基于机器学习的葡萄酒发酵动态预测模型构建及温度控制数据应用

《Journal of Food Engineering》：Machine Learning-Based Predictive Modelling of Wine Fermentation Dynamics using Temperature Control Data

　　安赫尔·桑切斯-罗卡|埃米利奥·希门尼斯-马西亚斯|胡安-伊格纳西奥·拉托雷-比埃尔|胡安·卡洛斯·萨恩斯-迪埃斯|梅赛德斯·佩雷斯·德拉帕尔特|胡里奥·布兰科-费尔南德斯
西班牙纳瓦拉自治区图德拉市塔拉索纳大道无门牌号，31500，纳瓦拉公立大学机械工程系

摘要：葡萄酒发酵是一种复杂的放热生化过程，在此过程中，葡萄汁中的葡萄糖和果糖在酵母的作用下转化为乙醇和二氧化碳。本研究探讨了利用机器学习作为工具来模拟葡萄酒发酵动态行为的可行性，以温度控制数据中提取的特征作为该过程的主要变量。测量工作在两家葡萄酒厂的多个发酵罐中进行。工业规模发酵罐的温度时间信号以15分钟的采样间隔采集并存储以供后续处理。从获得的时间序列中提取了诸如温度梯度、变化率以及控制系统响应模式等重要的热学特征。研究人员训练并验证了多种监督学习算法——包括线性回归模型、支持向量机、回归树、集成树和高斯过程回归——以预测葡萄汁密度的变化趋势。为验证结果，还整理了酿酒师手动测量的数据。通过标准统计指标评估了这些模型的性能，结果表明它们在不同发酵批次中都具有较高的预测准确性和稳定性。分析结果证实，基于机器学习模型得到的密度值与实验室测得的密度值之间存在高度的线性相关性，决定系数超过95%。所提出的方法为推进葡萄酒酿造系统的预测建模提供了有效工具，有助于开发智能控制策略，并为酿酒厂的决策提供支持。

