Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Medina Huayhua, J. Luis; Puma Apaza, R. del Rosario; Calcina Coaquira, D. Hansel; Ccalla Ari, Anais
Katherin; Capia Lopez, V. Ivan; Ormachea Huarancca, S. ; Chambi Mamani Alex.Medin ; Pocco
Peralta, E. ; Mamani Yana, M.
Artículo de Investigación
Resumen
En el presente artículo de Investigación trata acerca de las ”isotermas de adsorción y sorción utilizando
el método Gab, bet y Oswin, así como la capacidad calorífica (Cp) y la conductividad térmica del Huevo.
Las isotermas de adsorción y sorción son herramientas utilizadas para describir la relación entre los
datos experimentales se ajustan a la ecuación de GAB, BET y OSWIN para obtener la isoterma de
adsorción, que representa la relación entre la concentración de la sustancia en la fase líquida y la cantidad
adsorbida en la fase sólida.
En el caso particular de la clara de huevo, son componentes presentan propiedades físicas y químicas
pueden verse afectadas por diversos factores, como la composición química, la estructura microscópica
y la porosidad que han sido objeto de estudio. Uno de los métodos utilizados para analizar la adsorción
y sorción en alimentos es el método de Gab, bet Oswin, el cual permite determinar la relación entre las
isotermas de adsorción de la cantidad de humedad de un alimento en función de la actividad de agua a
una temperatura y presión específicas, ya que la humedad es un factor crítico que afecta su estabilidad,
textura, sabor y calidad en general.
Por lo tanto, la conductividad térmica y Cp son propiedades importantes que pueden variar según las
condiciones de estudio y las características del material del huevo pueden determinarse mediante
térmicas experimentales.Sin embargo, no existen modelos específicos como el método Gab, Bet o
Oswin que sean muy utilizados para describir estas isotermas en la clara de huevo así también
utilizaremos los programas chat gpt, colaboratory, python,excel estos programas nos ayudarán a a tener
codigos para los métodos de gab,bet y oswin
Es importante destacar que tanto el Cp como la conductividad térmica del huevo pueden variar en
función de diferentes factores, como la composición exacta del huevo (yema y clara), la temperatura y
la humedad relativa. Por lo tanto, se recomienda realizar mediciones en condiciones específicas para
obtener resultados más precisos.
b. BET.
● Paso 1: Primero elaboramos una tabla
donde se observen nuestros datos de
● Paso 6: Agregamos una nueva
Aw (0.05, 0.12, 0.33, 0.43, 0.54, 0.64,
columna a nuestra tabla inicial y la
0.76, 0.85) y Xw (3.0, 5.9, 8.4, 10.0,
denominamos E. BET.
13.2, 18.0, 25.4, 36.9).
● Paso 2: Agregamos otra columna Ahí reemplazamos los datos que
denominada “Xg” y en la celda obtuvimos de Xwo y C en la ecuación
redactamos y resolvemos la siguiente de BET para cada Aw respectiva.
ecuación para cada Aw.
V Semestre
E.P. Ingeniería en Industrias Alimentarias
UNIVERSIDAD NACIONAL DE JULIACA
ESCUELA PROFESIONAL DE INGENIERÍA EN INDUSTRIAS ALIMENTARIAS
nuestros datos obtenidos, en la
ecuación de OSWIN.
b. BET
● Paso 1: Primero le brindamos
nuestros datos de aw (0.05, 0.12, 0.33, ● Paso 5: Finalmente solicitamos
0.43, 0.54, 0.64, 0.76, 0.85) y xw (3.0, elaborar una tabla donde se muestre
5.9, 8.4, 10.0, 13.2, 18.0, 25.4, 36.9), los datos de Aw, Xw, Xg, y los datos
solicitamos en la IA chat GPT lo de BET, hallados previamente.
siguiente: Calcular “Xg” con la
siguiente ecuación.
c. OSWIN.
● Paso 1: Primero brindamos datos de
actividad de agua “Aw” (0.05, 0.12,
0.33, 0.43, 0.54, 0.64, 0.76, 0.85) y los
● Paso 2: Solicitamos un código para
datos de muestra de humedad “Xw”
obtener la gráfica de dispersión la
(3.0, 5.9, 8.4, 10.0, 13.2, 18.0, 25.4,
regresión múltiple y la ecuación de la
36.9), y solicitamos una tabla donde se
gráfica, indicando que en el eje “x”
presente estos mismos datos pero al
iran los datos de “Aw” y en el eje “y”
lado “Ln(Xwe)” y “Ln(aw/(1-aw))”.
los datos de “Xg” obtenidos
Para cada Xw y Aw de forma
previamente.
ordenada.
Ecuación de la gráfica: y = 0.161534x ● Paso 2: Luego solicitamos un gráfico
+ 0.004970 de dispersión donde en el eje “X” este
“Ln(Xwe)” y en el eje “Y” se
● Paso 3: De la ecuación de la gráfica observen los datos de “Ln(aw/(1-
obtenido indicamos el intercepto y la aw))”. Y con ella también se presenta
pendiente: y = 0.161534x + 0.004970 la ecuación de la gráfica y la regresión
múltiple.
