Enfoque UTE

Microbial diversity associated to “rice chicha”: a traditional beverage in Bolivar - Ecuador

Resumen: La provincia de Bolívar se encuentra ubicada en el centro-occidente del Ecuador. Las principales bebidas tradicionales que allí se producen son los aguardientes y las chichas; entre ellas sobresale la chicha de arroz. En una primera etapa, se evaluaron muestras de chicha de arroz (en los puntos de venta) de diferentes productores de la provincia; se realizaron recuentos microbiológicos y análisis físico-químicos. En la segunda etapa, se aislaron e identificaron enterobacterias, bacterias ácido lácticas, mohos y levaduras, en tres fases del proceso de elaboración (inicial, fermentativo y final). Para todos los microorganismos se realizaron descripciones macroscópicas y microscópicas. La identificación de enterobacterias y bacterias ácido lácticas se realizó mediante pruebas bioquímicas, para los mohos se realizó una identificación microscópica mediante tinción con azul de lactofenol y para las levaduras se usó el kit API 20 C AUX. En relación a los recuentos se obtuvieron en promedio valores de 2.7 y 2.5 log UFC/ml de coliformes totales y enterobacterias respetivamente, 1.8 log UFC/ml de bacterias ácido lácticas y 2.5 log UFC/ml de Mohos y levaduras. Se identificaron en las tres fases: 13 cepas de enterobacterias, 9 cepas de bacterias ácido lácticas, 15 cepas de mohos y 6 cepas de levaduras.

Abstract: The province of Bolivar is located in the central-west region of Ecuador. The main beverages produced are spirits and chichas; among them “rice chicha”. In a first stage, samples of rice chicha (at points of sale) from different producers of this province were evaluated; microbial counts and physicochemical analyzes were performed. In the second stage, the most representative enterobacteria, lactic acid bacteria, yeasts and molds were isolated form “rice chicha” during three phases of the elaboration process: initial, fermentative and final. For all microorganisms, macroscopic and microscopic descriptions were performed. The identification of enterobacteria and lactic acid bacteria was carried out with biochemical tests, for mold a microscopic identification was applied by staining with lactophenol blue solution and for yeast the APIC AUX 20 kit was used. Count values in average were 2.7 and 2.5 log CFU / ml of total coliforms and enterobacteria, 1.8 log CFU / ml of lactic acid bacteria and 2.5 log CFU / ml for yeasts and molds. During the three fermentation phases the most representative species were partially identified: 13 strains of Enterobacteriaceae, 9 strains of lactic acid bacteria, 15 strains of mold and 6 strains of yeast.

Vacuum Frying: A nutritional approach

Resumen: Uno de los más grandes rubros de la industria alimenticia es la producción de snacks, pero estos presentan, generalmente, un perfil nutricional poco adecuado dentro de una alimentación saludable. La tecnología de Fritura al vacío se presenta como una clara opción de procesamiento para el desarrollo de nuevos productos y de los ya existentes. Este artículo de revisión presenta las ventajas del uso de la Tecnología de Fritura al Vacío en diferentes tipos de alimentos, especialmente en relación al contenido de algunos micronutrientes y grasa. Se mencionan además los trabajos efectuados en Ecuador, especialmente en productos autóctonos.

Abstract: One of the largest areas of the food industry is the production of snacks, but these have generally an inadequate nutritional profile in healthy eating. The vacuum frying technology is presented as a clear option processing for the development of new products and existing ones. This review article presents the advantages of using technology in Vacuum frying different types of food, especially in relation to the contents of some micronutrients and fat. They also mention the work done in Ecuador, especially in local products.

Influence of wind gusts in power quality on wind farms

Resumen: La matriz energética mundial está cambiando debido a que el consumo de energía en los últimos años se ha duplicado. En muchos países la instalación de centrales de energías renovables no convencionales se ha convertido en la solución a este crecimiento. La integración de este tipo de energías a la red eléctrica causa interés en el estudio de las propiedades eléctricas que afectan la producción de energía. Este documento es una revisión de los conceptos y fenómenos de calidad de energía y cómo estos se generan en parques eólicos. La eficiencia de los aerogeneradores se ve afectada por diversos factores, entre los cuales se destacan: las maniobras en subestaciones y los factores climáticos como las ráfagas de viento causantes de variaciones en la curva de potencia. El monitoreo constante en los sistemas eléctricos y el análisis de datos ofrece un alto potencial en la mejora de los procesos de producción y distribución de la energía.

Abstract: World energy matrix is changing due to the increase of energy consumption in the last years. Installation of unconventional renewable energy plants in many countries has become a solution to this event. Integration of this type of energy to the electric network causes interest in the study of phenomena that affects energy production. This document is a review of concepts and events occurring on energy quality and how they interact in a wind farm. The efficiency of wind turbines is affected by many factors, the most outstanding are: substations activities and weather issues such as wind gusts, which causes variations in the power curve. Constant monitoring on electric systems and data processing offers a high potential in improving the process of production and distribution of energy.

Comparison of machine learning algorithms for detecting coral reef

Resumen: El presente trabajo se enfoca en el desarrollo de un detector de coral de desempeño rápido que se utiliza para un vehículo autónomo submarino (AUV, por sus siglas en inglés). Una detección rápida de coral garantiza la estabilización del AUV en las cercanías del arrecife de coral en el menor tiempo posible, evitando que la desorientación del AUV destruya al arrecife. En este trabajo se usó la investigación de Purser, Bergmann, Lundälv, Ontrup, & Nattkemper (2009), por su precisión. Este detector consta de una parte de extracción de vectores característicos, la cual se realiza con filtros Gabor Wavelets; y una parte de clasificación de vectores que usa máquinas de aprendizaje, basado en Redes Neuronales. Debido al extenso tiempo de ejecución de las Redes Neuronales, se reemplazaron por un algoritmo de clasificación basado en Árboles de Decisión. Se utilizó una base de datos de 621 imágenes de corales de Belice (110 imágenes de entrenamiento y 511 imágenes de prueba). Se implementó un banco de filtros Gabor Wavelets utilizando C++ y la librería OpenCV. Se realizó la comparación de la precisión y el tiempo de ejecución de 9 algoritmos de máquinas de aprendizaje, cuyo resultado fue la selección del algoritmo de Árboles de Decisión. Nuestro detector de coral posee un tiempo de ejecución de 70ms en comparación con 22s desarrollados por el algoritmo de Purser et al. (2009).

Abstract: This work focuses on developing a fast coral reef detector, which is used for an autonomous underwater vehicle, AUV. A fast detection secures the AUV stabilization respect to an area of reef as fast as possible, and prevents devastating collisions. We use the algorithm of Purser et al. (2009) because of its precision. This detector has two parts: feature extraction that uses Gabor Wavelet filters, and feature classification that uses machine learning based on Neural Networks. Due to the extensive time of the Neural Networks, we exchange for a classification algorithm based on Decision Trees. We use a database of 621 images of coral reef in Belize (110 images for training and 511 images for testing). We implement the bank of Gabor Wavelets filters using C++ and the OpenCV library. We compare the accuracy and running time of 9 machine learning algorithms, whose result was the selection of the Decision Trees algorithm. Our coral detector performs 70ms of running time in comparison to 22s executed by the algorithm of Purser et al. (2009).