引言：葡萄酒是通过葡萄汁的酒精发酵制得的，这一阶段是葡萄酒酿造中最关键的步骤。酒精发酵是一个复杂的非线性生物过程。在这一无氧过程中，葡萄汁中的糖分在酵母的作用下转化为酒精和二氧化碳，同时会产生热量（Mamolar-Domenech等人，2023年），其反应方程式如下：
C6H12O6（葡萄糖/果糖）→ 2·C2H5OH（乙醇）+ 2·CO2（气态）+ Q（千焦）
葡萄汁的温度是影响酵母生长及葡萄酒最终品质的最重要参数之一（Gvazdaitis等人，1994年）。由于这是一个放热过程，随着糖分转化的进行，葡萄汁的温度会上升。酵母的代谢速率会提升培养基的温度，而温度又会反过来影响酵母的生长速度、对糖分的消耗以及副产物的形成，从而形成一个反馈循环，使系统表现出明显的动态特性（Klembt、Meironke和Delgado，2021年；Kucharczyk和Tuszyński，2018年）。如果温度超过一定阈值，发酵酵母就会死亡，因此有必要排除发酵过程中产生的热量。为此，人们使用冷却系统，通过控制阀让冷却剂流经发酵罐的夹层，吸收内部产生的多余热量并将其散发到环境中，从而保持系统的热平衡（Catrini、Panno、Cardona和Piacentino，2020年；Masella等人，2025年）。
通常，人们通过控制发酵温度以及检测发酵过程中剩余糖分和乙醇的含量来监测酒精发酵的进程。不过，监测密度或二氧化碳的释放量则是更实用的手段，因为这样可以更及时地发现发酵过程中可能出现的异常情况（Ribéreau-Gayon、Dubourdieu、Donèche和Lonvaud，2006年）。
这一过程的动态变化涉及多种变量的复杂时间演变，比如生物量、糖分消耗量、热量产生量、葡萄汁成分，以及通气、接种方案和营养物质添加等管理措施。酿酒师通常通过监测密度和温度来跟踪发酵进程，以便及时发现停滞或延迟现象并采取相应措施（Fernández、Pantano、Rossomando、Amicarelli和Scaglia，2020年）。然而，密度测量往往需要手动取样并进行温度校正，这不仅会带来时间上的延误，还会增加操作负担，甚至可能引入误差，尤其是在那些每天只进行一次测量的大型酒厂中。
在大多数酒厂中，葡萄汁的温度通常通过大量传感器以高频率进行监测，从而间接反映代谢活动的变化，例如在发酵高峰期温度会上升，而当糖分耗尽后温度又会下降（Catrini等人，2020年；Masella等人，2025年）。这样的数据积累使得温度信号——尤其是在温度可控的发酵罐中——成为预测那些难以持续测量的参数（如密度）的理想候选，因为可以通过分析其动态特征（如梯度、振幅和变化速度）来获取相关数据。
由于酒精发酵过程的复杂性，加上系统的时间常数较大、存在时间变化且具有非线性特征，因此很难准确测量各种参数。在许多酒厂中，葡萄酒发酵过程仍然依靠定期取样和离线实验室分析来进行人工控制（Kontogiannis、Tsoumani、Kokkonis、Pikridas和Kotseridis，2025年；Pinheiro、Rodrigues、Sch?fer和Crespo，2002年）。在规模较大的酒厂中，由于发酵罐数量众多，这种控制方式显得极为复杂繁琐，因此人们一直在研究能够可靠量化葡萄酒在酒精发酵过程中化学性质变化的测量方法。近年来，越来越多的研究致力于利用各类传感器（pH值传感器、温度传感器、密度/阻抗传感器、氧化还原电位传感器、超声波传感器等）对发酵过程进行实时监测，以便根据分析结果优化葡萄酒的品质（Bowler、Escrig、Pound和Watson，2021年；Cavaglia等人，2020年；Celdrán等人，2022年；El Haloui、Picque和Corrieu，1988年；Gallego-Martínez等人，2024年；Kalopesa等人，2023年）。目前，葡萄酒行业已经采用了多种原位密度测量技术。不过，目前还没有哪种方法在优势性和准确性方面表现出明显优势。正因如此，人们仍在不断研究新的测量方法，以实现这一目前仍以手工操作为主的流程的自动化。
与此同时，业界也开始采用人工智能技术来预测葡萄酒品质，并为发酵过程的实时决策提供支持（Bowler等人，2021年；Dazzarola、Tighe、Pérez-Correa和Saa，2025年；Izquierdo-Bueno等人，2024年）。传统的发酵控制策略依赖于经验法则以及酿酒师的手动干预。不过，现代酒厂拥有大量高分辨率的工艺数据，这为采用数据驱动的方法进行实时监测和预测控制提供了可能。机器学习技术已成为模拟复杂非线性系统（如发酵过程及其他葡萄酒酿造过程）的有力工具，因为在这些系统中，各种变量之间存在着复杂的相互作用（Xubin、Qiao、Fayong、Li和Junhua，2024年；Yee等人，2025年）。
学术文献中关于人工智能在葡萄酒行业应用的报道种类繁多（Fuentes、Torrico、Tongson和Gonzalez Viejo，2020年；Mahima、Gupta、Patidar、Agarwal和Singh，2020年）。人工智能在葡萄酒行业的应用主要集中在葡萄园监测（如葡萄品质、成熟度等）、标签设计、市场营销任务，以及根据消费者需求调整葡萄酒配方等方面。现有研究主要涉及这一过程的各个阶段，包括图像分析（Gallego-Martínez等人，2024年），从葡萄园种植情况的分析，到最终葡萄酒品质的评估（Mahima等人，2020年；Shaw、Suman和Chakraborty，2019年），再到最后的标签设计以及根据消费者需求生产葡萄酒等环节。在这方面，机器学习技术已经展现出通过低成本传感器结合机器学习方法来预测发酵过程中酒精浓度的能力，同时也能够通过机器学习分类技术来模拟葡萄酒的感官特性（Du等人，2025年；Rembold、Stauss和Schwarzkopf，2024年；Schreurs等人，2024年；Xubin等人，2024年）。
在葡萄园中，人工智能也发挥着极其重要的作用（Fuentes、Tongson、Torrico和Gonzalez Viejo，2019年）。在这些场景中，人们通常利用无人机、机器人、卫星以及地面传感器等多种数据收集技术，获取人工智能能够轻松解读的数据。已有研究探讨了利用原位光谱测量技术，通过人工智能预测葡萄的含糖量，从而判断其在田间的成熟度（Kalopesa等人，2023年）。研究所得的模型显示，输入数据（漫反射光谱）与输出数据（白度值或含糖量）之间存在很强的相关性。
还有其他研究（Shaw等人，2019年）试图利用人工智能技术来判断葡萄酒的品质。在这些研究中，作者比较了三种不同的人工智能技术的检测结果，旨在确定是哪种物理/化学特性影响了葡萄酒的品质，以及影响的程度是正面的还是负面的。
人工智能，尤其是机器学习技术，也被用于研究葡萄酒在橡木桶中的陈酿过程。研究者们通过光谱技术进行对比分析，以确定用于葡萄酒陈酿的橡木桶的特性，进而建立模型，预测其在不造成结构损伤的情况下的可用寿命。Fuller等人还进行了相关研究，他们利用拉曼光谱技术和机器学习算法，对红葡萄酒和白葡萄酒的酒精发酵过程及pH值变化进行监测（Fuller、Beaver和Harbertson，2021年）。虽然拉曼光谱技术通常用于葡萄酒的真伪鉴定和分类，但在这项研究中，作者提出了将其用于葡萄酒的定量评估，以此构建无需监督学习的模型，用于测定乙醇和糖分的含量。
在对相关学术文献的分析中，尚未发现任何关于利用酒精发酵过程中的温度数据来建立其动态变化与葡萄酒密度之间关系的研究。在发酵过程中，可能会出现温度相同但密度不同的重复周期，这表明可以利用人工智能来模拟这类过程。目前所查阅的所有研究都没有涉及利用人工智能技术来建立葡萄酒酒精发酵过程中的工艺变量与其化学性质之间的关联。目前，人工智能在葡萄酒行业的应用主要集中在葡萄酒品质分类、市场营销、根据消费者口味定制葡萄酒、葡萄园管理等领域。
本研究提出，可以利用从葡萄酒酒精发酵过程中受控变量——温度的动态变化中提取的特征，将获得的信号与发酵过程中葡萄汁密度的实时变化联系起来。研究充分考虑了温度与密度之间的密切关系，并将工艺动态变化以及营养物质添加对这种关系的影响作为调节因素纳入考量。研究的目的是证明，利用机器学习模型作为一种智能工具，能够帮助酿酒师更好地监测发酵动态。所提出的方法将通过创新的技术手段，帮助酿酒师及时做出重要的技术决策，从而实现葡萄酒生产的各项目标。

