Geleceğin Değirmenciliği: Buğdaydan Una Yapay Zekâ Uygulamaları
Antik zamanlardan günümüze kadar gelen en eski teknolojilerden birisi olarak kabul edilen buğdayın una işlenmesi, endüstri ve teknolojideki hızlı ilerlemeye bağlı olarak gelişmiş ve modernize olmuştur. Geçmişten günümüze değişmeyen tek soru ise: istikrarlı ve kaliteli un elde edebilmek için en fonksiyonel ve kârlı değirmencilik koşullarının nasıl optimize edileceği konusudur.
Hasat edildikten sonra bile canlılığını devam ettiren buğdayın öğütme sürecindeki kalitesi pek çok faktöre bağlı olarak değişiklik gösterir. Bu durum, öğütme işleminde yer alan her bir aşamada farklı zorlukları da beraberinde getirmektedir. Günümüzde yapay zekânın hemen her alanda kullanımı, değirmencilikte de farklı amaçların karşılanması için değirmenciye yeni perspektifler ve çözüm önerileri sunmaktadır. Yapay zekâ ile öğütme koşullarının optimizasyonu sonucunda akıllı değirmenciliğe evrilen bu kadim teknoloji, sabit son ürün kalitesinin yanı sıra enerji kaynaklarının daha verimli kullanılması, kaynak optimizasyonu ve değirmen performansının iyileştirilmesi gibi pek çok avantajı da beraberinde getirmektedir.
Bilgisayar biliminin bir parçası olan yapay zekâ (Artificial Intelligence, AI) zeki insan davranışını taklit etmek üzere tasarlanmış bilgisayar programları veya algoritmaların bir bütünü olarak tanımlanmaktadır. Nicel ve nitel olarak kaliteli buğday seçiminden son ürün olan unun elde edilmesine kadar geçen öğütme sürecinde yer alan işlem basamaklarında (taşıma, kalite analizleri, depolama, temizleme, paçal yapma, tavlama ve öğütme) karşılaşabilecek sorunların çözümünde AI kullanımına yönelik bilimsel ve endüstriyel uygulamaların sayısı giderek artmaktadır.
Yukarıda bahsedilen işlem basamaklarının ilki ve en önemlisi olan kaliteli buğday (fiziksel ve kimyasal özellikler bakımından) seçimi genetik özellikler, bölge, toprak özellikleri ve iklim koşulları gibi pek çok faktöre bağlı olarak değişkenlik gösterebilmektedir. Buğday kalitesindeki dalgalanmalar ise un kalitesi ve verimini önemli ölçüde etkilemektedir. Günümüzde bu alandaki bilimsel çalışmalar öğütmenin başlangıcında buğday kalitesinin AI ile desteklenmiş güvenilir, hızlı ve tahrip edici olmayan analizler ile tespit edilmesi üzerine yoğunlaşmıştır. Yapay sinir ağı (artificial neural network, ANN) modeli ile buğdayın fiziksel özelliklerinden faydalanılarak un kalitesinin tahmin edilmesinde buğday sertliğinin önemli rol oynadığı belirlenmiştir (Sabanci et al., 2020). Buğday kimyasal özelliklerinin yakın infrared spektroskopik (Near-Infrared Spectroscopy, NIRS) analizlerinden elde edilen veriler, özellikle elde edilecek unun kalitesi ile verimin hesaplanmasında önemli yol göstericiler olduğunu işaret etmektedir (Assadzadeh et al., 2022; Caporaso et al., 2018). Son yıllarda, buğdayların hiperspektral görüntülerden faydalanarak sınıflandırılmasında derin öğrenme algoritmalarının kullanılması ile elde edilen veriler, buğday alım aşamasında istenilen kalitede buğday seçimine yönelik doğru karar verilmesine ışık tutan umut verici sonuçlar ortaya çıkarmaktadır (Unlersen et al., 2022; Zhu et al., 2023).
Hasat edilen buğdayın fabrikaya taşınması, analiz edilmesi ve fabrikaya alındıktan sonra ön temizleme işlemlerinden geçirilerek özelliklerine uygun olarak depolanması süreçlerinde karşılaşılan en önemli problemler; taşıma süresi ve koşulları ile depolama süresi ve koşullarından kaynaklanmaktadır. Yazımızın başlangıcında da belirttiğimiz gibi, buğdayın taşıma ve depolama süresince canlılığını sürdürmesi kaliteli son ürün eldesi bakımından özellikle depolama koşullarının çok iyi optimize edilmesi gerekliliğini ortaya çıkarmaktadır. Depolama süresince buğday yığın sıcaklığı (15°C’den düşük) ile rutubet miktarı (%14’den düşük) değerlerinin kontrol altında tutulması her ne kadar mikroorganizma ve böcek gelişimi için belirli bir noktaya kadar önleyici olsa da, kontrollü depolama koşullarının uzun süreler stabil tutulması depolama maliyetini arttırmaktadır. Günümüzde buğday taşıma ve depolama koşullarına ilişkin mevcut yapay zekâ araştırmaları, buğdayın depolanması sırasında depolama süresini, çevre koşullarını ve tahıl kalitesini dikkate alan değişkenlere odaklanmaktadır. Un verimi ve kalitesinin tahmin edilmesi ile verimin arttırılmasına yönelik çalışmalarda regresyon analizleri, temel bileşen analizi (principal component selection, PCA), cluster analizi ve varyans analizi gibi istatistiksel ve AI uygulamalarının kombinasyonları kullanılarak un veriminde %0.13’lük bir artış sağlanmıştır. Bu değer ekonomik olarak ortalama günlük öğütme girdisinde yaklaşık %5’lik bir artışa karşılık gelmektedir (González-Torralba et al., 2013; Kibar, 2015).
