Fique por dentro do Infravermelho Próximo

Qualidade variável, qualidade consistente fora. O desafio fundamental do manuseio de grãos nunca foi tão aparente, pois a indústria se esforça para garantir entregas de acordo com as especificações, ao mesmo tempo em que obtém o melhor suprimento de grãos sob ameaça de clima extremo e eventos geopolíticos em andamento.

Introduzida na década de 1980, a análise de infravermelho próximo provou ser cada vez mais valiosa para o negócio de manuseio de grãos. Ao decidir o pagamento na entrega, ao combinar com as especificações do cliente, ao carregar no transporte, quando é recebido para moagem ou maltagem e quando é negociado nos mercados globais de commodities, a facilidade de uso e a confiabilidade da análise de infravermelho próximo garantem que os manipuladores de grãos possam entregar produtos de maior qualidade do mesmo suprimento finito de grãos do campo.

Então, o que tornou a análise de grãos por infravermelho próximo uma ferramenta tão poderosa e o que devemos observar ao decidir as operações analíticas para o futuro? 

A evolução da transmitância do infravermelho próximo

A mudança da análise de grãos NIR vista através do conhecido analisador de grãos Infratec™

A coleta de dados estabelece o terreno para uma gama crescente de aplicações
As primeiras aplicações para analisadores de grãos baseados em transmitância NIR foram para trigo, milho, cevada, soja e arroz para parâmetros como teor de umidade, proteína e óleo.

As aprovações seguiram-se rapidamente, por exemplo, por organizações como o Federal Grain Inspection Service (EUA). Ao mesmo tempo, o desenvolvimento de mais modelos de aplicativos ganhou ritmo. Observe que os modelos geralmente são chamados de calibrações e agora também são conhecidos como "pacotes analíticos" em relação às soluções FOSS.


Em termos simples, um modelo de aplicativo converte o espectro medido pela instrumentação em um valor utilizável para o usuário final. Um aspecto crítico deste trabalho é ter dados suficientes e uma gama de dados suficientemente variada para fazer um modelo de aplicação válido que possa lidar com as variações naturais nas características de amostras de grãos em diferentes regiões e épocas de colheita. O mundo é um lugar muito grande quando se trata de cultivo de grãos e as estações de cultivo continuam a surpreender com eventos climáticos cada vez mais extremos. Resumindo, quanto mais dados puderem ser colocados em um modelo, melhor para que possamos descrever com precisão as muitas variações que podemos esperar encontrar em uma única amostra de grão. 

Em 1996, uma poderosa forma de modelagem de aplicativos chamada modelos de Rede Neural Artificial (ANN) foi introduzida para lidar com o alcance e a complexidade dos dados. Os modelos ANN contribuíram para um desempenho altamente estável, independentemente do clima e da região. Tal desempenho foi demonstrado por anos de testes de anel contra resultados de laboratórios de referência. Hoje, modelos de dados bem estabelecidos para os instrumentos Infratec de última geração contêm até 50.000 amostras ou mais, representando mais de 35 anos de variações sazonais. A gama de aplicações continua a crescer, como mostra esta mesa dobrável: 

Frotas de instrumentos de alto desempenho
Enquanto a estabilidade e a variedade de instrumentos individuais evoluíram, muitos manipuladores de grãos descobriram que, ao vincular instrumentos analíticos em redes de grãos, eles poderiam coletar dados valiosos de vários analisadores em um só lugar. Um pouco mais tarde, foi desenvolvido um software de rede que não apenas permitia que os manipuladores de grãos coletassem dados, mas também configurassem remotamente os instrumentos, por exemplo, quando as atualizações dos modelos de aplicativos fossem disponibilizadas para acomodar a última estação de cultivo, elas poderiam ser enviadas para vários instrumentos de uma só vez a partir de um único desktop.

Como qualquer pessoa que já tentou cuidar de vários instrumentos sem essa conectividade pode testemunhar, mantê-los sob controle e atualizados pode ser uma tarefa demorada, especialmente em diferentes localizações geográficas. Pode-se dizer com segurança que a capacidade de fazer isso uma vez a partir de um desktop economizou milhares de horas de trabalho.

Confiabilidade é a soma de muitas coisas  
Em sintonia com os desenvolvimentos em redes, a confiabilidade dos resultados em uma base de instrumento para instrumento também melhorou muito no final dos anos noventa. Isso nos leva a um conceito final de "necessidade de saber" chamado transferibilidade.

Transferibilidade significa que as medições feitas com diferentes instrumentos na mesma amostra fornecem resultados idênticos. Uma indicação de transferibilidade, portanto, ajuda os usuários do equipamento de análise NIR a entender a confiabilidade das medições que aparecem nas telas dos instrumentos em uso em toda a organização.

A transferibilidade é afetada por fatores relacionados à instrumentação e ao modelo de aplicativo.

No nível do instrumento, a repetibilidade das medições, a precisão das medições e as comparações de uma unidade de instrumento para outra são importantes. No nível do modelo de aplicativo, as variáveis podem incluir fatores como o número e a fonte das medições NIR usadas para criar o modelo, sem mencionar o número de testes de referência e o erro potencial entre esses testes de referência. 

O modelo de aplicativo faz uma 'previsão' do resultado com base nos dados usados no modelo. O termo "erro padrão de previsão" (SEP) é, portanto, usado para resumir o erro potencial em relação aos resultados de referência determinados pelas propriedades químicas reais da amostra. O SEP é normalmente declarado na documentação técnica, como notas de aplicativos. Outra ferramenta útil em qualquer nota de aplicação é um gráfico que mostra os resultados do instrumento NIR plotados em relação aos resultados de referência correspondentes para várias amostras. Isso fornece uma fonte para estatísticas relacionadas ao desempenho, por exemplo, SEP, consulte a figura 2.

O tópico do SEP pode facilmente se tornar bastante detalhado, mas o que é crítico para suas operações é que você tenha uma declaração correta e confiável sobre o que esperar em termos de erro potencial. Imagine, por exemplo, que você está executando uma população de instrumentos em diferentes locais e que está classificando grãos para pagamento de acordo com uma meta de 10,5 proteínas. Em primeiro lugar, é importante saber que o instrumento está correto e a medição está correta e o erro potencial é baixo. Em segundo lugar, é essencial que o desempenho seja consistente onde e quando as medições forem feitas. Só assim você pode garantir que os testes de pagamento sejam confiáveis e confiáveis em todos os sites.