章节摘录：
发酵过程：葡萄汁的酒精发酵是一种放热生化过程，在此过程中，酵母将糖分（主要是葡萄糖和果糖）转化为乙醇和二氧化碳（Mamolar-Domenech等人，2023年）。这一过程每生成1摩尔的乙醇就会释放大约20–25千焦的热量，从而导致发酵罐内的温度上升。这种热动态变化是由内部热量产生、热量向环境散失以及热控制三者之间的平衡所决定的。

结果与讨论：当酒精发酵开始时，就会启动将糖分转化为酒精的反应。在这一阶段，方程式1所示的化学反应便开始了。经过一段时间后，就会观察到与酒精发酵相关的过程动态发生变化，这一变化会体现在发酵葡萄汁的温度变化上。

结论：对研究结果的分析表明，本研究的主要贡献在于提出了一种新方法，该方法通过分析发酵过程中的葡萄酒控制温度信号，来建立该过程的动态变化与葡萄酒密度之间的关系。研究结果显示，从温度信号中提取的动态特征非常适合用机器学习技术对这一过程进行建模，这充分证明了机器学习的有效性及其处理复杂数据的能力。

作者贡献说明：梅赛德斯·佩雷斯·德拉帕尔特：撰写原文初稿、数据可视化、数据整理。胡里奥·布兰科-费尔南德斯：可视化、监督、软件、形式化分析。胡安-伊格纳西奥·拉托雷-比埃尔：写作——审稿与编辑、写作——初稿撰写、验证、监督、方法论、数据整理、概念构建。胡安·卡洛斯·萨恩斯-迪埃斯：可视化、软件、资源。安赫尔·桑切斯·罗卡：写作——审稿与编辑、写作——初稿撰写、可视化、软件、方法论、数据可用性声明。本研究中的原创性成果已包含在本文中，如有进一步疑问可联系相应作者。

利益冲突
作者声明不存在任何利益冲突。

资金支持
本研究未获得任何外部资金支持。

利益冲突声明
? 作者声明没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢
作者感谢拉里奥哈地区的阿尔德阿努埃瓦德埃布罗的西班牙葡萄酒厂“Fincas de Azabache”，以及阿拉贡地区韦斯卡的“El Grillo y la Luna”，还有INTRANOX, S.L.公司对本研究开发的贡献。