Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ciencias
Aplicadas
Revisar
1 2 4
Anet Rezek Jambrak 1, * , Nutrición Marina , Ilija Djekiÿ , Sanda Plesli´c 3 y Farid Chemat
1
Facultad de Tecnología y Biotecnología de los Alimentos, Universidad de Zagreb, 10000 Zagreb, Croacia;
marinela.nutrizio@pbf.unizg.hr
2
Facultad de Agricultura, Universidad de Belgrado, 11080 Zemun, Serbia; idjekic@agrif.bg.ac.rs
3
Facultad de Ingeniería Eléctrica y Computación, Universidad de Zagreb, Unska 3, 10000 Zagreb, Croacia;
sanda.pleslic@fer.hr
4
Equipo de Extracción Verde, INRAE, Universidad de Avignon, 84029 Avignon, Francia; farid.chemat@univ-avignon.fr
* Correspondencia: anet.rezek.jambrak@pbf.unizg.hr; Teléfono: +385-14-605-287
Resumen: Con la introducción de la Industria 4.0 y, en consecuencia, las fábricas inteligentes, hay nuevos
oportunidades para implementar elementos de la industria 4.0 en el procesamiento no térmico. Además, con
aplicación de Internet de las cosas (IoT), control inteligente del proceso, optimización de big data, así como
producción sostenible y monitoreo, hay una nueva era de Internet de procesamiento de alimentos no térmicos
tecnologías (IoNTP). Las tecnologías no térmicas incluyen ultrasonido de alta potencia, energía eléctrica pulsada
campos, descarga eléctrica de alto voltaje, procesamiento de alta presión, UV-LED, luz pulsada, e-beam,
y las técnicas avanzadas de procesamiento térmico de alimentos incluyen procesamiento por microondas, calentamiento óhmico
y homogeneización a alta presión. El objetivo de esta revisión fue traer de frente la necesidad de
evaluar posibilidades de implementar sensores inteligentes, inteligencia artificial (IA), big data, aditivos
tecnologías con tecnologías no térmicas, con la posibilidad de crear fábricas inteligentes juntas
con un fuerte énfasis en la sostenibilidad. Este documento ofrece una descripción general de la digitalización, IoT, aditivo
Nutrición, M.; Djeki´c, I.; Plesli´c, S.; asociado con IoNTPs y sostenibilidad. Es de gran importancia realizar un análisis del ciclo de vida.
Chemat, F. Internet de los no térmicos (LCA), para cuantificar (En)—dimensión ambiental; (So)—dimensión social y (Ec)—económica
Tecnologías de procesamiento de alimentos dimensión. El análisis FODA mostró: potencial de ahorro de energía durante el procesamiento de alimentos; optimizado
(IoNTP): Industria Alimentaria 4.0 y desempeño ambiental general; menor costo de fabricación; desarrollo de productos ecológicos;
Sostenibilidad. aplicación ciencia 2021, 11, mayor nivel de salud y seguridad durante el procesamiento de alimentos y mejores condiciones de trabajo para los trabajadores.
686. https://doi.org/ Las tecnologías no térmicas y térmicas avanzadas se pueden aplicar también como técnicas sostenibles
10.3390 / aplicación11020686
trabajando en línea con los objetivos de desarrollo sostenible (ODS) y la Agenda 2030 emitida por United
Naciones (ONU).
Editor académico: Suyong Lee
Recibido: 18 diciembre 2020
Palabras clave: tecnologías de procesamiento de alimentos no térmicos; Industria Alimentaria 4.0; sostenibilidad; sin emisión;
Aceptado: 8 de enero de 2021
metas de desarrollo sostenible; análisis FODA
Publicado: 12 enero 2021
puede considerarse prometedor para el desarrollo presente y futuro de aplicaciones alimentarias sostenibles.
El principio de escalado de cada tecnología no es el mismo, y los avances en la investigación y los
resultados obtenidos para su implementación industrial difieren de una tecnología a otra. Hay muy pocos
trabajos de investigación que se ocupen de la comparación de parámetros sostenibles de tecnologías no
térmicas, lo que dificulta una comparación directa con las NTP [1–5].
Las principales ineficiencias dentro del sector de procesamiento de alimentos son las pérdidas y desperdicios de
alimentos (subproductos). Las tecnologías de procesamiento de alimentos pueden contribuir a reducir tales ineficiencias
mediante la aplicación de sensores inteligentes para monitorear el control de calidad en toda la cadena de suministro.
La gestión de residuos y el control de las máquinas, así como la interconexión en la planta de procesamiento,
se pueden superar generando big data para optimizar el sistema. Con la introducción de la Industria 4.0, las
fábricas inteligentes, existen nuevas oportunidades para implementar elementos de la Industria 4.0 en el
procesamiento no térmico. Además, con la aplicación de Internet de las cosas (IoT), el control inteligente
del proceso, la optimización de big data, así como la producción y el monitoreo sostenibles, tenemos una
nueva era de Internet de las tecnologías de procesamiento de alimentos no térmicos (IoNTP): Industria
alimentaria 4.0 y sostenibilidad.
Los investigadores y los temas sobre el procesamiento no térmico se encuentran principalmente a
escala de laboratorio y se ha realizado un escalado adecuado para HPP y PEF. Hay muchas ventajas
donde esas tecnologías han demostrado ser más eficientes en comparación con la térmica en términos de
conservación [3]. Cada tecnología tiene sus ventajas y desventajas y no existe una única que sea apropiada
para uso general y para fines generales. La aplicación de las tecnologías NTP debe centrarse en un uso
específico y objetivo para garantizar la conservación (seguridad alimentaria), el control de la calidad de los
alimentos y la evaluación de la calidad total con los recursos energéticos y económicos más bajos y el
menor impacto para el medio ambiente y la sociedad en general. Los residuos, la energía, la economía y el
medio ambiente son pilares importantes que deben gestionarse en términos de la Agenda 2030 y los
Objetivos de Desarrollo Sostenible (ODS). La conservación de energía es vital para el desarrollo sostenible
de la industria alimentaria. Las tecnologías no térmicas se pueden implementar en la industria alimentaria
en términos de reducción del consumo de energía, reducción de los costos de energía y ayuda a la sociedad
en general al reducir el uso de recursos energéticos y la emisión de muchos contaminantes atmosféricos
como el CO2. En la industria de procesamiento de alimentos se ha vuelto importante mejorar la eficiencia
energética y reemplazar las unidades de operaciones intensivas en energía existentes con nuevos procesos
energéticamente eficientes [6]. Industria 4.0 también se refiere a fábricas inteligentes que permiten abordar
cuestiones como la seguridad alimentaria, el control, el consumo de energía, las predicciones de demanda
de fabricación de alimentos.
El objetivo de esta revisión fue plantear la necesidad de evaluar las posibilidades de implementar
sensores inteligentes, inteligencia artificial (IA), big data, tecnologías aditivas con tecnologías no térmicas,
con la posibilidad de crear fábricas inteligentes junto con un fuerte énfasis en la sostenibilidad. Como
resultado de esta parte de la revisión, se ha creado una matriz DAFO de nuevas técnicas de
procesamiento de alimentos. Tras el análisis de la perspectiva de sostenibilidad del procesamiento no
térmico de alimentos asociado con la Industria alimentaria 4.0, se ha desarrollado una segunda matriz
FODA. Los tres pilares de la sustentabilidad se refieren a los impactos ambientales, económicos y
sociales de las tecnologías no térmicas (es decir, balances energéticos, evaluación del ciclo de vida
(LCA), producción/reducción de desechos, costo de producción, impacto en la sociedad), así como para
establecer un enfoque novedoso para introducir Tecnologías no térmicas como sistemas inteligentes en las industr
Revisión de literatura
sistemas Se necesita un enfoque completo en el sector agroalimentario, desde la granja hasta la industria y el mercado,
que debe ser incluido y considerado, en términos de economía circular [13]. 4 de 22
aplicación ciencia 2021, 11, x PARA REVISIÓN POR PARES
Figura 1. Tecnologías no térmicas en relación con elementos de Industria 4.0 y dimensiones de sostenibilidad.
Figura 1. Tecnologías no térmicas en relación con elementos de Industria 4.0 y dimensiones de sostenibilidad.
combinando varias técnicas de forma inteligente es posible ralentizar los procesos de deterioro. Sin
embargo, muchos productos alimenticios son térmicamente sensibles y vulnerables a los cambios
químicos, físicos y microbiológicos inducidos por las técnicas de procesamiento convencionales para
la conservación, transformación y extracción de la cosecha. Pérdidas de algunos compuestos
nutricionales, baja eficiencia de producción, tiempo de procesamiento prolongado, procedimientos
que consumen energía con calentamiento y agitación prolongados, generación de gran cantidad de
desechos y subproductos, necesidad de varios ingredientes para estabilizar la fórmula alimentaria
final y uso de grandes volúmenes de agua encontrados utilizando estos métodos convencionales de
procesamiento de alimentos. Estas deficiencias han llevado al uso de técnicas ecológicas e
innovadoras en la cosecha, el procesamiento, la pasteurización y la extracción, que normalmente
requieren menos tiempo, agua y energía. Como resultado de estos hallazgos, se ha desarrollado un
análisis DAFO, con factores internos desplegados a diferentes tecnologías, mientras que los factores
externos, comunes a todas las tecnologías, se han esbozado como oportunidades y amenazas genéricas (Tab
POSITIVO NEGATIVO
Leyenda: (M)—Microondas; (U)—Ultrasonido; (P)-plasma; (H): alta presión; (A): aplicable a todas las tecnologías.
consumiendo solo una fracción del tiempo y la energía normalmente necesarios para los procesos
convencionales. Las ventajas de usar nuevas técnicas ecológicas o procesamiento de alimentos incluyen:
calentamiento más efectivo, transferencia de energía más rápida, gradientes térmicos reducidos, calentamiento
selectivo, tamaño de equipo reducido, respuesta más rápida al control de calentamiento del proceso, puesta en
marcha más rápida, mayor producción y eliminación de pasos del proceso [16].
