新型芝麻酱（Halawa）产品黏度的神经模糊建模与开发：基于流变学特性与感官评价的优化研究

本研究针对传统Halawa产品黏度高、口感单一等问题，通过添加新型乳化剂和调整配方（如58% Tahina与2.4% Dimodan组合），开发了6种可涂抹Halawa产品。采用流变学测试和感官评价分析，发现所有配方均呈现非牛顿流体特性（假塑性行为），其中处理5黏度最高（200-1150 Pa·s），而处理2感官接受度最佳。研究创新性地应用自适应神经模糊推理系统（ANFIS）预测黏度，模型准确率达97%，为食品工业优化产品质构提供了高效工具。论文发表于《Applied Food Research》。

　　

芝麻酱（Halawa）作为中东传统甜点，以芝麻酱（Tahina）和蔗糖为主要原料，因其高营养价值（每100克含540 kcal能量）备受青睐。然而，传统Halawa黏度高、不易涂抹，且工业化生产中难以精准控制流变学特性。随着消费者对健康食品需求增长，开发低黏度、高接受度的新型Halawa产品成为行业迫切需求。为此，来自约旦哈希姆大学的研究团队通过配方创新和智能建模技术，系统研究了Halawa的流变学行为与感官特性，成果发表于《Applied Food Research》。

研究采用混合实验设计，结合流变学测试（Brookfield黏度计）和感官评价（9分量表），分析了6种含不同乳化剂（如Dimodan）、油脂（可可脂/黄油）及风味物质（香草、榛子）的Halawa配方。关键技术创新在于引入自适应神经模糊推理系统（ANFIS），以剪切速率（速度、扭矩）为输入变量，黏度为输出变量，构建预测模型。

3.1 流变学特性
所有配方均表现为非牛顿流体，黏度随剪切速率增加而降低（假塑性行为）。处理5（58% Tahina+2.4% Dimodan）黏度最高（200-1150 Pa·s），归因于高芝麻酱含量与乳化剂协同作用；而处理6因高榛子含量（25%）呈现固态特性。

3.2 感官评价
处理2（含香草风味）在整体接受度（9分量表）中得分最高，消费者偏好低黏度（易涂抹）与温和风味。处理7虽质地得分高，但榛子导致的褐变降低了接受度。

3.3 神经模糊模型
ANFIS模型通过700次训练迭代，以5个钟形隶属函数描述“处理类型”输入，实现97%预测准确率（RMSE=1.68）。验证实验表明，模型能精准捕捉黏度与剪切速率的非线性关系。

结论与意义
该研究不仅开发出高接受度的可涂抹Halawa（处理2），还首次将ANFIS模型应用于食品流变学预测，为工业化生产提供理论支持。未来可通过添加亲水胶体（hydrocolloids）进一步优化质构。研究凸显了智能建模技术在食品研发中的潜力，为传统食品升级提供了新范式。