On-Line Estimation and Prediction of Density and Ethanol Evolution in the Brewery

PEER REVIEWED SUBMISSION

By Georges Corrieu, I.C.Trelea and B.Perret Laboratoire de G�nie et Microbiologie des Proc�d�s Alimentaires,Thiverval-Grignon, France. This paper was originally presented at the MBAA 112th Anniversary Convention, Keystone, Colorado, 1999.

Abstract
The aim of this work is to develop mathematical and software tools for advanced supervision and on-line control of beer alcoholic fer-mentation. Experimental data was collected on industrial (300 m3) fermentation tanks equipped with released CO₂ flow meters, based on a differential pressure drop measurement on a diaphragm. The first goal was to develop software sensors for wort density and ethanol concentration. This was achieved using the well-established linear relationships between the cumulated CO₂, the density, the sugar and the ethanol concentrations. After model identification and validation, software sensors were integrated in the supervision soft-ware. They are now in everyday use. The second goal was to predict the fermentation progress a few days ahead. At least two benefits are expected from this prediction: (1) The current time-dependent temperature profile could be replaced by density-dependent temperature control. (2) Knowing the fermen-tation end time in advance is useful for scheduling the tanks for the main fermentation, lagering, filtration, bottling, etc. Prediction results are based on 33 industrial fermentations involv-ing two types of beer. Dynamic prediction models based on neural networks and on the average fermentation kinetic are compared. The decrease of the prediction error with time is demonstrated. On-line model adaptation during the early stage of the fermentation increases the accuracy of the end time prediction significantly: when half of the expected CO₂ has been released, the average prediction error of the fermentation end time is 4.75 hours with a fixed model and 2.5 hours with an adaptive one. Implementation issues and practical difficulties are also discussed in the paper.
Keywords: CO₂ monitoring, density, fermentation end-time, neural networks, prediction  

Sintesis
La meta de este trabajo es el desarrollar las herramientas matem�ticas y el soporte l�gico para la supervisi�n avanzada y el control en l�nea de la fermentaci�n alcoh�lica de la cerveza. Los datos experimentales se colectaron en tanques industriales (300m3) de fermentaci�n equipados con medidores de flujo de CO₂ liberado, basados en la baja de presi�n diferencial medida en un diafragma. El primer objetivo fue el desarrollar soporte l�gico para sensores para la densidad del mosto y la concentraci�n de etanol. Esto se real-iz� usando las bien establecidas relaciones lineares entre el CO₂ acu-mulado, la densidad y las concentraciones de az�car y etanol. Despu�s de la validaci�n e identificaci�n de los modelos, los soportes l�gicos para sensores fueron integrados en el soporte l�gico para supervisi�n. Estos son ahora de uso cotidiano. El segundo objetivo fue el predecir el proceso de fermentaci�n unos d�as antes. Se esperan por lo menos dos beneficios de esta predicci�n: (1) El perfil actual de temperatura dependiente de tiem-po podr�a ser reemplazado por el control de temperatura dependiente de densidad. (2) El conocer el tiempo final de fermentaci�n por ade-lantado es �til para programar los tanques para la fermentaci�n prin-cipal, para la producci�n de cerveza dorada, la filtraci�n, el embotellamiento, etc. Los resultados de la predicci�n est�n basados en 33 fermenta-ciones industriales que comprenden dos tipos de variedades de cerveza. Se compararon modelos de predicci�n din�mica basados en redes negrales y en la fermentaci�n cin�tica promedio. Se demues-tra la reducci�n del error de predicci�n con el tiempo. La adaptaci�n del modelo en l�nea durante las etapas tempranas de la fermentaci�n aumenta la precisi�n de la predicci�n del tiempo final significativa-mente: Cuando la mitad esperada del CO₂ ha sido liberada, el error de predicci�n promedio del tiempo final de fermentaci�n es de 4.75 horas con un modelo fijo y de 2.5 horas con uno adaptado. Los asuntos de implementaci�n y dificultades pr�cticas tambi�n son discutidas en este documento.