3. Herramientas-Industria
4.0 3.1. Inteligencia Artificial (IA)
La producción de alta calidad con un costo mínimo es el objetivo de la mayoría de las empresas. Distintas
iniciativas de la Industria 4.0 conducen a ese objetivo. Una de las más prometedoras es la IA que ha supuesto
una revolución en todas las producciones. Por lo tanto, las industrias manufactureras invierten cada vez más
en tecnología de IA. La IA podría definirse como sistemas que piensan y actúan como humanos, que piensan y
actúan racionalmente [17]. La IA es una ciencia interdisciplinaria con muchos enfoques y, gracias al desarrollo
del aprendizaje automático y el aprendizaje profundo, la IA tiene efectos en todas las industrias y tecnologías.
La IA también transforma la industria alimentaria: desde problemas de seguridad y calidad, reducción de
desechos, tareas de higiene y limpieza, sostenibilidad ambiental, optimización de la producción, empaque hasta
información del consumidor [18–20].
Los sistemas de IA aseguran resultados de producción más seguros, más precisos, más rápidos y
más consistentes que los humanos. Las herramientas de aprendizaje automático, vídeo y reconocimiento
de imágenes pueden detectar y analizar problemas de seguridad y calidad, mejorando el enfoque
moderno de la producción de alimentos. Los riesgos potenciales durante la producción de alimentos se
pueden detectar mediante la IA. El monitoreo en tiempo real por IA en lugar de esperar el final del ciclo
de producción para verificar la calidad de salida puede identificar errores y anomalías lo antes posible
[21–23]. Los sistemas multisensor con IA integrada muestran un gran potencial para la optimización de
los procesos de limpieza e higiene en la industria alimentaria [ 24,25 ]. La IA tiene un papel importante en
la optimización del consumo de recursos (por ejemplo, energía y agua), lo que genera una reducción
inmediata en los costos de producción. Todo el proceso impulsado por IA, incluida la robótica, se puede
automatizar por completo, trabajando las 24 horas del día, los 7 días de la semana [26]. La gestión de la
producción puede ser más fácil y sostenible mediante la reducción del consumo de energía [19]. Los
métodos que incluyen algoritmos predictivos de aprendizaje automático pueden ayudar a los operadores
a reconocer problemas antes de que se vuelvan serios y complicados de resolver sin detener la
producción. Para cumplir y superar los indicadores clave de rendimiento, la IA optimizará el proceso de
producción desarrollando métodos para la calibración de producción automatizada y aumentando la
calidad y la velocidad de la producción. Un sistema de IA recopila datos de sensores inteligentes y, con
el historial de operaciones anterior, predice el tiempo de mantenimiento sin averías ni paradas de
producción [27]. La robótica impulsada por IA es un elemento importante en el sector de envasado y
entrega de productos alimenticios debido a las crecientes demandas de los consumidores finales [18,28–
32]. Las soluciones tecnológicas basadas en IA permiten una mayor producción de alimentos de mayor
calidad con menos insumos, menos desperdicio y menor consumo de energía [20,31,33,34].
Las soluciones tecnológicas basadas en IA permiten una producción de alimentos más grande y de mayor calidad
con menos insumos, menos residuos y menor consumo de energía.
3.2. Industria de las cosas (IoT) e Internet industrial de las cosas (IIoT)
El IoT y los servicios permiten optimizar la eficiencia operativa y la racionalización, automatización
y mantenimiento de la red para que toda la fábrica forme un entorno inteligente [35]. Industrial Internet of
Things (IIoT), conocido como Industrial Internet, es un término que reúne maquinaria, análisis (big data)
y empleados. Es la red de una gran cantidad de dispositivos industriales conectados por tecnologías de
comunicaciones que da como resultado sistemas que pueden monitorear, recopilar, intercambiar, analizar
y entregar información valiosa.
Esto está ayudando a ofrecer soluciones inteligentes y optimizadas para industrias específicas en las que
las máquinas inteligentes están conectadas digitalmente y pueden comunicarse entre sí. Las tecnologías
de la información (TI) y las tecnologías operativas (OT) se unen en un nuevo término bajo IIoT. Los
sistemas IIoT se combinan con la nube y la analítica. Hay tres niveles de conectividad: monitoreo (los
datos pueden recopilarse de las máquinas); optimización (permite
Machine Translated by Google
computadoras para procesar datos) y automatización (permite que las fábricas inteligentes se
autorregulen sin interacción humana). Lo que también es importante es la efectividad general del equipo
(OEE), que es una medida de qué tan bien se utiliza una operación de fabricación (instalaciones, tiempo
y material) en comparación con su potencial total, durante los períodos en que está programada para ejecutarse.
Los dispositivos IOT son sensores, actuadores, motores y controladores industriales y pueden brindar
información vital que puede ayudar a que el procesamiento se ejecute de manera más eficiente y rentable.
IoT se puede implantar de manera eficiente en la industria alimentaria para reducir o eliminar el
tiempo de inactividad debido a fallas o daños en la máquina, así como para reducir el costo general de
mantenimiento de la máquina. IoT puede proporcionar al personal acceso remoto a sistemas críticos. El
procesamiento de alimentos es una de las mayores fuentes de impacto ambiental y los sectores sostenibles
han centrado sus esfuerzos de sostenibilidad para reducir la huella de CO2, reducir los residuos y
garantizar los principios de reducción, reducción y reciclaje. El procesamiento de alimentos con insumos
mínimos, incluidos agua, materias primas y energía, reducirá el impacto total del procesamiento de
alimentos. IoT se puede implementar de manera que reduzca el nivel de desperdicio de alimentos. Los
dispositivos IoT se pueden usar de manera efectiva para mejorar la trazabilidad de los alimentos y
automatizar la recopilación de datos. De esa manera, sería fácil rastrear de dónde proviene el producto,
cómo fue transportado y qué tipo de condiciones ambientales ha estado sujeto. Esto permitirá a los
empleados utilizar información digital para aumentar manualmente la eficiencia y la productividad [36].
Todos los datos mencionados, nube, inteligente, digital, industria 4.0, IoT, IIoT, sensores, máquinas
juegan un papel clave en Internet de todo. Esta es la razón por la que existen diferentes términos como
cambios de Industria 4.0, fábrica inteligente, ya que esta es la continuación de la frase fábrica digital que
se usó anteriormente. Por lo tanto, los principios básicos de la Industria 4.0 son la conexión de máquinas,
sistemas y la creación de redes inteligentes.
Gracias a la Agricultura 4.0, muchas tecnologías hacen posible la realización de granjas inteligentes
[15]. La interconexión de la granja a la forma es necesaria y es importante asegurar la digitalización y los
sistemas inteligentes de la granja a la mesa. También es de suma importancia mencionar blockchain
(datos digitales) y ciberseguridad. Un ejemplo es Siemens, MindSphere: “los datos y la información
generados se recopilan en Siemens MindSphere, el sistema operativo IoT abierto basado en la nube.
MindSphere almacena toda la información útil antes de enviar solo un subconjunto crítico a Blockchain,
que luego representa una cadena de custodia a prueba de manipulaciones. Siemens Blockchain luego se
asegura de que los datos recopilados sean seguros y accesibles de manera transparente para todos los
que forman parte del consorcio”.
Proceso
Figura 2. Figura de formación
2. Proceso de la de
de formación forma del producto
la forma mediante
del producto fabricación
mediante fabricaciónaditiva.
aditiva
Los siguientes métodos de impresión 3D están disponibles en el sector alimentario: basado en extrusión
impresión, impresión de sinterización selectiva, inyección de aglutinante e impresión de inyección de tinta [40].
La impresión de sinterización selectiva es una tecnología en la que la fuente de sinterización es láser o aire caliente
que generan energía que permite la fusión de partículas juntas capa por capa en un 3D final
estructura. El láser escanea secciones transversales de las áreas específicas de cada capa y selectivamente
fusiona el material [40]. Esta tecnología permite aplicar diferentes componentes de materiales alimentarios
a cada capa. Por lo tanto, una gran ventaja de la impresión por sinterización selectiva es que es adecuada
para materiales de multi-impresión. Además, el material no fusionado se puede quitar y reutilizar
para la próxima impresión.
Esta tecnología es adecuada para la impresión de materiales alimentarios en polvo como el azúcar,
materiales a base de almidón y grasa con puntos de fusión relativamente bajos [47]. La precisión de impresión con
sinterización selectiva se ve afectada principalmente por las propiedades del material (tamaño de partícula, temperatura de fusión).
Machine Translated by Google
fluidez, humectabilidad del polvo), parámetros de procesamiento (potencia, tipos de láser, energía, diámetro del punto láser,
velocidad de escaneo) y operaciones de posprocesamiento (eliminación de material superfluo). Esta tecnología no es del
todo adecuada para la producción de productos personalizados y ricos en nutrientes, ya que la composición de nutrientes
termosensibles podría disminuir significativamente cuando se aplica calor para la fusión de capas [40].
