Визначення перспектив застосування штучного інтелекту для генерації рецептур енергетичних батончиків

Автор(и)

DOI:

https://doi.org/10.15587/2706-5448.2026.359167

Ключові слова:

енергетичні батончики, збереженість, органолептичні властивості, споживні властивості, штучний інтелект, якість харчових продуктів

Анотація

Об’єктом дослідження статті є енергетичні батончики, розроблені методом математичного моделювання та за допомогою моделей штучного інтелекту (ШІ): ChatGPT, Gemini, Claude. Досліджено якість та збереженість зазначених виробів. Застосування ШІ для розробки рецептур вирішує проблему подолання складності традиційних методів математичного моделювання для швидкої оптимізації багатокомпонентних рецептур. Це забезпечує створення енергетичних батончиків із поліпшеною харчовою цінністю без втрати їхніх смакових і структурно-механічних властивостей.

До зразку «Горіхово-фруктовий» увійшли вівсяні пластівці, сушена журавлина та чорнослив з горіховою сумішшю мигдалю й арахісу, хеномелес. Склад батончика «Шипшина» був згенерований моделлю ШІ Claude та містив сироватковий протеїн і вівсяні пластівці, а також шипшину, мед, горіхи. Зразок «Аскорбінка», згенерований Gemini містив соєві компоненти: ізолят білка та сухе молоко, вівсяні пластівці. Рецептура батончика «Смородина», згенерована моделюю ChatGPT включала ізолят білка та вівсяне борошно та порошки ягід.

Використання ШІ дозволило покращити білковий склад. Вміст білка у рецептурі «Аскорбінка» та «Смородина» у 2,3 рази більший за вміст білка у зразку «Горіхово-фруктовий». Ці дані можуть пояснюватися тим, що в базах даних ШІ закладена інформація про те, що енергетичні батончики повинні мати високий вміст білка.

Органолептичне оцінювання енергетичних батончиків здійснювалося за розробленою 25-баловою шкалою. Найвищу кількість балів (24) серед свіжих виробів набрав зразок «Смородина», рецептура якого згенеровано ChatGPT.

Зразки зберігали протягом 14 діб у різних пакувальних матеріалах. Найкращими органолептичними показниками відзначився зразок, згенерований Claude. За параметром вологості та кислотного числа кращим був зразок «Горіхово-фруктовий» та наприкінці зберігання мав значення вологості від 19,9 до 25%, а кислотного числа – від 1,75–1,83%. Встановлено, що пергаментний папір і фольга мають найкращі бар’єрні властивості для зберігання зразків.

