编辑推荐：
为解决咖啡 pulp 废弃导致的环境问题并提升其利用价值，研究人员开展咖啡 pulp 酒发酵工艺优化研究。采用 Plackett-Burman、响应面法（RSM）及人工神经网络 - 遗传算法（ANN-GA），发现 ANN-GA 优化效果更优，确定最佳参数，为咖啡 pulp 酒生产提供技术参考。
咖啡作为全球重要饮品，其加工过程中产生的咖啡果肉（coffee pulp）约占果实重量的 45%，长期以来多被丢弃或仅少量用作肥料。咖啡果肉含糖量高，在自然发酵降解过程中易产生异味和废水，威胁土壤和水系生态环境，同时其富含的碳水化合物、矿物质、蛋白质及花青素、酚类化合物等生物活性成分未被有效利用，造成资源浪费。如何将咖啡果肉转化为高附加值产品，成为食品工业和可持续发展领域的重要课题。
为探索咖啡果肉的资源化利用途径，南京农业大学与中国热带农业科学院香料饮料研究所的研究人员开展了咖啡果肉酒发酵工艺优化研究。该研究旨在通过科学方法优化发酵条件，提升咖啡果肉酒的品质与产量，并对比不同优化模型的效果，为咖啡副产物的工业化应用提供理论支撑。研究成果发表于《Scientific Reports》。
研究采用多阶段实验设计与模型构建技术：首先通过单因素实验确定发酵因素的水平范围；继而利用 Plackett-Burman 实验筛选出对发酵效果影响显著的因素（物料比、初始 pH、初始糖、酵母量），并通过最陡爬坡实验逼近最优响应区域；最后结合中心组合设计（CCD），分别运用响应面法（RSM）和人工神经网络 - 遗传算法（ANN-GA）构建优化模型。
单因素实验与关键因素筛选
单因素实验结果表明，物料比、初始 pH、初始糖浓度、酵母量、SO?添加量等因素对乙醇产量有显著影响，而装瓶体积、发酵温度等影响较小。通过 Plackett-Burman 实验进一步验证，确认物料比（A）、初始 pH（B）、初始糖（C）、酵母量（D）为关键影响因素，其中初始糖浓度的影响最为显著（P<0.01）。最陡爬坡实验确定了上述因素的中心水平，为后续响应面分析奠定基础。
响应面法（RSM）模型构建与优化
利用 Design-Expert 软件对中心组合设计数据进行二次回归拟合，建立 RSM 模型。结果显示，模型的决定系数 R2=0.8914，调整后 R2=0.7648，表明模型能较好描述各因素与乙醇产量的关系。通过响应面图分析发现，物料比和初始糖浓度对乙醇产量的交互作用最为显著，优化得到理论最佳参数为：物料比 4.25:95.75，初始 pH 6.93，初始糖浓度 22.25%，酵母量 2.00%，预测乙醇产量为 10.260 mg/L。
人工神经网络 - 遗传算法（ANN-GA）模型构建与优化
采用 Matlab 软件构建三层 BP 神经网络模型，输入层为 4 个关键因素，输出层为乙醇产量，隐含层通过 Logsig 函数和 Purelin 函数实现非线性映射。经遗传算法优化初始权重和阈值后，模型训练集、验证集、测试集的拟合 R 值分别为 0.9136、0.99292、0.99997，显示出良好的模拟效果。最终优化参数为：物料比 4.25:95.75，初始 pH 6.92，初始糖浓度 22.248%，酵母量 1.98%，预测乙醇产量为 10.255 mg/L，验证值与理论值高度吻合。
模型对比与验证
对比 RSM 与 ANN-GA 模型发现，ANN-GA 的决定系数 R2（0.9140）高于 RSM（0.8899），均方根误差（RMSE）更低（0.0896 vs. 0.0968），表明其拟合精度和预测能力更优。通过实际验证实验，ANN-GA 预测的乙醇产量为 10.248 mg/L，与理论值误差小于 1%，进一步证实了该模型的可靠性。
研究结论与意义
本研究首次将 ANN-GA 模型应用于咖啡果肉酒发酵工艺优化，成功筛选出关键影响因素并确定最优参数。结果表明，ANN-GA 在处理复杂非线性关系时优于传统 RSM，能更精准地预测发酵结果。该研究不仅为咖啡果肉的资源化利用提供了可行的技术方案，还为果酒发酵工艺优化提供了新的方法论参考，有助于推动食品工业中废弃物的高值化转化，对促进循环经济和可持续农业发展具有重要意义。研究结果为后续咖啡果肉酒的工业化生产奠定了基础，并为其他农业副产物的综合利用提供了借鉴思路。
