Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning

Autores
Bianchi, María Agostina; Mansilla, Cecilia; Vázquez, Raimundo; Benítez, Elisa Inés
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
La producción y consumo de cerveza artesanal en ferias y festivales es un fenómeno que crece año a año en el mundo, por ese motivo es importante evaluar y controlar no solo los parámetros fisicoquímicos y microbiológicos de las bebidas sino también parámetros involucrados en las características de calidad de los diferentes estilos, como por ejemplo gradoalcohólico, color, amargor, aroma, entre otros, ya que ayuda a los productores regionales a mantener estilos propios y definidos que impactan directamente en los atributos buscado por los consumidores. En el presente trabajo se presentan los estudios realizados durante un año de seguimiento a los productores regionales para evaluar sus estilos más representativos. Se realizaron análisis fisicoquímicos de densidad final, color, alcohol, amargor y alfa-ácidos a 8 estilos de cervezas. Los 4 primeros parámetros son los que caracterizan a los estilos según la guía de estilos “Beer Judge Certification Program (BJCP)”, la más difundida entre los productores. Para el análisis predictivo se utilizó la metodología de Machine Learning utilizando el programa WEKA (Waikato Environment for Knowledge Analysis), un banco de trabajo de aprendizaje automático implementado en Java de código abierto ampliamente utilizado. A través del análisis predictivo fue posible ofrecer alternativas al cervecero para catalogar sus estilos mediante los parámetros que mejor representen sus cervezas. Por otro lado, este estudio contribuyó a concientizar y revelar las falencias con las que se realizan los diferentes estilos para luego poder mejorar las recetas.
Fil: Bianchi, María Agostina. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Bianchi, María Agostina. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.
Fil: Mansilla, Cecilia. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Fil: Benítez, Elisa Inés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Benítez, Elisa Inés. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.
Peer Reviewed
Materia
atributos fisicoquímicos
cerveza
análisis predictivo
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2023-10-31T21:32:14Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/8676
Acceder
id RIAUTN_8bc2f4c82a61b7f454b3d9126660f470
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/8676
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learningBianchi, María AgostinaMansilla, CeciliaVázquez, RaimundoBenítez, Elisa Inésatributos fisicoquímicoscervezaanálisis predictivoLa producción y consumo de cerveza artesanal en ferias y festivales es un fenómeno que crece año a año en el mundo, por ese motivo es importante evaluar y controlar no solo los parámetros fisicoquímicos y microbiológicos de las bebidas sino también parámetros involucrados en las características de calidad de los diferentes estilos, como por ejemplo gradoalcohólico, color, amargor, aroma, entre otros, ya que ayuda a los productores regionales a mantener estilos propios y definidos que impactan directamente en los atributos buscado por los consumidores. En el presente trabajo se presentan los estudios realizados durante un año de seguimiento a los productores regionales para evaluar sus estilos más representativos. Se realizaron análisis fisicoquímicos de densidad final, color, alcohol, amargor y alfa-ácidos a 8 estilos de cervezas. Los 4 primeros parámetros son los que caracterizan a los estilos según la guía de estilos “Beer Judge Certification Program (BJCP)”, la más difundida entre los productores. Para el análisis predictivo se utilizó la metodología de Machine Learning utilizando el programa WEKA (Waikato Environment for Knowledge Analysis), un banco de trabajo de aprendizaje automático implementado en Java de código abierto ampliamente utilizado. A través del análisis predictivo fue posible ofrecer alternativas al cervecero para catalogar sus estilos mediante los parámetros que mejor representen sus cervezas. Por otro lado, este estudio contribuyó a concientizar y revelar las falencias con las que se realizan los diferentes estilos para luego poder mejorar las recetas.Fil: Bianchi, María Agostina. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Bianchi, María Agostina. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.Fil: Mansilla, Cecilia. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina.Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.Fil: Benítez, Elisa Inés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Benítez, Elisa Inés. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.Peer Reviewed2023-10-31T21:32:14Z2023-10-31T21:32:14Z2022-10-06info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdf978-987-47203-5-1http://hdl.handle.net/20.500.12272/8676spainfo:eu-repo/semantics/openAccess2023-10-31T21:32:14ZAcceso Abiertoreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-10-01T11:58:53Zoai:ria.utn.edu.ar:20.500.12272/8676instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-10-01 11:58:54.12Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
title Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
spellingShingle Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