Buğdayın depolama koşullarına ilişkin mevcut AI araştırmalarının, tatmin edici bir un kalitesi elde ederken buğday paçallama maliyetini en aza indirmeye odaklandığını göstermektedir. Bu konuda yapılan AI destekli bilimsel çalışmalar, değirmenciliğin son ürünü olan undan elde edilecek ekmeklerin kalite özellikleri (ekmek hacmi) dikkate alınarak doğrusal regresyon analizi ile en uygun maliyette ve en yüksek kalitede buğday paçallama işleminin optimizasyonu üzerine yoğunlaşmıştır (Hayta & Çakmakli, 2001).
Öğütme öncesinde buğday tanesinin rutubet düzeyinin belirli bir seviyeye getirilerek öğütme veriminin ve etkinliğinin arttırılması amacıyla uygulanan ve pek çok değişken (tane özellikleri, ortam rutubeti ve sıcaklığı, dinlenme süresi, tavlama sonrası depolama koşulları vb) tarafından kontrol edilen tavlama işlemi günümüzde de bilimsel çalışmalar için ilgi çekici bir konu olarak önemini korumaktadır. İstatistiksel analizler (çoklu regresyon analizi, ANOVA, ElasticNet regresyon modeli vb.) ile kombine edilen AI uygulamaları, birkaç bağımsız değişkenin tek bir bağımlı değişken üzerindeki etkisini ve etkileşimini değerlendirme prensibine dayanmaktadır. Bu yöntemi kullanarak, örneğin nem içeriği ile unun rengi, kalitesi, verimi, partikül dağılımı, öğütme özellikleri ve ekmeklik kalitesi gibi önemli özellikleri arasında kuvvetli bir ilişki olduğu desteklenmektedir. Buğdayın nem içeriği arttığında, un kalitesi artarken verim düşmektedir (Cappelli et al., 2020; Doblado-Maldonado et al., 2012; Kweon et al., 2011; Parrenin et al., 2022; Warechowska et al., 2016).
Değirmencilik prosesinin son basamağı olan öğütme aşaması (kırma, eleme, boyutlandırma, inceltme) maksimum kalite ve miktardaki unun elde edilmesini amaçlar. Bu noktada yapılan AI uygulamaları son ürünün verimini arttırmayı hedeflerken en önemli girdi parametreleri olarak hammadde özellikleri, valslerin dizaynı ve çalıştırma koşullarını dikkate almaktadır. Öğütme performansının ve un kalitesinin belirlenmesinde önemli bir faktör olan un partikül iriliği dağılımının tahmin edilmesine yönelik modelleme çalışmaları ile vals boşluk ayarlarının (µm) optimizasyonu, buğday akış hızı (kg/h) ve rutubet miktarı (%) değerlerinin etkileşimi üzerine yapılan deneysel ve simülasyon çalışmaları giderek artmaktadır (Campbell et al., 2001; Campbell & Webb, 2001; Fang & Campbell, 2003).
Bilimsel literatür verileri ışığında, AI’da kullanılan araçların temel olarak istatistiksel analiz ve regresyon modelleri etrafında toplandığını görmekteyiz. Derin öğrenme modelleri, artık doğrusal ilişkilere sahip olmayan çeşitli süreçleri optimize etme konusunda değirmencilere daha iyi perspektifler sunmaktadır. Derin öğrenme teknikleri, buğday tanelerini çeşitliliğe ve görsel görünüme göre hızlı bir şekilde tespit etmek ve sınıflandırmak için araçlar sağlayarak tahıl görüntü analizinde kullanılmaya başlanmıştır. Bu araçlar, daha çok üretilen unun kalitesini etkileyen tahılların kalite kontrolü ile farklı buğdayların paçal yapılmasıyla ilişkilidir. Bu noktada değirmenciyi yakından ilgilendiren ve buğday öğütme sürecini optimize etmek için dört ana araştırma alanı ortaya çıkmaktadır: enerji tasarrufu, sürdürülebilir kalite, kaynak optimizasyonu ve değirmen performansı.
