Modelación matemática de la estimación de turbidez en vinos artesanales

Abstract

El vino tinto es una bebida muy consumida en el mundo debido a su sabor característico, la cual contiene sólidos suspendidos originados durante su proceso de producción provocando turbidez. Parámetro que afecta la calidad dado que produce cambios en las propiedades organolépticas. El propósito de este estudio fue modelar matemáticamente la estimación de turbidez en vinos artesanales con relación a dosificación y tipos de clarificantes, basado en estudios previos sobre clarificación que hayan presentado resultados positivos. Para ello se elaboró vino de uva de la variedad Borgoña (Vitis lambrusca), el cual fue clarificado con yausabara y bentonita a diferentes concentraciones (100 por cada clarificante), de esta manera se generó una base de datos significativa. Se modeló el sistema mediante métodos aproximados como regresión lineal múltiple y Machine Learning con las aplicaciones de Neural Net Fitting y Regression Learner de Matlab. Para el entrenamiento y validación se utilizaron el 70% y 30 % de los datos, respectivamente. El mejor modelo entrenado fue la red neuronal de 25 neuronas en la capa oculta con un R 2= 0.9876 y MSE= 0.0029 y seguidamente el modelo regresión del proceso gaussiano exponencial que presentó un R 2= 0.9726 y MSE= 0.0030. En consecuencia, se infiere que los modelos mencionados resultaron ser buenos tanto en el entrenamiento como en la validación. La validación del modelo mostró que la red neuronal (RNA) es capaz de predecir la turbidez del vino artesanal con un nivel de fiabilidad alta debido a que modela procesos complejos que no presentan linealidad.