V Semestre
E.P. Ingeniería en Industrias Alimentarias
UNIVERSIDAD NACIONAL DE JULIACA
ESCUELA PROFESIONAL DE INGENIERÍA EN INDUSTRIAS ALIMENTARIAS
Ecuación de la gráfica: y = 0.509326x Donde me pidas xw, xp,xch,xg,xc
+ 2.598922
Cp=xw*cw+xp*cp+xch*cch+xg*cg+xc*cc
Regresión múltiple: (R^2):
0.9830190068764714. Paso 3:
4.2. Determinación de cp
Paso 2
Paso 1
De lo anterior Ahora quiero un código Python
Hazme un código de python de rango de para calcular la ecuación de
temperatura desde 0 hasta 100°C de las
CT= xW*wk + xP*pk + xCH*chk + xG*gk +
siguientes ecuaciones donde la salida sea en
xc*ck
columnas
donde sabemos que:
donde:
CT= conductividad térmica
Paso 3
5. Resultados
Ecuación Resultados
GAB 3.29 ± 𝟑𝟖. 𝟔
BET 4.0 ± 39.82
OSWIN 3.00 ± 32.54
Cp del huevo
DISCUSIONES:
Según Alvarez, A. Y. (2020), indica que la
conductividad térmica y la difusividad del
huevo sometido a una temperatura de 97°C es
de k= 0.6 W/m.°C y 𝛼 = 0.14𝑥10 6 𝑚2 /𝑠.
aw_value =
float(input(f"Ingrese el valor # Ajuste polinómico de grado 2
de 'aw' para el dato {i+1}:
")) coeficientes =
np.polyfit(aw_filtered,
moisture_content_value = division, 2)
float(input(f"Ingrese el valor
de 'moisture content' para el
dato {i+1}: "))
# Crear una función polinómica
aw.append(aw_value) a partir de los coeficientes
polinomio =
moisture_content.append(moistu np.poly1d(coeficientes)
re_content_value)
moisture_content_filtered = []
aw_filtered.append(aw[i])
# Gráfico de dispersión y
línea de ajuste
moisture_content_filtered.appe
plt.scatter(aw_filtered,
nd(moisture_content[i])
division)
plt.plot(x, y, color='red',
# Cálculo de label='Ajuste polinómico')
aw/moisture_content
plt.xlabel('aw')
V Semestre
E.P. Ingeniería en Industrias Alimentarias
UNIVERSIDAD NACIONAL DE JULIACA
ESCUELA PROFESIONAL DE INGENIERÍA EN INDUSTRIAS ALIMENTARIAS
plt.ylabel('aw / a1 = 0.00873
moisture_content')
a2 = 0.1364
plt.title('Gráfico de
Dispersión y Ajuste a3 = -0.1421
Polinómico')
plt.legend()
discriminante = np.sqrt(a2**2
- 4 * a1 * a3)
# Mostrar la gráfica
K2 = (-a2 - discriminante) /
# Calcular el coeficiente de (2 * a1)
determinación R²
r_squared = r_value ** 2
# Cálculo de C
# Cálculo de Mo
print(f"Ecuación polinómica:
{polinomio}") print("Mo =", Mo)
C = 17.93851642338904 # Calcular xg
df = pd.DataFrame({'aw':
aw_filtered, # Ajuste lineal
'moisture_content':
moisture_content_filtered}) coeffs = np.polyfit(Aw_values,
xg_values, deg=1)
df['aw/moisture_content'] =
df['aw'] / poly_eq = np.poly1d(coeffs)
df['moisture_content']
poly_result =
df['M'] = (K1 * C * df['aw'] * poly_eq(Aw_values)
Mo) / ((1 - K1 * df['aw']) *
(1 - K1 * df['aw'] + C * K1 *
df['aw'])) # Coeficiente de determinación
(R^2)
r_squared =
# Mostrar tabla de adsorción
r2_score(xg_values,
print("\nTabla de adsorción:") poly_result)
print(df.to_string(index=False
))
# Cálculo de Xwo, C y P
Anexo 4: Código python para la
ecuación de BET: slope = coeffs[0]
Aw_values = np.array([0.05,
0.12, 0.33, 0.43, 0.54, 0.64, # Cálculo de Bet
0.76, 0.85])
Bet_values = (Xwo * C *
Xw_values = np.array([3.0, Aw_values) / ((1 - Aw_values)
5.9, 8.4, 10.0, 13.2, 18.0, * (1 + (C - 1) * Aw_values))
25.4, 36.9])
V Semestre
E.P. Ingeniería en Industrias Alimentarias
UNIVERSIDAD NACIONAL DE JULIACA
ESCUELA PROFESIONAL DE INGENIERÍA EN INDUSTRIAS ALIMENTARIAS
# Crear tabla equation = f"y = {slope:.6f}x
+ {intercept:.6f}"
table =
np.column_stack((Aw_values, print("La ecuación lineal
Xw_values, xg_values, es:", equation)
Bet_values))
# Mostrar tabla
Anexo 5: Código python para la
ecuación de OSWIN:
print("Tabla:")
import numpy as np
print(table_formatted)
import matplotlib.pyplot as
plt
plt.title('Gráfico de Aw/(1-
Aw)*Xw')
# Cálculo de Ln(xwe)
plt.legend()
Ln_xwe_values =
plt.grid(True) np.log(Xw_values)
plt.show()
# Cálculo de Ln(aw/(1-aw))
plt.ylabel('Ln(xwe)')
# Cálculo de A y B
plt.title('Gráfico de
A = np.exp(intercept)
Dispersión y Linealización')
B = slope
plt.legend()
plt.grid(True)
# Cálculo de OSWIN
plt.show()
OSWIN_values = [A * ((aw / (1
- aw)) ** B) for aw in
aw_values] # Mostrar la ecuación de la
línea de tendencia y el
coeficiente de determinación
# Crear la tabla utilizando (R^2)
pandas
equation = f"y = {slope:.6f}x
import pandas as pd + {intercept:.6f}"
print(df)
V Semestre
E.P. Ingeniería en Industrias Alimentarias
UNIVERSIDAD NACIONAL DE JULIACA
ESCUELA PROFESIONAL DE INGENIERÍA EN INDUSTRIAS ALIMENTARIAS
Se determina las densidades de los
componentes para valores de temperatura de
0 a 100 en Chat GPT