Bu derlemede tanımlanan yeni araştırma alanları oldukça umut verici olup, gelecekteki bilimsel çalışmaların bu alanlara odaklanacağı şüphesizdir. Yapılacak daha ileri boyuttaki araştırmalar, sürecin belirli bir amaca yönelik olarak optimize edilmesinde yapay zekânın kullanılması yoluyla daha bağlantılı ve daha akıllı buğday değirmenlerinin geliştirilmesini sağlayacaktır.
DEPART for better solutions…
Doç. Dr. Seçil UZEL
Kaynakça
Assadzadeh, S., Walker, C. K., McDonald, L. S., & Panozzo, J. F. (2022). Prediction of milling yield in wheat with the use of spectral, colour, shape, and morphological features. Biosystems Engineering, 214, 28–41. https://doi.org/10.1016/j.biosystemseng.2021.12.005
Campbell, G. M., Bunn, P. J., Webb, C., & Hook, S. C. W. (2001). On predicting roller milling performance Part II. The breakage function.
Campbell, G. M., & Webb, C. (2001). On predicting roller milling performance Part I: the breakage equation.
Caporaso, N., Whitworth, M. B., & Fisk, I. D. (2018). Near-Infrared spectroscopy and hyperspectral imaging for non-destructive quality assessment of cereal grains. Applied Spectroscopy Reviews, 53(8), 667–687. https://doi.org/10.1080/05704928.2018.1425214
Cappelli, A., Oliva, N., & Cini, E. (2020). A Systematic Review of Gluten-Free Dough and Bread: Dough Rheology, Bread Characteristics, and Improvement Strategies. Applied Sciences, 10(18), 6559. https://doi.org/10.3390/app10186559
Doblado-Maldonado, A. F., Pike, O. A., Sweley, J. C., & Rose, D. J. (2012). Key issues and challenges in whole wheat flour milling and storage. Journal of Cereal Science, 56(2), 119–126. https://doi.org/10.1016/j.jcs.2012.02.015
Fang, C., & Campbell, G. M. (2003). On Predicting Roller Milling Performance IV: Effect of Roll Disposition on the Particle Size Distribution from First Break Milling of Wheat. Journal of Cereal Science, 37(1), 21–29. https://doi.org/10.1006/jcrs.2002.0475
González-Torralba, J., Arazuri, S., Jarén, C., & Arregui, L. M. (2013). Influence of temperature and r.h. During storage on wheat bread making quality. Journal of Stored Products Research, 55, 134–144. https://doi.org/10.1016/j.jspr.2013.10.002
Hayta, M., & Çakmakli, Ü. (2001). OPTIMIZATION OF WHEAT BLENDING TO PRODUCE BREADMAKING FLOUR. Journal of Food Process Engineering, 24(3), 179–192. https://doi.org/10.1111/j.1745-4530.2001.tb00539.x
Kibar, H. (2015). Influence of storage conditions on the quality properties of wheat varieties. Journal of Stored Products Research, 62, 8–15. https://doi.org/10.1016/j.jspr.2015.03.001
Kweon, M., Slade, L., & Levine, H. (2011). Solvent Retention Capacity (SRC) Testing of Wheat Flour: Principles and Value in Predicting Flour Functionality in Different Wheat-Based Food Processes and in Wheat Breeding—A Review. Cereal Chemistry, 88(6), 537–552. https://doi.org/10.1094/CCHEM-07-11-0092
Parrenin, L., Danjou, C., Agard, B., & Beauchemin, R. (2022). Predicting the moisture content of organic wheat in the first stage of tempering. IFAC-PapersOnLine, 55(10), 678–683. https://doi.org/10.1016/j.ifacol.2022.09.484
Sabanci, K., Aydin, N., Sayaslan, A., Sonmez, M. E., Aslan, M. F., Demir, L., & Sermet, C. (2020). Wheat Flour Milling Yield Estimation Based on Wheat Kernel Physical Properties Using Artificial Neural Networks. International Journal of Intelligent Systems and Applications in Engineering, 8(2), 78–83.
Unlersen, M. F., Sonmez, M. E., Aslan, M. F., Demir, B., Aydin, N., Sabanci, K., & Ropelewska, E. (2022). CNN–SVM hybrid model for varietal classification of wheat based on bulk samples. European Food Research and Technology, 248(8), 2043–2052. https://doi.org/10.1007/s00217-022-04029-4
Warechowska, M., Markowska, A., Warechowski, J., Miś, A., & Nawrocka, A. (2016). Effect of tempering moisture of wheat on grinding energy, middlings and flour size distribution, and gluten and dough mixing properties. Journal of Cereal Science, 69, 306–312. https://doi.org/10.1016/j.jcs.2016.04.007
Zhu, J., Li, H., Rao, Z., & Ji, H. (2023). Identification of slightly sprouted wheat kernels using hyperspectral imaging technology and different deep convolutional neural networks. Food Control, 143, 109291. https://doi.org/10.1016/j.foodcont.2022.109291
