1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ciencias Naturales y Matemáticas
4. Tesis de Ingeniería Química

Title:	Dinámica y modelado del proceso de malta cervecera empleando técnicas de aprendizaje automático
Authors:	Morales Haro, Eduardo Andrés, Director Zevallos Escalante, Eddy Jesús Serrano Alvarado, Isaac Alexander
Keywords:	Aprendizaje automático Modelos predictivos Calidad de la malta Optimización industrial
Issue Date:	2024
Publisher:	ESPOL.FCNM
Citation:	Zevallos Escalante, E. J. y Serrano Alvarado, I. A. (2024). Dinámica y modelado del proceso de malta cervecera empleando técnicas de aprendizaje automático. [Proyecto Integrador]. ESPOL.FCNM .
Description:	Este proyecto modeló el proceso de malteado en la producción de cerveza utilizando técnicas avanzadas de aprendizaje automático para optimizar variables clave que influyen en la calidad y consistencia de la malta. La hipótesis plantea que estas técnicas identifican y ajustan interacciones críticas como la temperatura, humedad y tiempo de germinación, justificadas por la necesidad de garantizar productos de alta calidad en un mercado competitivo. Se empleó una base de datos histórica de 102 registros, sometida a procesos de limpieza y análisis exploratorio. Se implementaron y compararon cuatro modelos predictivos: Random Forest, Gradient Boosting, Regresión Parcial de Mínimos Cuadrados (PLS) y Redes Neuronales, evaluados con métricas como R², RMSE y MAE. Random Forest presentó el mejor desempeño, logrando un R² de 0.775 y un RMSE de 1.388 en la predicción de la friabilidad (%), demostrando su capacidad para capturar dinámicas no lineales como la relación positiva entre FAN y fuerza diastásica (R² > 0.5). Se concluye que el aprendizaje automático proporciona herramientas sólidas para modelar procesos complejos, mejorando la calidad de la malta, optimizando recursos y promoviendo la sostenibilidad en la industria cervecera. Palabras Clave: Aprendizaje automático, modelos predictivos, calidad de la malta, optimización industrial
metadata.dc.description.abstractenglish:	This project modeled the malting process in beer production using advanced machine learning techniques to optimize key variables that influence the quality and consistency of malt. The hypothesis suggests that these techniques identify and adjust critical interactions such as temperature, humidity, and germination time, justified by the need to ensure high-quality products in a competitive market. A historical database of 102 records was used, processed through data cleaning and exploratory analysis. Four predictive models were implemented and compared: Random Forest, Gradient Boosting, Partial Least Squares Regression (PLS), and Neural Networks, evaluated using metrics such as R², RMSE, and MAE. Random Forest demonstrated the best performance, achieving an R² of 0.775 and an RMSE of 1.388 in predicting friability (%), showcasing its ability to capture non-linear dynamics, including the positive relationship between FAN and diastatic power (R² > 0.5). It is concluded that machine learning provides robust tools to model complex processes, enhancing malt quality, optimizing resources, and promoting sustainability in the brewing industry. Keywords: Malt quality, machine learning, predictive models, industrial optimization.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/65700
metadata.dc.identifier.codigoproyectointegrador:	INGE-2707
Appears in Collections:	Tesis de Ingeniería Química

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.