le sedi.