苹果酒发酵过程中糖度近红外光谱检测模型的建立

李贤亮 | -> | 1367| 4| 0.316413MB |近红外光谱,苹果酒,糖度,人工神经网络,偏最小二乘法

李贤亮 李贤亮 | 文档量 |浏览量12650

摘 要 在苹果酒发酵过程中, 由于糖度变化幅度很大且酒体基质始终处于动态变化之中, 文章采用分阶段处理结合人工神经网络法对不同发酵阶段的糖度检测、监测近红外光谱模型的建立进行了探讨。不同建模方法的比较结果表明采用减去一条直线法预处理光谱, 阶段Ⅰ建模光谱范围选择7 502~6 47211 cm- 1 , 阶段Ⅱ建模光谱范围选择6 102~5 44612 cm- 1时, 阶段Ⅰ模型的R2 为98193 % , RMSECV 为4142 g ·L - 1 ;阶段Ⅱ模型的R2 为99134 % , RMSECV 为1121 g ·L - 1 ; 进一步对模型进行验证和评价, 结果表明阶段Ⅰ模型验证集的RMSEP 为4107 g ·L - 1 ; 阶段Ⅱ模型验证集的RMSEP 为1113 g ·L - 1 。本研究结果表明利用近红外光谱法建立的模型具有良好的预测效果, 能满足苹果酒工业生产中检测、监测精度要求。
    苹果酒发酵过程中, 糖度是一个需要不断检测、监测的指标, 许多工艺步骤需要根据糖度的变化而进行调整; 糖度也是影响成品酒质量的重要理化指标之一, 其常规分析方法一般有如下两种: 一是菲林试剂直接滴定法, 另一个是高效液相色谱法, 这两种方法都操作繁琐, 费时费力。随着酿造技术的发展和质控要求的提高, 如何对其进行快速、准确的测定对降低生产成本、提高产品在线监测效率等都具有重要意义; 目前苹果酒酿造行业迫切需要引入更为先进的在线快速分析工具, 以便及时得到可靠的反馈数据, 用于指导生产过程。近红外光谱分析技术, 适合在线检测, 是一种能满足生产过程检测和监测的现代分析技术[1 ] , 在成品酒常规理化指标快速检测中已有应用报道[226 ] , 但是用于发酵过程的监测、检测的应用研究较少。在果酒发酵过程中, 一般糖度变化幅度较大, 从发酵起始的200 g ·L - 1左右下降到发酵结束时的4 g ·L - 1左右(干型酒要求残糖< 4 g ·L - 1 [7 ] ) , 并且由于发酵过程的不断进行, 酒体基质也始终处于动态变化之中, 从而导致利用常规方法构建的糖度近红外光谱检测模型的精度不高。鉴于此, 本研究通过将苹果酒发酵过程分段处理的思想来解析近红外光谱图, 选取了不同发酵阶段的建模特征谱区, 比较了不同光谱数据处理方法对建模效果的影响, 旨在建立苹果酒发酵过程中糖度的近红外光谱法快速检测、监测模型, 期望为糖度的在线检测、监测提供一套高效、准确、快速的分析方法。
李贤亮发布的其他共享资料
    0 色谱币 下载

苹果酒发酵过程中糖度近红外光谱检测模型的建立

(316.413K)

所需色谱币: 0

您持有: $userGold色谱币,完成任务赚取色谱币

立即下载

友情链接(联系QQ:47140047)
关于我们  经营理念  业务合作  联系我们  法律声明  网站建议  网站导航  帮助中心
Copyright © 色谱世界 版权所有 鄂ICP备19022139号-2