Bianchi, María Agostina
atributos fisicoquímicos
cerveza
análisis predictivo
title_short Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
title_full Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
title_fullStr Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
title_full_unstemmed Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
title_sort Mejorando la calidad en cervezas artesanales mediante determinaciones fisicoquímicas y aplicación de técnicas de machine learning
dc.creator.none.fl_str_mv Bianchi, María Agostina
Mansilla, Cecilia
Vázquez, Raimundo
Benítez, Elisa Inés
author Bianchi, María Agostina
author_facet Bianchi, María Agostina
Mansilla, Cecilia
Vázquez, Raimundo
Benítez, Elisa Inés
author_role author
author2 Mansilla, Cecilia
Vázquez, Raimundo
Benítez, Elisa Inés
author2_role author
author
author
dc.subject.none.fl_str_mv atributos fisicoquímicos
cerveza
análisis predictivo
topic atributos fisicoquímicos
cerveza
análisis predictivo
dc.description.none.fl_txt_mv La producción y consumo de cerveza artesanal en ferias y festivales es un fenómeno que crece año a año en el mundo, por ese motivo es importante evaluar y controlar no solo los parámetros fisicoquímicos y microbiológicos de las bebidas sino también parámetros involucrados en las características de calidad de los diferentes estilos, como por ejemplo gradoalcohólico, color, amargor, aroma, entre otros, ya que ayuda a los productores regionales a mantener estilos propios y definidos que impactan directamente en los atributos buscado por los consumidores. En el presente trabajo se presentan los estudios realizados durante un año de seguimiento a los productores regionales para evaluar sus estilos más representativos. Se realizaron análisis fisicoquímicos de densidad final, color, alcohol, amargor y alfa-ácidos a 8 estilos de cervezas. Los 4 primeros parámetros son los que caracterizan a los estilos según la guía de estilos “Beer Judge Certification Program (BJCP)”, la más difundida entre los productores. Para el análisis predictivo se utilizó la metodología de Machine Learning utilizando el programa WEKA (Waikato Environment for Knowledge Analysis), un banco de trabajo de aprendizaje automático implementado en Java de código abierto ampliamente utilizado. A través del análisis predictivo fue posible ofrecer alternativas al cervecero para catalogar sus estilos mediante los parámetros que mejor representen sus cervezas. Por otro lado, este estudio contribuyó a concientizar y revelar las falencias con las que se realizan los diferentes estilos para luego poder mejorar las recetas.
Fil: Bianchi, María Agostina. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Bianchi, María Agostina. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.
Fil: Mansilla, Cecilia. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina.
Fil: Benítez, Elisa Inés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo de Investigación Química Teórica Experimental; Argentina. Fil: Benítez, Elisa Inés. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Química Básica y Aplicada del Nordeste Argentino; Argentina.
Peer Reviewed
description La producción y consumo de cerveza artesanal en ferias y festivales es un fenómeno que crece año a año en el mundo, por ese motivo es importante evaluar y controlar no solo los parámetros fisicoquímicos y microbiológicos de las bebidas sino también parámetros involucrados en las características de calidad de los diferentes estilos, como por ejemplo gradoalcohólico, color, amargor, aroma, entre otros, ya que ayuda a los productores regionales a mantener estilos propios y definidos que impactan directamente en los atributos buscado por los consumidores. En el presente trabajo se presentan los estudios realizados durante un año de seguimiento a los productores regionales para evaluar sus estilos más representativos. Se realizaron análisis fisicoquímicos de densidad final, color, alcohol, amargor y alfa-ácidos a 8 estilos de cervezas. Los 4 primeros parámetros son los que caracterizan a los estilos según la guía de estilos “Beer Judge Certification Program (BJCP)”, la más difundida entre los productores. Para el análisis predictivo se utilizó la metodología de Machine Learning utilizando el programa WEKA (Waikato Environment for Knowledge Analysis), un banco de trabajo de aprendizaje automático implementado en Java de código abierto ampliamente utilizado. A través del análisis predictivo fue posible ofrecer alternativas al cervecero para catalogar sus estilos mediante los parámetros que mejor representen sus cervezas. Por otro lado, este estudio contribuyó a concientizar y revelar las falencias con las que se realizan los diferentes estilos para luego poder mejorar las recetas.
publishDate 2022
dc.date.none.fl_str_mv 2022-10-06
2023-10-31T21:32:14Z
2023-10-31T21:32:14Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv 978-987-47203-5-1
http://hdl.handle.net/20.500.12272/8676
identifier_str_mv 978-987-47203-5-1
url http://hdl.handle.net/20.500.12272/8676
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2023-10-31T21:32:14Z
Acceso Abierto
eu_rights_str_mv openAccess
rights_invalid_str_mv 2023-10-31T21:32:14Z
Acceso Abierto
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877862401950351360
score 13.365483

Publicaciones similares