本文介绍了一项由Adrian Florea、Anca Sipos和Melisa-Cristina Stoisor共同完成的研究，题为《Applying AI Tools for Modeling, Predicting and Managing the White Wine Fermentation Process》，该研究于2022年3月22日发表在《Fermentation》期刊上。研究的主要机构为罗马尼亚卢西安·布拉加大学（Lucian Blaga University of Sibiu）的计算机科学与电气工程系以及农业科学、食品工业与环境保护学院。该研究旨在通过人工智能（AI）工具对白葡萄酒发酵过程进行建模、预测和管理，以应对罗马尼亚葡萄酒产业面临的数字化程度低和葡萄园面积大但利用率不足的挑战。
葡萄酒发酵是一个复杂的生物化学过程，涉及数百种生物、化学和物理化合物的转化，直接影响最终产品的感官特性。传统的发酵过程控制依赖于硬件传感器和直接测量，但这些方法成本高、可靠性低，且难以实时监控。随着人工智能技术的快速发展，尤其是人工神经网络（Artificial Neural Networks, ANNs）和遗传算法（Genetic Algorithms, GAs）的应用，食品加工领域逐渐实现了自动化和智能化。然而，葡萄酒发酵过程的非线性和非平稳性使得建模和参数估计尤为困难。因此，本研究提出了一种基于预训练多层感知器神经网络（Multi-Layer Perceptron Neural Network, MLP）和遗传算法的软件工具，用于预测白葡萄酒发酵过程中的酒精浓度和底物浓度，从而实现远程监控和自动化控制。
研究分为以下几个主要步骤：
实验设计与数据收集
研究在生物反应器中进行白葡萄酒发酵实验，实验条件包括不同的初始底物浓度（210 g/L和180 g/L）、初始生物量浓度（0.1 g/L和0.2 g/L）、温度（20°C、22°C、24°C和26°C）以及发酵介质（麦芽汁、添加维生素B1的麦芽汁、白葡萄汁和添加维生素B1的白葡萄汁）。实验使用酿酒酵母（Saccharomyces oviformis和Saccharomyces ellipsoideus），并通过光学密度、干物质和细胞总数测量生物量浓度，通过高效液相色谱-质谱（HPLC-MS）测定乙醇浓度，通过分光光度法测定底物浓度。
神经网络与遗传算法的设计与实现
研究开发了一个基于C#和ASP.NET的软件应用程序，用于模拟和预测发酵过程。该应用程序包括后端（神经网络配置和预测功能）和前端（用户界面）。神经网络采用前馈多层感知器（MLP）结构，输入层包含温度、时间、初始底物浓度和生物量浓度等参数，隐藏层包含10个神经元，输出层包含酒精浓度和底物浓度两个神经元。为了提高预测精度，研究使用遗传算法对神经网络的初始权重进行预训练。遗传算法的参数包括种群规模（50个个体）、交叉概率（0.9）、变异概率（0.5）和精英选择方法。
数据预处理与训练
实验数据经过归一化处理后用于神经网络的训练和测试。研究采用75/25的训练/测试比例，并使用不同的激活函数（如Sigmoid、Tanh、ReLU和Softmax）进行对比实验。通过遗传算法预训练的神经网络在预测精度上显著优于随机初始化的神经网络。
结果分析与验证
研究通过多次模拟实验验证了神经网络和遗传算法的有效性。结果表明，使用遗传算法预训练的神经网络在预测酒精浓度和底物浓度时表现出更高的准确性。特别是在包含pH和CO2浓度等更多变量的数据集上，预测精度进一步提高。研究还发现，神经网络的性能对初始权重非常敏感，而遗传算法能够有效优化初始权重配置。
预测精度提升
使用遗传算法预训练的神经网络在预测酒精浓度和底物浓度时的测试误差为0.03，显著低于随机初始化神经网络的测试误差（0.045）。这表明遗传算法在优化神经网络初始权重方面具有显著优势。
数据集的影响
包含更多变量（如pH和CO2浓度）的数据集进一步提高了神经网络的预测精度。这表明数据集的规模和多样性对神经网络的性能有积极影响。
发酵阶段的识别
神经网络能够准确识别发酵过程的三个阶段：延迟期、指数增长期和稳定期。这一结果与实际的发酵过程高度一致，验证了神经网络在发酵过程监控中的实用性。
本研究通过结合神经网络和遗传算法，成功开发了一种用于白葡萄酒发酵过程建模和预测的软件工具。该工具不仅能够显著提高预测精度，还能够减少对硬件传感器的依赖，降低生产成本。研究的创新点在于： - 开发了一种基于遗传算法预训练的神经网络，显著提高了预测精度； - 实现了远程监控和自动化控制，适用于后疫情时代的远程工作需求； - 提供了灵活的软件架构，便于扩展到其他发酵过程。
创新方法
研究首次将遗传算法与神经网络结合，用于白葡萄酒发酵过程的建模和预测，显著提高了预测精度。
实际应用价值
该工具能够帮助葡萄酒生产企业降低生产成本，提高生产效率，同时确保产品质量。
未来研究方向
研究建议进一步探索深度神经网络（Deep Neural Networks）和其他激活函数（如ReLU和Leaky ReLU）的应用，并将该工具扩展到红葡萄酒和桃红葡萄酒的发酵过程中。
总之，本研究为葡萄酒产业的数字化转型提供了重要的技术支持，展示了人工智能在食品加工领域的广泛应用前景。