Біографії авторів

Аліна Сергіївна Ткаченко, Полтавський університет економіки і торгівлі

Доктор технічних наук, доцент

Кафедра товарознавства, біотехнології, експертизи та митної справи

Олександра Михайлівна Горобець, Полтавський університет економіки і торгівлі

Кандидат технічних наук, доцент

Кафедра технологій харчових виробництв і ресторанного господарства

Олена Олександрівна Горячова, Полтавський університет економіки і торгівлі

Кандидат технічних наук, доцент

Кафедра товарознавства, біотехнології, експертизи та митної справи

Олена Володимирівна Ольховська, Полтавський університет економіки і торгівлі

Кандидат фізико-математичних наук, доцент

Кафедра комп’ютерних наук та інформаційних технологій

Посилання

  1. Tarasiuk, H. M., Chahaida, A. O. (2019). Prospects of implementing the technology for energy candy bars in hotel and restaurant establishments. Economics, Management and Administration, 3 (89), 57–65. https://doi.org/10.26642/ema-2019-3(89)-57-65
  2. AlJaloudi, R., Al-Dabbas, M. M., Hamad, H. J., Amara, R. A., Al-Bashabsheh, Z., Abughoush, M. et al. (2024). Development and Characterization of High-Energy Protein Bars with Enhanced Antioxidant, Chemical, Nutritional, Physical, and Sensory Properties. Foods, 13 (2), 259. https://doi.org/10.3390/foods13020259
  3. Saravanan, G., Yusri, A. S., Sarbon, N. Mhd. (2026). Investigating the nutritional value, physicochemical properties, antioxidant activity and sensory acceptability of fiber- and protein-enriched fruit based energy bars. Food Chemistry Advances, 10, 101196. https://doi.org/10.1016/j.focha.2025.101196
  4. Barakat, H., Alfheeaid, H. A. (2023). Date Palm Fruit (Phoenix dactylifera) and Its Promising Potential in Developing Functional Energy Bars: Review of Chemical, Nutritional, Functional, and Sensory Attributes. Nutrients, 15 (9), 2134. https://doi.org/10.3390/nu15092134
  5. Tsykhanovska, I., Lazarieva, T., Stabnikova, O., Kupriyanov, O., Litvin, O., Yevlash, V. (2023). Potential benefits of functional antianemic energy bars. Ukrainian Food Journal. https://doi.org/10.24263/2304-974x-2023-12-4-7
  6. Elochukwu, C. U., Nwosu, J. N., Owuamanam, C. I., Osuji, C. I. (2019). Optimization and Modeling of Energy Bars Based Formulations by Simplex Lattice Mixture Design. International journal of Horticulture, Agriculture and Food science, 3 (5), 299–311.
  7. Bancea, B., Bolea, A., Rotaru, A., Sîngeorzan, S. M. (2025). Optimization of a High-Protein Energy Bar Formulation using Linear Programing. Journal of Agroalimentary Processes and Technologies, 31 (4), 430–433.
  8. Kuhl, E. (2025). AI for food: accelerating and democratizing discovery and innovation. Npj Science of Food, 9 (1). https://doi.org/10.1038/s41538-025-00441-8
  9. Uçuk, C., Doğdubay, M., Özdemir, S. S. (2023). The Use of Artificial Intelligence in Recipe Development: How Technology Is Changing the Way We Create and Innovate in the Kitchen. Impactful Technologies Transforming the Food Industry. IGI global, 98–115. https://doi.org/10.4018/978-1-6684-9094-5.ch007
  10. IM Almoselhy, R., Usmani, A. (2024). AI in Food Science: Exploring Core Elements, Challenges, and Future Directions. Open Access Journal of Microbiology & Biotechnology, 9 (4), 1–15. https://doi.org/10.23880/oajmb-16000313
  11. Tkachenko, A. (2025). Identification and classification examination of sugar for customs declaration using artificial intelligence tools. Herald of Khmelnytskyi National University. Economic Sciences, 340 (2), 278–285.
  12. Ewing-Chow, D. (2025). The Latest AI Trends Transforming The Food Industry. Forbes. Available at: https://www.forbes.com/sites/daphneewingchow/2025/03/18/these-are-the-latest-ai-trends-transforming-the-food-industry/ Last accessed: 26.03.2026
  13. Not Your Average Joint Venture: Kraft Heinz and TheNotCompany Create Partnership to Accelerate AI-Driven Plant-Based Innovation Globally (2022). The Kraft Heinz Company. Avaialble at: https://news.kraftheinzcompany.com/press-releases-details/2022/Not-Your-Average-Joint-Venture-Kraft-Heinz-and-TheNotCompany-Create-Partnership-to-Accelerate-AI-Driven-Plant-Based-Innovation-Globally/default.aspx Last accessed: 14.04.2026