Inyección de
aglutinante En la impresión 3D de inyección de aglutinante, se deposita un material en polvo uniformemente capa por
capa y el aglutinante se expulsa selectivamente sobre cada capa para unir dos capas de polvo consecutivas. Al igual que
con la tecnología de sinterización selectiva, el material no fusionado se puede eliminar y reciclar [47]. La ventaja de esta
tecnología incluye la alta velocidad de la impresora, una gran variedad de materiales imprimibles, es adecuada para modelos
3D complejos y delicados y tiene el potencial de crear productos alimenticios 3D coloridos al variar la composición del
aglutinante [40]. La principal desventaja de esta tecnología es que el material de impresión se limita solo a sustancias en
polvo, el alto costo de la máquina y el acabado superficial rugoso del producto final. Además, puede ser necesario un
procesamiento posterior, como el curado a altas temperaturas o la deshidratación, para mejorar su resistencia [41].
La precisión de impresión está bajo la influencia de las propiedades del material, como el tamaño de las partículas y
la distribución del polvo, la humectabilidad y la viscosidad del aglutinante, los factores de procesamiento, incluidos el
diámetro de la boquilla, las propiedades físicas de la capa y la velocidad de impresión, y las operaciones de posprocesamiento,
como el calentamiento, el horneado y la superficie mencionados. recubrimiento y eliminación del exceso de material [40].
Impresión por
inyección de tinta La tecnología de impresión por inyección de tinta se basa en la dispensación de gotas desde un
cabezal térmico o piezoeléctrico para el relleno de superficies en ciertas regiones, como decoraciones de productos como
pasteles, galletas o pizza [41]. Las impresoras de inyección de tinta son adecuadas para materiales de baja viscosidad
(chocolate, masa líquida, geles, mermeladas) y se utilizan más bien para imprimir dibujos en productos planos en movimiento.
Por lo tanto, esta tecnología se utiliza principalmente para decoraciones en pastelerías [48].
La precisión de la impresión de inyección de tinta se ve afectada por las propiedades del material que incluyen
principalmente las propiedades reológicas y los parámetros de procesamiento como la temperatura, la velocidad de
impresión, el diámetro de la boquilla y otros. Las principales desventajas de esta tecnología incluyen la incapacidad para
producir estructuras alimenticias complejas y el material impreso no se puede reciclar [41].
aditiva se ha desarrollado con éxito en la última década debido principalmente a las ventajas técnicas de esta
tecnología que superan las posibilidades de los métodos tradicionales. Dichas ventajas incluyen una producción bastante
rápida y sencilla de estructuras y geometrías de alimentos complejas, productos personalizados y reducción del desperdicio
de material debido a la posibilidad de reciclaje [49].
La fabricación aditiva se considera una producción limpia y ecológica que aporta beneficios ambientales clave que se
manifiestan a través de tres aspectos principales: consumo de recursos, gestión de residuos y control de la contaminación.
La mayor parte del consumo de recursos se refiere a la electricidad que impulsa el sistema y al material utilizado para la
impresión (filamentos, polímeros, polvos). La eficiencia del material utilizando técnicas aditivas es de alrededor del 97%, lo
que minimiza la cantidad de residuos, por ejemplo, en comparación con la producción sustractiva convencional [50]. La
producción sustractiva genera una gran cantidad de residuos y la producción aditiva puede reducir la cantidad de residuos
hasta en un 90 %. Sin embargo, esto no significa que la fabricación aditiva no produzca residuos. La mayoría de los residuos
de la producción aditiva consisten en daños inesperados a esta estructura de soporte si el método lo requiere. En comparación
con otras técnicas de producción, se crea menos contaminación porque los materiales no tóxicos y los productos químicos
ecológicos son los más utilizados [49,51].
Aunque existen algunas desventajas de la fabricación aditiva, se pueden esperar algunos beneficios ambientales
clave (Figura 3). La producción aditiva reduce la necesidad de procesos de producción contaminantes y que consumen
mucha energía. La ventaja de esta producción.
Machine Translated by Google
Figura
Figura 3.
3. Beneficios
Beneficios ambientales
ambientales de
de la
la fabricación
fabricación aditiva.
aditiva.
Ungran
Un gran ejemplo
ejemplo de aplicación
de aplicación sostenible
sostenible de deaditiva
la fabricación la fabricación aditiva
lo da una empresa lo da un
emergente
holandesa,
Empresa Upprinting
emergente Food, que
holandesa recicla losFood
Upprinting desechos de alimentos
que recicla y produce
los desechos productos
de alimentos impresosrefrigerios
y produce en 3D.
impresos enDichos
meriendas. 3D. Dichos alimentos
alimentos incluyen
incluyen pan, pan,
frutasfrutas y vegetales
y verduras que noquesonnoelegibles
son aptospara
paralalaventa
ventapero
peroque
aún sonson
todavía comestibles y residuos
comestibles de comida
y restos de alimentos
de de
los los restaurantes
restaurantes [52].[52].
Unaparte
Una partefísica
físicade
delas
lasfábricas
fábricasinteligentes
inteligentesestá
estálimitada
limitadapor
porlaladisponibilidad
disponibilidaddedelos
lassistemas
existentes
de fabricación existentes. Esto hace que la fabricación aditiva sea uno de los sistemas
de comunicaciones vitales . Esto convierte a la fabricación aditiva en uno de los componentes de fabricación
vitales
de la Industria 4.0. Por último, se espera que la fabricación aditiva se convierta en un
componentes de la Industria 4.0. Por último, se espera que la fabricación aditiva se convierta enelemento clave
tecnología de fabricación para la fabricación de productos personalizados en una sociedad sostenibleen
una tecnología clave para la fabricación de productos personalizados en una sociedad sostenible
en el futuro. Se cree que tiene potencial para revolucionar la industria manufacturera.
futuro. Se cree que tiene potencial para revolucionar la industria manufacturera y
ofreceuna
ofrece una forma
forma de reemplazar
de reemplazar las tecnologías
las tecnologías de fabricación
de fabricación convencionales
convencionales [53]. Davis y
[53]. Davis y Gar
Garret señalaron que la impresión 3D podría ser una de las tecnologías útiles para desarrollar
ret señaló que la impresión 3D podría ser una de las tecnologías útiles para desarrollar ecosistemas
alimentarios urbanos sostenibles como resultado del aumento de la población mundial y la disponibilidad
limitada de recursos [54].
Machine Translated by Google
ecosistemas alimentarios urbanos sostenibles como resultado del aumento de la población mundial y la
disponibilidad limitada de recursos [54].
Es obvio que la industria alimentaria 4.0 se esfuerza por integrar tecnologías de comunicación, información
e inteligencia donde los grandes datos juegan un papel importante [55]. La gestión de datos comprende la
adquisición de datos de una manera más oportuna, rápida y flexible [56]. Uno de los atributos típicos asociados
con los grandes datos es el alto volumen, la velocidad y la variedad de información con restricciones en la gestión
de datos [57].
Los principales desafíos cuando se habla de big data en la perspectiva de la sostenibilidad alimentaria de la
industria 4.0 es cómo modelar y explorar diversas políticas agroalimentarias utilizando datos de múltiples fuentes
y herramientas inteligentes. Para mencionar la complejidad de la industria alimentaria 4.0, cabe destacar los
siguientes datos de sostenibilidad alimentaria asociados a tecnologías no térmicas [13,58]: (i) cuestiones
ambientales; (ii) cuestiones económicas; (iii) cuestiones sociales; (iv) preferencias de los consumidores asociadas
a la calidad de los alimentos; (v) aspectos nutricionales; (vi) cuestiones de higiene de los alimentos; (vii) compra
de cuestiones de mecenazgo. Los problemas clave que deben resolverse al desarrollar la arquitectura de datos
son la calidad de los datos, la incertidumbre de los datos y el potencial para el análisis de datos [13].
En la UE, dos dimensiones determinan la Industria 4.0 en el contexto de las empresas de
fabricación: 'Infraestructura' en términos de hardware y red de comunicación opuesta a 'Madurez de
Big Data' en el contexto del procesamiento de información a través de la infraestructura [59].
El potencial de extraer e interpretar datos dentro de los procesos de fabricación (alimentarios) y/o las cadenas de
suministro (alimentarias) puede aumentar la eficacia y facilitar todo tipo de no conformidades [60]. La existencia
de capacidades analíticas está en relación con el uso de varios modelos matemáticos en el sector alimentario
[61]. Los resultados de este estudio transeuropeo revelan, por un lado, que las grandes empresas alimentarias y
las empresas que operan en partes desarrolladas de Europa tienen un mayor nivel de modelado aplicado en
comparación con las pequeñas y medianas empresas y las empresas que operan en partes menos desarrolladas
de Europa. Una de las razones del bajo nivel de modelado y análisis de (big) data en el sector alimentario se debe
a la novedad de este tema, la lenta adaptación de las empresas de alimentos frente al rápido desarrollo de este
sector que exige la reingeniería de los procesos de fabricación de alimentos existentes [ 59]. El sector alimentario
per se no ha estado en el centro de la evaluación general de la preparación para la Industria 4.0, y se han
desarrollado modelos de evaluación limitados [62].
