Please login first
Alcohol detection in “lagger” beers using NIR
* 1 , 2, 3 , 2, 3
1  Universidade da Coruña
2  RNASA-IMEDIR
3  UDC

https://doi.org/10.3390/mol2net-06-06949 (registering DOI)
Abstract:

Actualmente existe una gran rivalidad en cuanto a las técnicas de medición destructivas y a las
técnicas de medición no destructivas. Mientras unas optan por la destrucción de la muestra para
que el resultado de dicho proceso pueda ser analizado por un experto, las otras optan por un
análisis empı́rico y repetible, que otorga la posibilidad de realizar numerosos tipos de análisis
sobre una misma muestra.


En cuanto a las técnicas de medición no destructiva destaca la espectroscopia de infrarrojo
cercano, técnica que se encarga de analizar el espectro electromagnético en busca de los enlaces de
carbono pertenecientes a la sustancia a examinar. Ésta recibe ese nombre debido a que la región
del espectro que analiza se sitúa muy próxima a la luz visible, concretamente entre los 700 nm y
los 2500 nm.

Los dispositivos usados para llevar a cabo dichas mediciones son los espectrofotómetros. Estos
dispositivos tienen un tamaño y coste considerables, por lo que su uso está reducido a localizaciones
como los laboratorios.
Para solucionar este problema, se han creado los espectrofotómetros portátiles, que tienen
un tamaño y coste reducido. El mayor inconveniente es que el softoware para lidiar con ellos es
inexistente o está desactualizado.
El objetivo del proyecto es la creación de una aplicación para dispositivos móviles que permi-
ta la comunicación con un espectrofotómetro portátil.

Se ha llevado a cabo una prueba práctica para comprobar el correcto funcionamiento del
sistema. Esta estaba situada en el ámbito de las cervezas. Consistı́a en reconocer si una cerveza
de tipo ”lagger” tenı́a alcohol o no a partir de una muestra.
Se ha llevado a cabo un estudio del arte en el que se han detectado numerosos estudios acerca
del tema. La gran diferencia es que se ha hecho uso de un espectrofotómetro de laboratorio, lo que
otorga mucha más precisión y alcanza un mayor rango de medición que el dispositivo usado para
llevar a cabo este experimento.

En cuanto a la base de datos generada, se han tenido en cuenta 36 cervezas de distintas
graduaciones y marcas. Tan solo se han usado cervezas “puras”, es decir, cervezas que carecı́an de
sustancias como limón o tequila, ya que la composición de las mismas podrı́a afectar a la medición.
A mayores, se han realizado 3 mediciones por cerveza para hacer la base de datos más robusta.

Existen una infinidad de aplicaciones posibles haciendo uso de esta tecnologı́a.

Keywords: NIR, Beer, machine learning
Top