  14. Kutyauripo, I., Rushambwa, M., Chiwazi, L. (2023). Artificial intelligence applications in the agrifood sectors. Journal of Agriculture and Food Research, 11, 100502. https://doi.org/10.1016/j.jafr.2023.100502
  15. Hassoun, A., Jagtap, S., Trollman, H., Garcia-Garcia, G., Abdullah, N. A., Goksen, G. et al. (2023). Food processing 4.0: Current and future developments spurred by the fourth industrial revolution. Food Control, 145, 109507. https://doi.org/10.1016/j.foodcont.2022.109507
  16. Režek Jambrak, A., Nutrizio, M., Djekić, I., Pleslić, S., Chemat, F. (2021). Internet of Nonthermal Food Processing Technologies (IoNTP): Food Industry 4.0 and Sustainability. Applied Sciences, 11 (2), 686. https://doi.org/10.3390/app11020686
  17. Kumar, M., Vatsa, S., Madhumita, M., Prabhakar, P. K. (2021). Mathematical Modeling of Food Processing Operations: A Basic Understanding and Overview. Turkish Journal of Agricultural Engineering Research, 2 (2), 472–492. https://doi.org/10.46592/turkager.2021.v02i02.019
  18. Wandhekar, S. S., Pandey, M. S., Rajput, D. B., Gehi, S. O., Prajapati, N. R. (2020). Development, organoleptic and nutritional assessment of utria energy bar. International Journal of Applied and Advanced Scientific Research, 5 (2), 22–27.
  19. Machackova, M., Giertlova, A., Porubska, J., Roe, M., Ramos, C., Finglas, P. (2018). EuroFIR Guideline on calculation of nutrient content of foods for food business operators. Food Chemistry, 238, 35–41. https://doi.org/10.1016/j.foodchem.2017.03.103
  20. DSTU 4910:2008. Vyroby kondyterski. Metody vyznachennia masovoi chastky volohy ta sukhykh rechovyn (2009). Kyiv: Derzhspozhyvstandart Ukrainy, 14. Available at: https://online.budstandart.com/ua/catalog/doc-page?id_doc=95233
  21. Sakaino, M., Sano, T., Kato, S., Shimizu, N., Ito, J., Rahmania, H. et al. (2022). Carboxylic acids derived from triacylglycerols that contribute to the increase in acid value during the thermal oxidation of oils. Scientific Reports, 12 (1). https://doi.org/10.1038/s41598-022-15627-3
  22. Khomych, G., Horobetc, A., Levchenko, Y., Boroday, A., Ishchenko, N. (2016). The study of biologically active substances of chaenomelesand the products of its processing. Eastern-European Journal of Enterprise Technologies, 4 (11 (82)), 29–35. https://doi.org/10.15587/1729-4061.2016.76111
  23. Dubnitskiy, V., Kobylin, A., Kobylin, O., Kushneruk, Y., Khodyrev, A. (2023). Calculation of harrington function (desirability function) values under interval determination of its arguments. Advanced Information Systems, 7 (1), 71–81. https://doi.org/10.20998/2522-9052.2023.1.12
  24. Tkachenko, A. (2022). Research of consumption properties of organic syrups. Herald of Khmelnytskyi National University. Economic Sciences, 308 (4), 216–222. https://doi.org/10.31891/2307-5740-2022-308-4-34
  25. Liu, Z., Wang, S., Zhang, Y., Feng, Y., Liu, J., Zhu, H. (2023). Artificial Intelligence in Food Safety: A Decade Review and Bibliometric Analysis. Foods, 12 (6), 1242. https://doi.org/10.3390/foods12061242
  26. Sahni, V., Srivastava, S., Khan, R. (2021). Modelling Techniques to Improve the Quality of Food Using Artificial Intelligence. Journal of Food Quality, 2021, 1–10. https://doi.org/10.1155/2021/2140010
  27. Rejeb, A., Keogh, J. G., Rejeb, K. (2022). Big data in the food supply chain: a literature review. Journal of Data, Information and Management, 4 (1), 33–47. https://doi.org/10.1007/s42488-021-00064-0
Determining the prospects of using artificial intelligence for generating energy bar recipes

##submission.downloads##

Опубліковано

2026-04-30

Як цитувати

Ткаченко, А. С., Горобець, О. М., Горячова, О. О., & Ольховська, О. В. (2026). Визначення перспектив застосування штучного інтелекту для генерації рецептур енергетичних батончиків. Technology Audit and Production Reserves, 2(3(88), 58–67. https://doi.org/10.15587/2706-5448.2026.359167

Номер

Том 2 № 3(88) (2026): Хімічна інженерія

Розділ

Технології виробництва харчування

Ліцензія

Авторське право (c) 2026 Alina Tkachenko, Oleksandra Horobets, Olena Goryachova, Olena Olkhovska

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.