Los biosensores como dispositivos para convertir cantidades biológicas en señales eléctricas son
ampliamente utilizado en la industria alimentaria debido a sus características específicas: tiempo de respuesta corto, alta
sensibilidad , detección rápida, capacidad de automatización, costo de producción relativamente bajo, tiempo real simple
gestión y monitorización, instalación sencilla en sistemas integrados, fácil integración
en varios métodos para garantizar la calidad y seguridad de los alimentos. Los biosensores se pueden diseñar para
ya sea compuestos específicos o una clase seleccionada de alimentos, lo que amplía enormemente su campo de
solicitud. El diseño del biosensor puede ser de forma portátil, lo que permite monitorear
del producto durante la producción misma, pero también durante la distribución y venta. La gestión eficaz de
riesgos en la industria alimentaria se ve facilitada en gran medida por el uso de biosensores [67,68].
La clasificación de los biosensores según principios y medidas se muestra en la Tabla 2.
Principio mensurando
conductimétrica Resistencia/conductancia
potenciométrico Voltaje/fem
Capacitivo Capacitancia/carga
amperométrico Actual
calorimétrico Calor/temperatura
Gravimétrico Masa
Óptico Longitud de trayectoria/absorción
Resonante Frecuencia
Fluorescente Intensidad
Los biosensores son un subgrupo de sensores químicos donde el elemento es biológicamente activo.
material: enzima, anticuerpo, químico biológico, tejido, célula y orgánulos. La combinación
de todos los elementos y principios de biorreconocimiento antes mencionados permite el desarrollo
de muchos tipos de biosensores. Sin embargo, la mayoría de los biosensores comerciales utilizados en la industria
alimentaria se basan en enzimas o anticuerpos como los biosensores biológicamente activos más utilizados.
elementos [69–73].
Las enzimas son moléculas de proteína grandes que catalizan reacciones químicas. su tarea
es convertir A (el mensurando original) en uno de los productos B manteniendo el
enzima sin cambios. El producto final B se mide directamente mediante un sensor (físico). En el
cuerpo humano, el papel de las enzimas es prácticamente insustituible. La sustancia A siempre debe
convertirse en sustancia B, y nunca, por ejemplo, en C, por lo que las enzimas deben ser capaces de
detectar la diferencia en un solo átomo que mostrará si una reacción química o no
ocurrira. Esta selectividad inherente de la enzima se utiliza en biosensores. una situación parecida
es con anticuerpos como material biológicamente activo. Los anticuerpos son proteínas producidas
por el sistema inmunitario en respuesta a material "extraño" en el cuerpo (antígeno), como
virus, bacterias, varios implantes... La diferencia fundamental entre enzimas y
anticuerpos es que los anticuerpos no catalizan reacciones químicas sino que se unen fuertemente a los antígenos
(material "extraño"), marcándolos así para que el sistema inmunitario los elimine o los ataque.
Los anticuerpos deben ser extremadamente selectivos en la selección de antígenos y esta característica es
utilizado en biosensores. Después de la unión del anticuerpo al antígeno, el anticuerpo/antígeno
complejo está expuesto a un sensor (físico), que así cambia algunos de los correspondientes
parámetros medidos por este sensor (físico) [67,68].
Independientemente del buen rendimiento y de la importancia de utilizar enzimas
biosensores en la industria alimentaria, se deben considerar algunos otros aspectos antes de la comercialización
de biosensores enzimáticos. Una gran ventaja de los biosensores basados en enzimas es la
inmovilización de material biológico en la superficie del electrodo y mejor función de interfaz.
Los polímeros y los nanomateriales se utilizan a menudo como portadores de material biológico y su principal
características son un aumento en la velocidad y la estabilidad de la transferencia de electrones y una extensión
de la vida de los biosensores [64,65,69,71,74,75]. El desarrollo de materiales biocompatibles.
debe ir en la dirección de mejorar la sensibilidad de los biosensores. Prolongando el intervalo de
El uso de biosensores debe ir acompañado de la mejora de la tecnología de inmovilización y
Machine Translated by Google
modificando las enzimas sobre las que actúan [75]. El pretratamiento de la muestra y la optimización
de la especificidad y selectividad del biosensor reducen las interacciones no deseadas [76]. La
importante diversidad de enzimas y reacciones enzimáticas indica la necesidad de una cuidadosa
selección de cada biosensor que produzca los resultados deseados. Los mayores problemas posibles
con los biosensores son la esterilización, la contaminación y, a veces, el costo. La esterilización es
casi siempre necesaria para el uso in situ, por lo que se modifican las características particulares del biosensor
Además, significa desviación de la calibración original del sensor con todas las posibles consecuencias .
La contaminación implica el riesgo de que el material biológico o los productos químicos utilizados se filtren
y entren en contacto con el medio ambiente (tejido humano). El costo de producción de sensores
individuales, sin importar cuán técnicamente atractivos sean, es muy alto, por lo que no se producen en
masa [63,64,73].
En los últimos años se ha incrementado significativamente la investigación de la aplicación de
biosensores en la agronomía y la industria alimentaria, lo que implica que juegan un papel muy importante
en este campo [63,70,72,73,77–82].
Todo comenzó con el controlador lógico programable (PLC). PLC es una computadora digital
industrial que monitorea continuamente el estado de los dispositivos de entrada para tomar decisiones
(para controlar los procesos y equipos de fabricación) en base a una lógica preprogramada [83].
Ahora tenemos diferentes tipos de términos técnicos como identificación por radiofrecuencia (RFID), que es una
tecnología de comunicación inalámbrica que utiliza la radiofrecuencia para identificar personas u objetos. El
control de supervisión y la adquisición de datos (SCADA) es una arquitectura de sistema de control que utiliza
computadoras y comunicaciones de datos en red para monitorear y controlar los equipos de la planta. IoT puede
permitir la creación de redes virtuales para respaldar la fábrica inteligente en Industry 4.0 y toda la cadena de
valor que puede controlarse entre sí de forma autónoma.
IoT permite que las máquinas se comuniquen (M2M) y esto significa un entorno de
fabricación más libre de humanos [84,85]. Los sistemas son cada vez más “autónomos”
y con sensores y CPS son los elementos centrales de la transformación a fábricas inteligentes. Elegante
factory es un paso de la automatización tradicional del pasado a sistemas conectados que utilizan
datos para hacer frente a las crecientes demandas comerciales. Industry 4.0. está impulsando la
transformación digital en las fábricas inteligentes. Está combinando potencia informática con
tecnologías de máquinas y sensores. Como se dijo anteriormente, los sistemas IoT pueden recopilar
datos de fabricación de manera transparente, completa e interactiva. Estas herramientas pueden
proporcionar visibilidad en tiempo real de los activos y equipos, la calidad de los procesos y los
recursos de la fábrica. Ya se han introducido muchos procedimientos innovadores, por ejemplo, la
impresión 3D o la realidad virtual [86]. Para construir una fábrica inteligente, es necesario que la
gerencia invierta en tecnologías como computación en la nube, IoT, tecnologías de sensores
avanzados, impresión 3D, robótica industrial, análisis de datos, inteligencia artificial, aprendizaje
automático, comunicación mejorada de máquina a máquina (M2M) junto con la construcción . la
capacidad de los empleados. Además de la producción inteligente, también es posible predecir y
estimar el flujo de trabajo de producción. Esto es posible mediante la recopilación de datos que pueden
producir simulaciones de fábrica digitales que predicen cómo se espera que se fabrique un producto.
Esto se llama fábrica virtual y es una simulación en tiempo real de cómo se fabrica la producción.
La industria alimentaria 4.0 puede proporcionar más recursos y servicios básicos a las personas pobres
La industria alimentaria 4.0 puede proporcionar más recursos y servicios básicos a las personas
pobres y sacarlas de la pobreza [91], promover la agricultura sostenible, la alimentación sostenible
y sacarlos de la pobreza [91], promover la agricultura sostenible, patrones sostenibles de consumo y
producción de alimentos [93], proporcionar nuevas tecnologías para beber limpiamente
patrones de consumo y producción [93], proporcionar nuevas tecnologías para el agua potable y el
saneamiento [94] y combatir el cambio climático [95].
agua y saneamiento [94], y lucha contra el cambio climático [95].
