Kühlkettenmanagement (Fach) / Prädiktive Mikrobiologie (Lektion)

Modellierung des Frischeverlusts und der LM-Sicherheit

Diese Lektion wurde von bea11 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• Prädiktive Mikrobiologie Modelle zur mathematischen Beschreibung des Wachstums, Verfalls oder Inaktivierung von Lebensmittel assoziierten Mikroorganismen unter spezifischen Prozess- und Umweltbedingungen
• Modellansätze Kinetische Modelle: beschreiben Veränderung im Wachstum oder der Inaktivierung von Mikroorganismen als Funktion der Zeit Wahrscheinlichkeitsmodelle: beschreiben die Wahrscheinlichkeit, mit der ein bestimmtes Ereignis (Wachstum, Toxinbildung,...) auftritt als Funktion intrinsischer und extrinsischer Faktoren
• Anforderungen an Modelle genaue Anpassung Fähigkeit ungetestete Faktorkombinationen vorherzusagen Vereinigung aller relevanter Faktoren Beinhalten von möglichst wenigen Faktoren für vereinfachten Umgang (Parismonie-Prinzip) Festlegung eines Fehlerwertes Parameter mit biologischer Bedeutung und realistischen Werten
• Primäre Modellebene Beschreibung der Entwicklung des Bakterienwachstums als Funktion der Zeit Definition der relevanten Mikroorganismen (Verderbserreger und Pathogene) Definition der Qualitäts-/Sicherheitsfunktion: Q(M)=k*tQualität(Qualitäts-/Sicherheitsparameter)=Geschw.-Konstante*ZeitNach Zeit ableiten Untersuchung des Keimwachstums über die Zeit Modellierung des Verderbsprozesses:Modifiziertes Gompetz-ModellModifiziertes logistisches ModellBuchanan Modell (3 Phasen)Baranyi Modell
• Sekundäre Modellebene Beschreibung des Einflusses von Umgebungsfaktoren, z. B. Temperatur Modellierung des Wachstums als Funktion von Umwelt- und Prozessparametern unterschiedliche Verderbsmuster und Frischeparameter je nach Faktoren und Produkteigenschaften Arrhenius-Modell: z. B. beschreibt die Reaktionsgeschwindigkeit in Abhängigkeit von der Temperatur (alle Faktoren außer Temperatur sind konstant)
• Tertiäre Modellebene Einbindung der Modelle in Softwaresystemen Kombination von mikrobiologischen Daten und Umgebungsfaktoren Softwares: Vorhersagemodelle: Wachstum, Inaktivierung, Haltbarkeit, etc. Modellierung in Abhängigkeit verschiedener Einflussparameter (Faktoren wählbar)
• Bias-Factor Übereinstimmung zwischen vorhergesagter und beobachteter Generationszeit liefert einen Bias-Factor Maß für die Modellgüte perfekte Übereinstimmung: =1,0 (100 %) "fail-safe": <1 → Überschätzung des Wachstums "fail-dangerous": >1 → Unterschätzung des Wachstums
• Accuracy-Factor Abweichung der vorrausgesagten von den beobachteten Werten Maß für Modellgüte Abweichung wird als Faktor interpretiert immer ≥1 Faktor 2: berechnete Werte weichen um ein 2faches von den beobachteten Werten ab
• Voraussetzungen zur Berechnung der Resthaltbarkeit Haltbarkeit unter idealen Lagerbedingungen bekannt Wachstum der Verderbsorganismen ist bei verschiedenen Temperaturen bekannt Es liegt eine Temperaturhistorie des Produktes vor
• Historieeffekt Bei dynamischen Temperaturen verhalten sich Mikroorganismen oft anders als mit Berechnung vorhergesagt. Dadurch entsteht ein positiver oder negativer Historieeffekt. Modell: Temperaturänderung von 20°C auf 4°C → Modell passt Wachstumsrate auf 4°C an Realität: durch veränderte Stoffwechselprozesse kann es zu einer Erhöhung (poisitver Effekt) oder Erniedrigung (negativer Effekt) der Wachstumsrate kommen
• Anwendung prädiktiver Mikrobiologie wissenschaftliche Experimente RIsikobewertung für Wachstum pathogener Keime als Funktion unterschiedlichen Einflussfaktoren Vorhersage Wachstum von Verderbniserregern als Funktion von Produkt-, Prozess- und Umweltfaktoren Vorhersage der Haltbarkeit als Funktion definierter Parameter Vorhersage Resthaltbarkeit in allen Stufen der Kette
• Einsatz Modelle und prädiktive Mikrobiologie Kettenübergreifende Temperaturkontrolle mit TTIs Voraussetzungen: detaillierte Kentnisse über Verderbsprozess der Lebensmittel Erstellung eines Modells zur Beschreibung des Frischeverlustes in Abhängigkeit von der Temperatur Kinetik des TTIs ist bekannt Bestimmung Entfärbekinetik: Primäres Modell: Gompertz-Funktion zur Beschreibung der Entfärbung des TTIs Sekundäres Modell: Arrhenius-Gleichung beschreibt Abhängigkeit der Parameter der Gompertz-Funktion von der Temperatur Tertiäres Modell: Implementierung der Modelle in ein Software Tool Implementierung von TTIs: Entfärbung soll Verderb simulieren Entfärbung muss mikrobiologischen Verderb möglichst nahe sein mit Kentnissen der Haltbarkeit bei einer spezifischen Temperatur kann TTI passend aufgeladen werden Aktivierungsenergie TTI und Lebensmittel dürfen max. 5 kcal/mol abweichen

zurück  |  weiter 1 / 1