A busca por substitutos à manteiga de cacau em produtos de chocolate é uma atual realidade, dados os riscos existentes à produção do cacau, seu preço instável, e a disponibilidade de outras matérias-primas mais baratas. Além disso, o mercado para as indústrias químicas vem se tornando cada vez mais competitivo, exigindo que as empresas foquem na satisfação do cliente, tanto em qualidade do produto quanto em tempo para lançamento. Para auxiliar no desenvolvimento de novos produtos, a metodologia Computer-Aided Product Design utiliza conceitos de Engenharia Reversa usando simulações computacionais e modelos de predição de propriedades físico-químicas. Visando proporcionar uma busca otimizada de substitutos à manteiga de cacau, o presente trabalho trata da criação de uma ferramenta de otimização em Python, acoplada a um modelo de predição do cálculo de Conteúdo de Gordura Sólida (CGS), cujo objetivo é encontrar uma mistura que possa vir a substituir a manteiga de cacau em produtos de chocolate. O CGS foi escolhido, pois quantifica uma propriedade fundamental em chocolates: sólido a temperatura ambiente, e líquido à temperatura corporal. As predições do CGS foram feitas pela solução de um problema termodinâmico de equilíbrio sólido-líquido. A etapa de Engenharia Reversa construída nesse trabalho, utilizou um Algoritmo Genético (AG), e para isso, foi definida uma função objetivo baseada no CGS das temperaturas de 5, 25, e 35ºC. Dentro dos testes de óleos individuais e misturas binárias, foi feita uma análise de sensibilidade para otimizar os parâmetros quantitativos, como o tamanho da população, taxa de crossover e mutação. Para as misturas binárias, com tamanho de população de 100 indivíduos, taxa de crossover de 90%, taxa de mutação de 5%, e tempo de simulação de 12 horas, foi possível obter uma função objetivo 15% acima da obtida com óleos individuais, ou seja, foi possível encontrar uma solução mais bem adaptada para substituir a manteiga de cacau, o que demonstra que a metodologia pode vir a ser utilizada como guia em processos de desenvolvimento de novos produtos. Como trabalhos futuros recomenda-se unificar as ferramentas utilizadas na otimização, o que reduziria consideravelmente o tempo de simulação, realizar uma análise de sensibilidade dos parâmetros qualitativos do Algoritmo Genético, como os métodos de seleção e substituição, e buscar soluções formadas por misturas ternárias de óleos e gorduras.

The search for cocoa butter substitutes in chocolate products is a current reality, given existing risks to cocoa production, its unstable prices, and the availability of cheaper raw material. Besides that, market is becoming more competitive for Chemical industries, demanding companies to focus on customer satisfaction, both in product quality and time-to-market. To fasten new product development, Computer-Aided Product Design methodology uses Reverse Engineering concepts, through computational simulations and property prediction models. Aiming at an optimized search for cocoa butter substitutes, the current work creates an optimization tool in Python, coupled with a pre-existing prediction model for Solid Fat Content (SFC) estimation, whose objective is to find a possible substitute for cocoa butter in chocolate products. SFC was chosen, because it quantifies a fundamental property in chocolates: solid at room temperature, and liquid at body temperature. SFC prediction was calculated by solving a thermodynamic solid-liquid equilibrium problem. The reverse engineering step built in this work used Genetic Algorithm (GA) and, thus, an objective function was defined based on SFC values for 5, 25, and 35ºC temperatures. Within individual and binary mixture tests, a sensitivity analysis was performed to optimize quantitative parameters, such as population size, crossover and mutation rates. For binary mixtures, population size of 100, crossover rate of 90%, mutation rate of 5%, and simulation of 12 hours, provided results 15% better than the one obtained with single vegetable oil simulation, i.e., it was possible to find a better adapted solution to the current problem, which demonstrates that the methodology can be used as a guide in new product development processes. As future work, it is recommended a unification of the tools, which would decrease considerably simulation time, a sensitivity analysis on Genetic Algorithms qualitative parameters, such as selection and replacement methods, and the search for ternary mixtures of oil and fats, besides single and binary mixtures.