La dimensión social de la sostenibilidad requiere atención adicional [91], donde la
evaluación La dimensión social de la sostenibilidad requiere atención adicional [91], donde
la evaluación podría realizarse a través del prisma de la pobreza, la desigualdad, la prosperidad y la paz
uación podría realizarse a través del prisma de la pobreza, la desigualdad, la prosperidad y las
preocupaciones por la justicia [96]. La cuarta revolución industrial tiene el potencial de abordar los
problemas de paz y justicia [96]. La cuarta revolución industrial tiene el potencial de agregar problemas
ambientales y sociales mejorando las tecnologías convencionales [97], y
aderezar los
mejorando la problemas ambientales
competitividad y sociales
justificando actualizando
su dimensión las tecnologías
económica convencionales
[91]. La industria [97],
alimentaria 4.0 ha
y mejorar ladecompetitividad
posibilidad justificando
reducir los costos su la
junto con dimensión económica
flexibilidad [91]. La
de producción industria
y una mayoralimentaria 4.0 .tiene
productividad lala
Tiene
posibilidad de reducir los costos junto con la flexibilidad de producción y una mayor
donde se conocen los atributos de las tecnologías no térmicas, como el tratamiento corto. productividad [ 98,99 ],
tividad
corto [98,99], más
y valores donde losde
altos atributos conocidos de
calidad/seguridad las tecnologías
alimentaria no térmicas,
[58], amplían como un económica.
la perspectiva tiempo de tratamiento
Discurso
tiempo y alimentaria
industria mayores valores detecnologías
4.0, las calidad/seguridad alimentaria
no térmicas [58],encontrar
necesitan amplían la
superspectiva económica. Hablando de
lugar en el ciber
Hablando de la industria alimentaria 4.0, las tecnologías no térmicas deben encontrar
ciberespacio entre las tecnologías físicas (fabricación de alimentos convencionales) y las su lugar en el
digitales [91].
espacio entre las
Además detecnologías físicas (fabricación
las dimensiones económica de alimentos
y social de laconvencionales) y digitales
sustentabilidad, [91]. ambiental de la
la dimensión
sustentabilidad,
ambiental además
de las tecnologías node las dimensiones
térmicas económica y social
no fue completamente de lapor
explorada sustentabilidad,
los científicos la dimensión
debido a varias
Lostérminos
en científicos
de no exploraron
diferencias en completamente
las escalas de lasla visión
unidadessobre
notecnologías no térmicas
térmicas (escala debido aversus
de laboratorio variosescala
obstáculos
industrial).
cles en términos
industriales detipo
) [100], diferencias en lasalimenticios
de productos escalas de enlaselunidades
enfoqueno térmicas
(origen (escala
animal dealaboratorio
frente frenteestado
origen vegetal, a instalaciones
físico
ity) [100],
físico tipo de productos
del producto-polvo, alimenticios
sólido, líquido) en el enfoque (origen
y limitaciones animal
en el uso vs origen
del enfoque vegetal,
LCA estado
[58]. Parcial
el producto-polvo,
típicamente sólido,el
para evaluar líquido) y las
impacto limitaciones
ambiental de losenalimentos
el uso delnoenfoque LCA [58]. El enfoque LCA parcial se usa
térmicos.
El enfoquenoLCA
alimentos se usamapear
térmicos, típicamente para evaluar
el proceso elde
a escala impacto ambiental
laboratorio, de las el
establecer tecnologías
alcance y de
losprocesamiento
límites y de
ytecnologías
definiendo de procesamiento
la unidad funcionalmapeando
(FU) comoeluna
proceso a escala
referencia de laboratorio,
de salida estableciendo
como 1 kg/1 el alcance
L de producto y lostratado
alimenticio límites
tratado
definiendo
o incluso
la unidad
1 tratamiento
funcional (UF)
[4]. como una referencia de salida como 1 kg/1 L de producto alimenticio
o incluso 1 tratamiento [4].
Machine Translated by Google
Los desafíos para realizar un LCA de tecnologías de procesamiento de alimentos no térmicos se muestran
en la Tabla 3, desplegados a través de sus elementos principales: mapeo del proceso, configuración
el alcance y los límites, recopilando datos, calculando, evaluando e interpretando los
resultados [12]. La Tabla 3 se ha desarrollado de acuerdo con la investigación de [100] y [4].
1 alcance y objetivo Límites imprecisos del sistema ¿Cuáles son los límites de la unidad de escala de laboratorio?
2 Unidades funcionales poco fiables ¿Los resultados son comparables o altamente confiables en
alcance y objetivo
unidades funcionales (1 kg de producto vs 1 tratamiento)?
Dado que las unidades a escala de laboratorio suelen tener un nivel de preparación tecnológica entre 3 y 4,
es necesario definir claramente los límites del sistema en el que se realiza el LCA parcial
utilizado. La unidad funcional inconsistente plantea un cierto riesgo [4] ya que la elección adecuada debe
permitir su comparación entre productos alimentarios y tecnologías alimentarias. Basado en el
métodos de recopilación de datos, es importante poder validar los datos y relacionarlos con
tecnologías de procesamiento de alimentos no térmicos y FU elegidas [12].
Aunque el análisis de inventario de un LCA parcial (para una unidad a escala de laboratorio) puede parecer simple,
principales problemas es el potencial de la medición precisa de entrada (material y energía) y salida
flujos (flujos de desechos/descarga) especialmente porque en algunos casos, estos valores pueden ser difíciles
para medir. Algunos autores afirman que esta etapa es de gran importancia en la LCA ya que
proporciona valores de datos de proceso unitario [101].
Como resultado del ACV parcial, es necesario calcular todos los impactos ambientales
y expresarlos por FU. Sin embargo, dependiendo del enfoque/software utilizado, diferentes
los impactos pueden ser considerados [4]. Debido a todos los desafíos mencionados y las posibles incertidumbres,
sería más que bueno realizar un análisis de sensibilidad e identificar claramente a los influencers
(del análisis de inventario) dentro de un análisis de sensibilidad.
Para concluir el análisis de la Industria Alimentaria 4.0 en relación con las dimensiones de sostenibilidad,
se ha realizado un análisis FODA, considerando algunas publicaciones similares [102–105]
y se presenta en la Tabla 4.
Es obvio que la industria alimentaria 4.0 tiene muchas ventajas dentro de las tres sostenibilidad
dimensiones. Sin embargo, las altas inversiones iniciales, la falta de conocimiento entre los trabajadores para
el uso de algunas (o todas) las tecnologías de la Industria 4.0 y los riesgos potenciales para la seguridad alimentaria aún representan
un desafío en la implementación de estas tecnologías a lo largo de la cadena de suministro de alimentos.
Machine Translated by Google
POSITIVO NEGATIVO
Contribuciones de los autores: Conceptualización, ARJ; redacción: revisión y edición, ARJ, MN, ID, SP y FC; validación, ARJ, ID y
FC Todos los autores han leído y aceptado la versión publicada del manuscrito.
Financiamiento: Los autores ARJ, MN, SP y FC desean agradecer a la Fundación de Ciencias de Croacia: "Descargas de alto voltaje
para la extracción con solventes verdes de compuestos bioactivos de hierbas mediterráneas" número de subvención [IP-2016-06-1913].
El trabajo de la estudiante de doctorado Marinela Nutrizio ha sido totalmente apoyado por el “Proyecto de desarrollo profesional de
jóvenes investigadores: formación de estudiantes de doctorado” de la Fundación Croata de Ciencias financiado por la Unión Europea
del Fondo Social Europeo.
Declaración de disponibilidad de datos: los datos están contenidos en el artículo. Los datos presentados en este estudio están
disponibles en el artículo.
Referencias
1. Picart-Palmade, L.; Cunault, C.; Chevalier-Lucía, D.; Belleville, parlamentario; Marchesseau, S. Potencialidades y límites de algunas tecnologías no térmicas para mejorar la
sostenibilidad del procesamiento de alimentos. Parte delantera. Nutrición 2019, 5, 130. [Referencia cruzada]
2. Stasiulaitiene, I.; Martuzevicius, D.; Abromaitis, V.; Tijonov, M.; Baltrusaitis, J.; Brandeburgo, R.; Pawelec, A.; Schwock, A.
Evaluación comparativa del ciclo de vida de las tecnologías de tratamiento de gases de escape basadas en plasma y tradicionales. J. Limpio. Pinchar. 2016, 112, 1804–1812.
[Referencia cruzada]
3. Cacace, F.; Bottani, E.; Rizzi, A.; Vignali, G. Evaluación de la sostenibilidad económica y ambiental de alta presión
procesamiento de alimentos. innovador ciencia de la comida emergente Tecnología 2020, 60. [Referencia cruzada]
4. Djekic, I.; Poji´c, M.; Tonda, A.; Putnik, P.; Bursa´c Kovaÿcevi´c, D.; Režek-Jambrak, A.; Tomasevic, I. Desafíos científicos en
Realización de la evaluación del ciclo de vida en la cadena de suministro de alimentos. Alimentos 2019, 8, 301. [Referencia cruzada] [PubMed]
5. Jambrak, AR; Donsi, F.; Paniwnyk, L.; Djekic, I. Impacto del nuevo procesamiento no térmico en la calidad de los alimentos: sostenibilidad,
Modelado y Aspectos Negativos. J. Cal. Alimenticia. 2019, 2019, 2171375. [Referencia cruzada]
6. Wang, L. Tecnologías de eficiencia energética para el procesamiento sostenible de alimentos. Eficiencia Energética 2014, 7, 791–810. [Referencia cruzada] 7. von
der Gracht, HA Medición de consenso en estudios Delphi. Revisión e implicaciones para el futuro aseguramiento de la calidad.
Tecnología Pronóstico. Soc. Chang. 2012, 79, 1525–1536. [Referencia cruzada]
8. Santos, J.; Muñoz-Villamizar, A.; Ormazábal, M.; Viles, E. Uso del monitoreo orientado a problemas para mejorar simultáneamente la productividad y el desempeño ambiental en
empresas manufactureras. En t. J. Cómputo. Integrar Fabricación 2019, 32, 183–193. [Referencia cruzada]
9. FAO. E Conferencia Regional de la FAO para Asia y el Pacífico Bytes para sostener nuestros bocados: Aprovechar la agricultura digital para los Objetivos de Desarrollo Sostenible
(ODS). En Actas de la Conferencia Regional de la FAO para Asia y el Pacífico, APRC/20/9, Thimphu, Bután, 1 a 4 de septiembre de 2020.
