Моделирование на основе данных изотерм адсорбции воды в какао-бобах: набор данных и инструменты машинного обучения на базе Python для многомерного анализа и управления хранением.
Data-driven modeling of water adsorption isotherms in cocoa beans: Dataset and Python-based Machine Learning tools for multivariate analysis and storage management.
Bahamón-Monje AF, Collazos-Escobar GA, Gutiérrez-Guzmán N
Аннотация (перевод)
В данной работе представлен всесторонний набор данных об изотермах адсорбции воды для сушеных и обжаренных какао-бобов (<i>Theobroma cacao</i> L.), дополненный набором инструментов машинного обучения (ML) на базе Python, предназначенных для поддержки многомерного моделирования на основе данных и управления хранением. Изотермы адсорбции были определены экспериментально методом динамической изотермы точки росы (DDI) в диапазоне активности воды (a<sub>w</sub>) 0.1-0.85 и при температурах, характерных для послеуборочных хранилищ (25, 30 и 40°C). Изотермы адсорбции воды позволили провести детальный анализ гигроскопического поведения сушеных и обжаренных какао-бобов, обеспечив оценку влажностной стабильности во время хранения. Набор данных включает файлы Excel, содержащие значения равновесного влагосодержания (X<sub>e</sub>), экспериментальные условия (a<sub>w</sub>, температура и тип какао-бобов) и повторные измерения, что обеспечивает воспроизводимость и отслеживаемость процессов моделирования. В дополнение к экспериментальным данным в этой работе также представлены полностью задокументированные скрипты на Python для многомерного математического моделирования и прогнозирования поведения адсорбции воды с использованием методов ML. Вычислительные инструменты ML были разработаны на Python с использованием интегрированной среды разработки (IDE) Spyder из дистрибутива Anaconda, а также таких библиотек, как <i>scikit-learn</i> и <i>pandas</i>. Эти инструменты реализуют автоматизированные процедуры калибровки моделей и оптимизации гиперпараметров методом поиска по сетке для метода опорных векторов (SVM), случайного леса (RF) и искусственных нейронных сетей (ANN). Эти модели позволяют прогнозировать X<sub>e</sub> в зависимости от a<sub>w</sub>, температуры и типа обработки какао (сушеные или обжаренные), поддерживая надежные стратегии многомерного моделирования. Интегрированный набор данных и рабочий процесс на Python вместе образуют методологическую основу для прогнозирования поведения влаги в какао при хранении, оценки рисков хранения на основе результатов моделирования и поддержки принятия обоснованных решений на всех этапах цепочки поставок какао. Обеспечивая надежную оценку параметров хранения какао, связанных с влажностью, можно решать критически важные задачи, связанные со стабильностью, предотвращением порчи и определением срока годности. Следовательно, данная работа предоставляет ценный справочный набор данных для исследователей, производителей какао и представителей отрасли, стремящихся оптимизировать условия хранения и сохранить качество какао при послеуборочной обработке.
Оригинальная аннотация
This work presents a comprehensive dataset of water adsorption isotherms for dried and roasted cocoa beans (<i>Theobroma cacao</i> L.), complemented by a set of Python-based machine learning (ML) tools designed to support data-driven multivariate modeling and storage management. Adsorption isotherms were experimentally determined using the Dynamic Dewpoint Isotherm (DDI) method in the range of water activity (a<sub>w</sub>) of 0.1-0.85 and at temperatures representative of post-harvest storage facilities (25, 30, and 40°C). The water adsorption isotherms provided a detailed analysis of the hygroscopic behavior of dried and roasted cocoa beans, enabling the assessment of moisture-related stability during storage. The dataset includes Excel files containing equilibrium moisture content (X<sub>e</sub>) values, experimental conditions (a<sub>w</sub>, temperature, and type of cocoa beans) and replicate measurements, thereby enabling reproducible and traceable modeling workflows. To complement the experimental data, this work also provides fully documented Python scripts for multivariate mathematical modeling and prediction of water adsorption behavior using ML techniques. The computational ML tools were developed in Python using the Spyder integrated development environment (IDE) provided by the Anaconda distribution, with libraries such as <i>scikit-learn</i> and <i>pandas</i>. These tools implement automated routines for model calibration and grid search-based hyperparameter optimization of Support Vector Machine (SVM), Random Forest (RF), and Artificial Neural Networks (ANN). These models enable the prediction of X<sub>e</sub> as a function of a<sub>w</sub>, temperature, and cocoa processing type (dried or roasted), supporting robust multivariate modeling strategies. The integrated dataset and Python workflow together constitute a methodological framework for predicting moisture behavior in cocoa during storage, assessing storage-related risks based on model outputs, and supporting informed decision-making throughout the cocoa supply chain. By enabling reliable estimation of moisture-related storage parameters in cocoa, critical aspects associated with stability, spoilage prevention, and shelf-life determination can be addressed. Consequently, this work provides a valuable reference dataset for researchers, cocoa producers, and industry stakeholders seeking to optimize storage conditions and maintain cocoa quality during post-harvest handling.
Идентификаторы
Canonical: https://research.holos.house/w/a85d4c4f-8c9e-421c-9454-d202f5063932
DOI: 10.1016/j.dib.2026.112616