编辑推荐：
为解决酱香型白酒基酒人工分类低效、主观等问题，研究人员采用 GC-FID 与机器学习分析 410 份样本。发现决策树（74.36%）、XGBoost（92.9%）、随机森林（62.3%）分别对发酵轮次、风格、等级鉴别最优，SHAP 分析明确关键风味化合物，为智能质控提供依据。
酱香型白酒作为中国传统固态发酵酒，其基酒因发酵轮次、风格和等级不同呈现多种类型。精准分类对勾调效率和品质控制至关重要，然而当前依赖人工感官评估的方法存在主观性强、效率低、准确率不足等问题，难以满足工业化生产需求。在此背景下，夜郎古酒业（中国茅台镇）的研究团队开展了一项创新性研究，相关成果发表在《Food Chemistry: X》，为酱香型白酒的智能化品质评估提供了科学路径。
研究人员收集了 410 份 2023 生产周期的酱香型基酒样本，运用气相色谱 - 火焰离子化检测法（GC-FID）对 58 种挥发性化合物进行定量分析，并结合 10 种机器学习算法构建分类模型。研究中采用网格搜索结合 k 折交叉验证优化模型参数，通过 SHAP（Shapley Additive Explanations）分析识别关键风味标志物，同时结合感官评价探讨化合物与香气维度的关联。
3.1 挥发性化合物检测
通过 GC-FID 检测发现，酯类是酱香型白酒中最主要的挥发性成分，共鉴定出 23 种酯类物质，其中乳酸乙酯和乙酸乙酯为主要成分。此外，检测到呋喃衍生物（如糠醇、糠醛）和吡嗪类化合物（如四甲基吡嗪、三甲基吡嗪），其浓度变化与美拉德反应及微生物活动相关。主成分分析（PCA）显示不同轮次、风格和等级的基酒在挥发性成分上存在差异，但线性建模需大量人工处理，而机器学习可自动化优化分析。
3.2 模型参数调优与对比
研究针对模型过拟合问题，通过网格搜索和分层 k 折交叉验证优化参数。结果显示，未调优模型普遍存在过拟合，如决策树训练集准确率达 97.7%，调优后降至 74.5%，但泛化能力显著提升。不同算法表现差异显著：逻辑回归通过调整正则化参数 C 改善泛化；支持向量机（SVM）调优后准确率下降但平衡性提升；K 近邻（KNN）调优后准确率从 93.9% 降至 71.4%，稳定性增强；神经网络（MLP）调优后过拟合问题明显缓解。
3.3 鉴别模型筛选与标志物确定
- 发酵轮次鉴别：决策树模型表现最佳，准确率 74.36%，AUC 为 0.95468。SHAP 分析显示，乙酸乙酯、丙酸乙酯、乳酸乙酯等 13 种酯类化合物为关键标志物，其中乙酸乙酯在 1-2 轮次贡献高，丙酸乙酯在 3-5 轮次显著，乳酸乙酯在 5-7 轮次作用突出，与发酵后期乳酸积累相关。
- 典型风格鉴别：XGBoost 模型最优，准确率达 92.9%，F1 score 为 0.930。鉴别酱香型（Jiangxiang）、醇甜型（Chuntian）、窖底型（Jiaodi）的关键标志物包括丁酸、正丁醇、乙醛、四甲基吡嗪等 20 种化合物，其中丁酸是窖底型特征标志物，乙醛和四甲基吡嗪与酱香型相关，醇甜型则依赖苯乙酸乙酯等成分。
- 醇甜型等级鉴别：随机森林模型表现最佳，准确率 62.3%，AUC 为 0.845。关键标志物包括油酸乙酯、3 - 甲基丁醇、苯乙酸乙酯、己酸乙酯等，其中油酸乙酯是优质级特征，3 - 甲基丁醇对应一级，苯乙酸乙酯与二级相关，己酸乙酯则与三级关联。
3.4 风味化合物与感官特性关联
感官评价将基酒风味划分为花香、果香、草香等 9 个维度，发现不同轮次基酒风味差异显著：1-2 轮次以酸和谷物香为主，3 轮次突出花香、草香和甜味，4-5 轮次分别以干植物香和回味为特征，6-7 轮次坚果香显著。网络拓扑分析表明，坚果香和干植物香对谷物香和酸香有掩盖作用，花香则与果香、甜味和草香呈协同效应。关键标志物与感官维度的相关性分析显示，乙酸乙酯与谷物香正相关、与干植物香负相关，乙醛与坚果香正相关、与谷物香负相关，油酸乙酯与谷物香和果香正相关、与坚果香负相关。
研究通过 GC-FID 与机器学习的结合，建立了酱香型基酒轮次、风格和等级的高效分类模型，明确了不同类别基酒的关键风味标志物及其与感官特性的关联。结果表明，酯类化合物在轮次和等级鉴别中起主导作用，而风格鉴别依赖多类化合物的协同特征。该研究不仅为酱香型白酒的智能化品质控制提供了技术支撑，也为其他蒸馏酒的风味解析和自动化分级提供了方法论参考，推动了传统酿酒产业向精准化、智能化方向发展。