10. Ras, E.; Salvaje, F.; Stahl, C.; Baudet, A. Cerrar la brecha de habilidades de los trabajadores en la industria 4.0 mediante herramientas de aumento del desempeño humano: desafíos
y hoja de ruta. En Actas de la 10.ª Conferencia Internacional sobre Tecnologías Pervasivas Relacionadas con Entornos de Asistencia, Isla de Rodas, Grecia, 21–23 de junio de
2017; Parte del volumen F128530, págs. 428–432.
11. Gusmão Caiado, RG; Leal Filho, W.; Quelhas, OLG; Luiz de Mattos Nascimento, D.; Ávila, LV Una revisión basada en la literatura sobre los potenciales y limitaciones en la
implementación de los objetivos de desarrollo sostenible. J. Limpio. Producto 2018, 198, 1276–1288. [Referencia cruzada]
12.ISO . ISO 14040:2006 Gestión ambiental—Evaluación del ciclo de vida—Principios y marco; Comité Técnico: ISO/TC 207/SC 5 Evaluación del Ciclo de Vida: ICS: 13.020.10 Gestión
Ambiental 13.020.60 Ciclos de Vida del Producto; ISO: Ginebra, Suiza, 2006.
13. Belaud, JP; Prioux, N.; Vialle, C.; Sablayrolles, C. Big data para agroalimentación 4.0: Aplicación a la gestión de la sostenibilidad para
cadena de suministro de subproductos. computar Ind. 2019, 111, 41–50. [Referencia cruzada]
14. Latino, ME; Corallo, A.; Menegoli, M. De la Industria 4.0 a la Agricultura 4.0: Cómo gestionar los datos de productos en la cadena de suministro agroalimentaria para la trazabilidad
voluntaria, una propuesta de marco. Red de Innovadores de Entidades Innovadoras Ver Proyecto KHIRA- Enfoque Holístico Integrado de Investigación Basado en el Conocimiento
Ver Proyecto; Academia Mundial de Ciencias, Ingeniería y Tecnología: Estambul, Turquía, 2018.
15. Zambon, I.; Cecchini, M.; Egidi, G.; Saporito, MG; Colantoni, A. Revolución 4.0: Industria vs. Agricultura en el desarrollo futuro
para pymes. Procesos 2019, 7, 36. [CrossRef]
16. Chemat, F.; Rombaut, N.; Meullemiestre, A.; Turco, M.; Perino, S.; Fabiano-Tixier, A.-S.; Abert-Vian, M. Revisión de alimentos verdes
Técnicas de procesamiento. Conservación, transformación y extracción. innovador ciencia de la comida emergente Tecnología 2017. [Referencia cruzada]
17. Inteligencia artificial: un enfoque moderno: Russell, Stuart, Norvig, Peter: 8601419506989. Disponible en línea: Amazon.com
(consultado el 15 de diciembre de 2020).
18. Kakani, V.; Nguyen, VH; Kumar, BP; Kim, H.; Pasupuleti, VR Una revisión crítica sobre visión artificial e inteligencia artificial en
industria de alimentos. J. Agric. Alimentos Res. 2020, 2, 100033. [Referencia cruzada]
19. Di Vaio, A.; Boccia, F.; Landriani, L.; Palladino, R. Inteligencia artificial en el sistema agroalimentario: Repensando el negocio sostenible
modelos en el escenario COVID-19. Sostenibilidad 2020, 12, 4851. [CrossRef]
20. Misra, NN; Dixit, Y.; Al-Mallahi, A.; Bhullar, MS; Upadhyay, R.; Martynenko, A. IoT, big data e inteligencia artificial en
agricultura e industria alimentaria. IEEE Internet Things J. 2020. [Referencia cruzada]
21. Goyache, F.; Bahamonde, A.; Alonso, J.; López, S.; Del Coz, JJ; Quevedo, JR; Ranilla, J.; Luaces, O.; Álvarez, I.; Royó, LJ; et al. La utilidad de las técnicas de inteligencia artificial
para evaluar la calidad subjetiva de los productos en la industria alimentaria.
Tendencias Ciencias de la alimentación. Tecnología 2001, 12, 370–381. [Referencia cruzada]
22. Funes, E.; Allouché, Y.; Beltrán, G.; Jiménez, A. Una revisión: las redes neuronales artificiales como herramienta para el control de procesos en la industria alimentaria.
J. Sens. Technol. 2015, 5, 28–43. [Referencia cruzada]
Machine Translated by Google
23. García-Esteban, JA; Curto, B.; Moreno, V.; González-Martin, I.; Revilla, I.; Vivar-Quintana, A. Una estrategia de digitalización para el control de calidad en la industria alimentaria
basada en técnicas de Inteligencia Artificial. En Proceedings of the IEEE 16th International Conference on Industrial Informatics, INDIN 2018, Oporto, Portugal, 18–20 de
julio de 2018; Instituto de Ingenieros Eléctricos y Electrónicos Inc.: Nueva York, NY, EE. UU., 2018; págs. 221–226.
24. Talaviya, T.; Sha, D.; Patel, N.; Yagnik, H.; Shah, M. Implementación de inteligencia artificial en la agricultura para la optimización de
riego y aplicación de pesticidas y herbicidas. Artefacto Intel. agricola 2020, 4, 58–73. [Referencia cruzada]
25. Helmy, M.; Smith, D.; Selvarajoo, K. Enfoques de biología de sistemas integrados con inteligencia artificial para optimizar el metabolismo
Ingenieria. metab. Ing. común 2020, 11, e00149. [Referencia cruzada]
26. Iqbal, J.; Khan, ZH; Khalid, A. Perspectivas de la robótica en la industria alimentaria. ciencia de la comida Tecnología 2017, 37, 159–165. [Referencia cruzada]
27. Jung, J.; Maeda, M.; Chang, A.; Bhandari, M.; Ashapure, A.; Landivar-Bowles, J. El potencial de la teledetección y la inteligencia artificial como herramientas para mejorar la
resiliencia de los sistemas de producción agrícola. actual Opinión Biotecnología. 2021, 70, 15–22. [Referencia cruzada] [PubMed] 28. da Silva e Silva, N.; de Souza Farías,
F.; dos Santos Freitas, MM; Pino Hernández, EJG; Dantas, VV; Enê Chaves Oliveira, M.; Joele, MRSP; de Fátima Henriques Lourenço, L. Aplicación de inteligencia artificial
para la clasificación y selección de film de empaque de gelatina de pescado producido con incorporación de aceite de palma y aceites esenciales de plantas. Paquete de alimentos.
Vida útil 2021, 27, 100611. [Referencia cruzada]
29. Naranjo-Torres, J.; Mora, M.; Hernández-García, R.; Barrientos, RJ; Fredes, C.; Valenzuela, A. Una revisión de la red neuronal convolucional aplicada al procesamiento de
imágenes de frutas. aplicación ciencia 2020, 10, 3443. [Referencia cruzada]
30. Wauters, T.; Verbeeck, K.; Verstraete, P.; Vanden Berghe, G.; De Causmaecker, P. Programación de producción en el mundo real para los alimentos
industria: un enfoque integrado. Ing. aplicación Artefacto Intel. 2012, 25, 222–228. [Referencia cruzada]
31. Soltani-Fesaghandis, G.; Pooya, A. Diseño de un sistema de inteligencia artificial para predecir el éxito del desarrollo de nuevos productos y seleccionar la estrategia de producto
de mercado adecuada en la industria alimentaria. En t. Alimentos Agribus. Administrar Rev. 2018, 21, 847–864. [Referencia cruzada]
32. Grumezescu, A.; Holban, AM Herramientas de Ingeniería en la Industria de Bebidas; Woodhead Publishing: Cambridge, Reino Unido, 2019.
33. Dolci, R. Soluciones IoT para agricultura de precisión y fabricación de alimentos: aplicaciones de inteligencia artificial en alimentos digitales.
En Actas de la 41.ª Conferencia Anual de Aplicaciones y Software Informático (COMPSAC) de IEEE de 2017, Turín, Italia, 4 a 8 de julio de 2017; IEEE Computer Society:
Nueva York, NY, EE. UU., 2017; Volumen 2, págs. 384–385.
34. Chun, K.-S. ¿Por qué la Inteligencia Artificial es importante para los alimentos étnicos? J. Etn. Alimentos 2018, 5, 75. [Referencia cruzada]
35. Manavalán, E.; Jayakrishna, K. Una revisión de la cadena de suministro sostenible integrada de Internet de las cosas (IoT) para la industria 4.0
requisitos computar Ing. Ind. 2019, 127, 925–953. [Referencia cruzada]
36. Köbnick, P.; Velú, C.; McFarlane, D. Preparación para la industria 4.0: innovación del modelo de negocio digital en la industria de alimentos y bebidas
industria. En t. J. Mecatrón. Fabricación sist. 2020, 13, 59–89. [Referencia cruzada]
37. Gebhardt, A. Comprender la fabricación aditiva; Carl Hanser Verlag GmbH & Co. KG: Múnich, Alemania, 2011.
38. Huang, SH; Liu, P.; Mokasdar, A.; Hou, L. La fabricación aditiva y su impacto social: una revisión de la literatura.
En t. j adv. Fabricación Tecnología 2013, 67, 1191–1203. [Referencia cruzada]
