A lo largo de los años, se han logrado numerosos avances técnicos significativos con el objetivo de perfeccionar la calidad final de las cervezas. Esto se ha conseguido principalmente mediante un control meticuloso de las concentraciones de los compuestos obtenidos al finalizar el proceso de fermentación alcohólica. Sin embargo, es importante señalar que la mayoría de estos esfuerzos se han centrado en incrementar la producción de etanol y, simultáneamente, en reducir otros compuestos que se consideran defectos en el perfil organoléptico de la cerveza.
Este estudio, en particular, de la coautoría de nuestro Docente Ing. Vinicio Moya Almeida, aborda un desafío diferente y más específico: la obtención de concentraciones precisas de cuatro compuestos solventes clave (isobutanol, acetato de etilo, alcoholes amílicos y n-propanol). Estas concentraciones fueron determinadas y validadas por un experto en la materia. Dichos compuestos son producidos por la levadura Saccharomyces cerevisiae Safale S04, una cepa comúnmente utilizada en la industria cervecera.
Para lograr este objetivo, se desarrolló un modelo innovador basado en cuatro redes neuronales inversas (INNs). La función principal de estas INNs es predecir la temperatura objetivo necesaria para alcanzar las concentraciones deseadas de los compuestos mencionados. Es crucial destacar que estas INNs fueron entrenadas utilizando un vasto conjunto de datos virtuales, generados previamente por cuatro redes neuronales artificiales (ANNs). Este proceso de generación de datos y el entrenamiento de las ANNs ha sido detallado en trabajos anteriores.
Para la implementación práctica de este sistema, se recurrió a un sistema de control difuso que emplea el método de inferencia de Mamdani. Este enfoque permite manejar la imprecisión y la incertidumbre inherentes a los procesos biológicos como la fermentación.
Con el fin de validar experimentalmente los resultados obtenidos por el modelo, se llevaron a cabo cuatro fermentaciones completas en condiciones controladas. Los hallazgos demostraron que las INNs son herramientas sumamente precisas para predecir las temperaturas óptimas basándose en concentraciones de compuestos predeterminadas. Los valores de R², que indican la bondad del ajuste del modelo, oscilaron entre 0.982 y 0.986, lo que confirma la robustez y fiabilidad de las predicciones.
Al comparar los datos de concentración obtenidos experimentalmente con las predicciones del modelo, se observó que la predicción más precisa fue para el n-propanol, con un error promedio de tan solo 0.18 mg L⁻¹. Le siguió el acetato de etilo, con un error de 0.25 mg L⁻¹, y el isobutanol, con un error de 0.48 mg L⁻¹. Los alcoholes amílicos fueron la predicción menos precisa, con un error promedio de 0.83 mg L⁻¹. A pesar de esta diferencia, todos los errores se encuentran dentro de rangos aceptables para la aplicación en la producción de cerveza.
Este estudio marca un paso importante hacia un control más refinado de los perfiles de sabor y aroma en la cerveza, permitiendo a los productores alcanzar concentraciones específicas de compuestos clave y, en última instancia, optimizar la calidad y consistencia del producto final.
Puede leer la investigación completa aquí: Setpoint temperature estimation to achieve target solvent concentrations in S. cerevisiae fermentations using inverse neural networks and fuzzy logic – ScienceDirect
