El grupo de investigación SIMIDAT, de la Universidad de Jaén (UJA), desarrolla un proyecto de Inteligencia Artificial para avanzar en el conocimiento sobre la conservación y uso del aceite de oliva. Este trabajo, que se enmarca en el marco del proyecto "SMART-O-LIVE: Agricultura, almazara y consumo inteligente de aceites de oliva sostenibles y más saludables en la nueva agroindustria del futuro", ha sido suscrito entre la empresa ACESUR,  y la Universidad de Jaén mediante un contrato de transferencia y se desarrollará hasta octubre de 2024.

Objetivos de SIMIDAT

Los investigadores Antonio Jesús Rivera Rivas y María Dolores Pérez Godoy, del grupo de investigación SIMIDAT de la UJA,  son los encargados de ejecutar los trabajos dentro del contrato,  y que tienen dos objetivos principales. 

El primero consiste en obtener modelos para la predicción de la vida útil del aceite de oliva cuando se usa en fritura. Para ello se realizará un modelado inteligente de la evolución del número máximo de frituras que el aceite soporta antes de que ciertas sustancias indeseables generadas durante la fritura alcancen ciertos límites como es el 25% de compuestos polares de acuerdo con la legislación vigente. En esta línea, se analizarán variables que tienen que ver con la calidad del aceite de oliva que se utiliza (p. ej: Acidez, Peróxidos, Polifenoles, etc), con el alimento a freír y con su proceso de fritura (temperatura, tiempo, cantidad de producto, etc.).

En el segundo objetivo se plantea modelar, con técnicas inteligentes, la vida útil del aceite de oliva según condiciones de conservación. En este caso, se realizará una predicción o modelado de la evolución del envejecimiento del aceite de oliva en función de variables como tipo de aceite, tipo de envase, condiciones de conservación, etc.

Para alcanzar ambas metas se investigará en el diseño, adaptación y desarrollo de nuevos modelos de Inteligencia Artificial para la predicción de la vida útil del aceite de oliva, teniendo en cuenta tanto su uso en fritura como su conservación o almacenamiento. Con este fin se partirá de los métodos de predicción actuales más eficientes, teniendo en cuenta los pertenecientes a paradigmas como el Aprendizaje Automático (Machine Learning) o el Aprendizaje Profundo (Deep Learning), y proponiendo nuevos desarrollos de modelos.

Por último, se investigará la explicabilidad de los modelos desarrollados, determinando la importancia que tienen las variables de entrada o predictoras en la calidad del aceite en diferentes condiciones de uso y almacenamiento.