39. Khanpara, P.; Tanwar, S. Fabricación Aditiva: Conceptos y Tecnologías; Springer: Cham, Suiza, 2020; págs. 171–185.
40. Liu, Z.; Zhang, M.; Bhandari, B.; Wang, Y. Impresión 3D: precisión de impresión y aplicación en el sector alimentario. Tendencias Ciencias de la alimentación. Tecnología
2017, 69, 83–94. [Referencia cruzada]
41. Baiano, A. Alimentos impresos en 3D: una revisión exhaustiva sobre tecnologías, valor nutricional, seguridad, actitud del consumidor,
Marco Regulatorio, y Asuntos Económicos y de Sostenibilidad. Alimento Rev. Int. 2020, 1–31. [Referencia cruzada]
42. Zhu, S.; Stieger, MA; van der Goot, AJ; Schutyser, MAI Impresión 3D basada en extrusión de pastas alimenticias: correlación de las propiedades reológicas con el comportamiento
de impresión. innovador ciencia de la comida emergente Tecnología 2019, 58, 102214. [Referencia cruzada]
43. Liu, Z.; Chen, H.; Zheng, B.; Xie, F.; Chen, L. Comprender la estructura y las propiedades reológicas del almidón de papa inducido por
Impresión 3D por extrusión en caliente. Hidrocoll alimentario. 2020, 105, 105812. [Referencia cruzada]
44. Karavasili, C.; Gkaragkounis, A.; Moschakis, T.; Ritzoulis, C.; Fatouros, DG Formas de dosificación a base de chocolate pediátricas para la administración oral de fármacos
hidrofílicos y lipofílicos fabricadas con impresión 3D basada en extrusión. EUR. J. Pharm. ciencia
2020, 147, 105291. [Referencia cruzada] [PubMed]
45. Kwak, C.; Ryu joven, S.; Parque, H.; Lim, S.; Yang, J.; Kim, J.; Hyun Kim, J.; Lee, J. Una emulsión de pickering estabilizada por microalgas chlorella como una tinta de impresión
3D basada en extrusión ecológica procesable en condiciones ambientales. J. Interfaz coloidal Sci. 2021, 582, 81–89. [Referencia cruzada] [PubMed]
46. Chen, H.; Xie, F.; Chen, L.; Zheng, B. Efecto de las propiedades reológicas de los almidones de papa, arroz y maíz en sus comportamientos de impresión 3D de extrusión en
caliente . J. Ing. de Alimentos. 2019, 244, 150–158. [Referencia cruzada]
47. Sol, J.; Peng, Z.; Zhou, W.; Fuh, JYH; Hong, GS; Chiu, A. Una revisión sobre la impresión 3D para la fabricación de alimentos personalizados.
Procedía Manuf. 2015, 1, 308-319. [CrossRef]
48. Le-Bail, A.; Maniglia, BC; Le-Bail, P. Avances recientes y perspectiva de futuro en la fabricación aditiva de alimentos basada en impresión 3D. actual Opinión ciencia de la
comida 2020, 35, 54–64. [Referencia cruzada]
49. Kellens, K.; Mertens, R.; Paraskevas, D.; Dewulf, W.; Duflou, JR Impacto ambiental de los procesos de fabricación aditiva: ¿Contribuye la fabricación aditiva a una forma más
sostenible de fabricación de piezas? Procedimiento CIRP 2017, 61, 582–587. [Referencia cruzada]
50. Aquilas, C.; Aidonis, D.; Iakovou, E.; Thymianidis, M.; Tzetzis, D. Un marco metodológico para la inclusión de modernos
fabricación aditiva en la cartera de producción de una fábrica enfocada. J. Manuf. sist. 2015, 37, 328–339. [Referencia cruzada]
Machine Translated by Google
51. Peng, T.; Kellens, K.; Tang, R.; Chen, C.; Chen, G. Sostenibilidad de la fabricación aditiva: una visión general de su demanda energética
e impacto ambiental. Agregar Fabricación 2018, 21, 694–704. [Referencia cruzada]
52. Upprinting Food—Impresión sostenible de alimentos en 3D. Disponible en linea:. Disponible en línea: https://www.upprintingfood.com/
(consultado el 15 de diciembre de 2020).
53. Dilberoglu, UM; Gharehpapagh, B.; Yaman, U.; Dolen, M. El papel de la fabricación aditiva en la era de la industria 4.0.
Procedía Manuf. 2017, 11, 545-554. [CrossRef]
54. Davies, FT; Garrett, B. Tecnología para ecosistemas alimentarios urbanos sostenibles en el mundo en desarrollo: Fortalecimiento del nexo entre alimentos, agua, energía y nutrición.
Parte delantera. Sostener. Sistema de alimentos 2018, 2, 84. [Referencia cruzada]
55. Wang, Y.; Ma, H.-S.; Yang, J.-H.; Wang, K.-S. Industria 4.0: Un camino de la personalización masiva a la producción de personalización masiva.
Adv. Fabricación 2017, 5, 311–320. [Referencia cruzada]
56. Brettel, M.; Friederichsen, N.; Keller, M.; Rosenberg, M. Cómo la virtualización, la descentralización y la creación de redes cambian el
panorama de fabricación: una perspectiva de la industria 4.0. En t. J. Mec. Ind. Sci. Ing. 2014, 8, 37–44.
57. De Mauro, A.; Greco, M.; Grimaldi, M. Una definición formal de Big Data basada en sus características esenciales. Libra Rev. 2016, 65,
122–135. [Referencia cruzada]
58. Rezek Jambrak, A.; Vukusic, T.; Donsi, F.; Paniwnyk, L.; Djekic, I. Tres pilares de las nuevas tecnologías alimentarias no térmicas: alimentos
Seguridad, Calidad y Medio Ambiente. J. Cal. Alimenticia. 2018, 2018, 8619707. [Referencia cruzada]
59. Castelo-Branco, I.; Cruz-Jesús, F.; Oliveira, T. Evaluación de la preparación de la Industria 4.0 en la fabricación: Evidencia para la Unión Europea
Unión. computar Ind. 2019, 107, 22–32. [Referencia cruzada]
60. Wang, S.; Wan, J.; Zhang, D.; Li, D.; Zhang, C. Hacia una fábrica inteligente para la industria 4.0: un sistema multiagente autoorganizado con
retroalimentación y coordinación basadas en big data. computar Neto. 2016, 101, 158–168. [Referencia cruzada]
61. Djekic, I.; Mujÿcinovi´c, A.; Nikoli´c, A.; Jambrak, AR; Papademás, P.; Feyissa, AH; Kansou, K.; Thomopoulos, R.; Breisen, H.; Kavallieratos, NG; et al. Encuesta inicial transeuropea
sobre el uso de modelos matemáticos en la industria alimentaria. J. Ing. de Alimentos. 2019, 261, 109–116. [Referencia cruzada]
62. Lucato, WC; Pacchini, APT; Facchini, F.; Mummolo, G. Modelo para evaluar el grado de preparación Industria 4.0 en Industrial
Compañías. IFAC-PapersOnLine 2019, 52, 1808–1813. [Referencia cruzada]
63. Aheleroff, S.; Xu, X.; Lu, Y.; Aristizabal, M.; Pablo Velásquez, J.; Joa, B.; Valencia, Y. IoT-enabled smart appliances under industry
4.0: Un estudio de caso. Adv. Ing. Informar. 2020, 43, 101043. [Referencia cruzada]
64. Yong, W.; Shuaishuai, L.; Pequeño.; Minzan, L.; Ming, L.; Arvanitis, KG; Georgieva, C.; Sigrimis, N. Sensores inteligentes de tierra a
Nube e Inteligencia Web. IFAC-PapersOnLine 2018, 51, 31–38. [Referencia cruzada]
65. Oliveira, T.; Morais, S. Nueva generación de sensores electroquímicos basados en nanotubos de carbono de paredes múltiples. aplicación ciencia 2018, 8,
1925. [Referencia cruzada]
66. Krzysztof ROMAN, K.; Borek, K.; Mazur, K.; Jan WARDAL, W. Las mediciones de la concentración de polvo PM 2.5 mediante el uso de un sensor óptico integrado. Sucursal Varsovia
2020. [CrossRef]
67. Koyun, A.; Ahlatcolu, E.; Koca, Y. Biosensores y sus principios. En Una hoja de ruta de ingenieros biomédicos e hitos; InTech:
Londres, Reino Unido, 2012.
68. Perumal, V.; Hashim, U. Avances en biosensores: Principio, arquitectura y aplicaciones. Aplicación J. biomedicina 2014, 12, 1–15. [Referencia cruzada]
69. Inteligente, A.; Tripulación, A.; Dorán, O.; Hart, JP Estudios para el desarrollo de un nuevo biosensor serigrafiado a base de carbono
para la Medición de Ácidos Grasos Poliinsaturados. aplicación ciencia 2020, 10, 7779. [Referencia cruzada]
70. Nikoleli, G.-P.; Siontorou, CG; Nikolelis, M.-T.; Bratakou, S.; Bendos, DK Plataformas recientes de biodetección basadas en membranas lipídicas.
aplicación ciencia 2019, 9, 1745. [Referencia cruzada]
71. Braik, M.; Barsan, MM; Dridi, C.; Ben Alí, M.; Brett, CMA Biosensor enzimático amperométrico de alta sensibilidad para la detección de superóxido basado en polímero conductor/
electrodos modificados CNT y superóxido dismutasa. Sens. Actuadores B Chem. 2016, 236, 574–582. [Referencia cruzada]
72. Maleki, N.; Kashanian, S.; Maleki, E.; Nazari, M. Un nuevo biosensor basado en enzimas para la detección de catecol en muestras de agua usando
Red neuronal artificial. Bioquímica Ing. J. 2017, 128, 1–11. [Referencia cruzada]
73. Vosotros, Y.; Ji, J.; Sol, Z.; Shen, P.; Sun, X. Avances recientes en biosensores electroquímicos para el análisis de antioxidantes en productos alimenticios.
Análisis de tendencias de Trac. química 2020, 122, 115718. [Referencia cruzada]
74. Rawal, R.; Chawla, S.; Pundir, CS Biosensor de polifenoles basado en lacasa inmovilizada en nanopartículas de plata/multipared
nanotubo de carbono/electrodo de oro de polianilina. Anal. Bioquímica 2011, 419, 196–204. [Referencia cruzada] [PubMed]
75. Ibarra-Escutia, P.; Gómez, JJ; Calas-Blanchard, C.; Marty, JL; Ramírez-Silva, MT Biosensor amperométrico basado en un fotopolímero de alta resolución depositado sobre un electrodo
serigrafiado para el monitoreo de compuestos fenólicos en infusiones de té. Talanta 2010, 81, 1636–1642. [Referencia cruzada] [PubMed]
76. Gomes, SASS; Nogueira, JMF; Rebelo, MJF Un biosensor amperométrico para compuestos polifenólicos en vino tinto.
Biosens. Bioelectrón. 2004, 20, 1211–1216. [Referencia cruzada] [PubMed]
77. Mahbub, M. Un concepto de agricultura inteligente basado en electrónica integrada inteligente, internet de las cosas y red de sensores inalámbricos.
Cosas de Internet 2020, 9, 100161. [Referencia cruzada]
78. Meier, J.; Máuser, W.; Hank, T.; Bach, H. Evaluaciones sobre el impacto de los tamaños de píxeles de los sensores de alta resolución para la política agrícola común y los servicios de
agricultura inteligente en las regiones europeas. computar Electrón. agricola 2020, 169, 105205. [Referencia cruzada]
Machine Translated by Google
79. Bresnahan, PJ; Wirth, T.; Martiz, T.; Shipley, K.; Rowley, V.; Anderson, C.; Grimm, T. Equipando costas inteligentes con agua marina
Sensores IoT de calidad. Resultados Ing. 2020, 5, 100087. [Referencia cruzada]
80. Huang, X.; Li, Z.; Zou, X.; Shi, J.; Elrasheid Tahir, H.; Xu, Y.; Zhai, X.; Hu, X. Un sistema inteligente de bajo costo para analizar diferentes tipos de aves comestibles en esta adulteración
basado en una matriz de sensores colorimétricos. J. Alimentos Medicamentos Anal. 2019, 27, 876–886. [Referencia cruzada] 81. de Macedo, IYL; García, LF; Oliveira Neto, JR; de
Siqueira Leite, KC; Ferreira, VS; Ghedini, PC; de Souza Gil, E.
Herramientas electroanalíticas para la evaluación antioxidante de extractos secos de frutos rojos. Química alimentaria 2017, 217, 326–331. [Referencia cruzada]
82. Beshai, H.; Sarabha, G.; Rathi, P.; Alam, A.; Deen, M. Monitoreo de la frescura de vegetales empacados. aplicación ciencia 2020, 10, 7937. [Referencia cruzada]
83. Langmann, R.; Stiller, M. El PLC como Servicio Inteligente en Sistemas de Producción de Industria 4.0. aplicación ciencia 2019, 9, 3815. [Referencia cruzada]
84. Oztemel, E.; Gursev, S. Revisión de literatura de Industry 4.0 y tecnologías relacionadas. J. Intel. Fabricación 2020, 31, 127–182. [Referencia cruzada]
85. Xu, LD; Xu, EL; Li, L. Industria 4.0: Estado del arte y tendencias futuras. En t. J.Prod. Res. 2018, 56, 2941–2962. [Referencia cruzada]
86. Salah, B.; Abidi, MH; Mian, SH; Krid, M.; Alkhalefah, H.; Abdo, A. Educación en ingeniería basada en realidad virtual para mejorar
sostenibilidad de la fabricación en la industria 4.0. Sustentabilidad 2019, 11, 1477. [CrossRef]
87. Müller, JM; Kiel, D.; Voigt, KI Qué impulsa la implementación de la Industria 4.0. El papel de las oportunidades y los desafíos en la
contexto de la sostenibilidad. Sostenibilidad 2018, 10, 247.
88. Stock, T.; Seliger, G. Oportunidades de fabricación sostenible en la industria 4.0. Procedia Cirp 2016, 40, 536–541. [Referencia cruzada]
89. Miranda, J.; Ponce, P.; Molina, A.; Wright, P. Sensing, tecnologías inteligentes y sostenibles para la Agroalimentación 4.0. computar Ind. 2019,
108, 21–36. [Referencia cruzada]
90. FAO. la FAO y los 17 Objetivos de Desarrollo Sostenible; Organización de las Naciones Unidas para la Agricultura y la Alimentación: Roma, Italia, 2015.
91. Bai, C.; Dallasega, P.; Orzes, G.; Sarkis, J. Evaluación de tecnologías de Industria 4.0: Una perspectiva de sostenibilidad. En t. J.Prod. economía
2020, 229, 107776. [Referencia cruzada]
92. Lu, Y. Industria 4.0: Una encuesta sobre tecnologías, aplicaciones y temas de investigación abiertos. J.Ind.Inf. Integrar 2017, 6, 1–10. [Referencia cruzada]
93. Djekic, I.; Tomasevic, I. Rol de la Calidad Sostenible en la Cadena Alimentaria. En Hambre Cero; Leal Filho, W., Azul, AM, Brandli, L., Özuyar, PG, Wall, T., Eds.; Springer International
Publishing: Cham, Suiza, 2020; págs. 1 a 10. ISBN 978-3-319-69626-3.
94. Djekic, I.; Tomasevic, I. Papel del agua potable en el procesamiento de alimentos. en Agua Limpia y Saneamiento; Leal Filho, W., Azul, AM, Brandli, L., Lange Salvia, A., Wall, T., Eds.;
Springer International Publishing: Cham, Suiza, 2020; págs. 1 a 10. ISBN 978-3-319-95845-3.
95. Djekic, I.; Petrovic, J.; Božiÿckovi´c, A.; Djordjevic, V.; Tomasevic, I. Principales impactos ambientales asociados con la producción y el consumo de leche y yogur en Serbia: enfoque de
Monte Carlo. ciencia Entorno Total. 2019, 695, 133917. [Referencia cruzada]
96. Griggs, D.; Stafford-Smith, M.; Gaffney, O.; Rockström, J.; Ohman, MC; Shyamsundar, P.; Steffen, W.; Glaser, G.; Kanie, N.; Noble, I. Objetivos de desarrollo sostenible para las personas
y el planeta. Naturaleza 2013, 495, 305–307. [Referencia cruzada] [PubMed]
97. Morrar, R.; Arman, H.; Mousa, S. La cuarta revolución industrial (Industria 4.0): Una perspectiva de innovación social.
Tecnología innovador Administrar Rev. 2017, 7, 12–20. [Referencia cruzada]
98. Dalenogare, LS; Benítez, GB; Ayala, NF; Frank, AG La contribución esperada de las tecnologías de Industria 4.0 para el desempeño industrial. En t. J.Prod. economía 2018, 204, 383–
394. [Referencia cruzada]
99. Rüßmann, M.; Lorenz, M.; Gerberto, P.; Waldner, M.; Justo, J.; Engel, P.; Harnisch, M. Industria 4.0: El futuro de la productividad y
crecimiento de las industrias manufactureras. Bost. Consultar. Gramo. 2015, 9, 54–89.
100. Hospido, A.; Davis, J.; Berlín, J.; Sonesson, U. Una revisión de los problemas metodológicos que afectan a LCA de nuevos productos alimenticios.
En t. J. Evaluación del ciclo de vida. 2010, 15, 44–52. [Referencia cruzada]
101. Wernet, G.; Bauer, C.; Steubing, B.; Reinhard, J.; Moreno-Ruiz, E.; Weidema, B. La base de datos ecoinvent versión 3 (parte I): Descripción general
y metodología. En t. J. Evaluación del ciclo de vida. 2016, 21, 1218–1230. [Referencia cruzada]
102. Solangi, YA; Tan, Q.; Mirjat, Nueva Hampshire; Ali, S. Evaluación de las estrategias para la planificación energética sostenible en Pakistán: un análisis integrado
Enfoque FODA-AHP y Fuzzy-TOPSIS. J. Limpio. Pinchar. 2019, 236, 117655. [Referencia cruzada]
103. Sharma, L.; Pandey, S. Recuperación de recursos de automóviles de pasajeros al final de su vida útil en el sector informal en India. Sostener. Pinchar. consumo
2020, 24, 1–11. [Referencia cruzada]
104. Nara, EOB; da Costa, MB; Baierle, IC; Schaefer, JL; Benítez, GB; do Santos, LMAL; Benitez, LB Impacto esperado de las tecnologías de la industria 4.0 en el desarrollo sostenible: un
estudio en el contexto de la industria plástica de Brasil. Sostener. Pinchar. consumo
2021, 25, 102–122. [Referencia cruzada]
105. Dantas, TTE; de-Souza, ED; destrucción, IR; Hammes, G.; Rodríguez, CMT; Soares, SR Cómo la combinación de Economía Circular e Industria 4.0 puede contribuir al logro de los
Objetivos de Desarrollo Sostenible. Sostener. Pinchar. consumo 2021, 26, 213–227. [Referencia cruzada]