Maksym Vihuro

У статті досліджено застосування математичного моделювання як інструменту керування та масштабування біотехнологічних процесів у виробництві гібридних сортів пива на прикладі Cold IPA. Робота базується на інтеграції експериментальних даних і кіне- тичних моделей росту біомаси, споживання субстрату та утворення етанолу для різних штамів пивоварних дріжджів S-189 (Saccharomyces pastorianus), W34/70 (S. pastorianus), WLP800 (Saccharomyces cerevisiae), які суттєво відрізняються за метаболічною актив- ністю, етанольною толерантністю та флокуляційними властивостями. Математичний опис процесу ферментації ґрунтувався на моделі Моно для росту біо- маси, рівнянні Людекінга–Пірета для синтезу етанолу та експоненційній функції інгібу- вання етанолом. Як змінні моделі використовували початкову екстрактивність сусла, тем- пературу, рН, концентрацію розчиненого кисню, щільність інокуляту та вміст етанолу. Проаналізовано вплив етанольного стресу на бродильну активність штамів у діапа- зоні концентрацій спирту від 2 до 15% об. Показано, що штам WLP800 має найвищу ета- нольну толерантність і придатний до технологій високощільного бродіння (High Gravity Brewing), однак характеризується схильністю до передчасної флокуляції. Натомість штам S-189 продемонстрував лінійну та стабільну стресову відповідь у технологічно релевантному діапазоні 5–8% об. етанолу, що забезпечує високу передбачуваність процесу та оптимальний баланс між швидкістю ферментації й органолептичними показниками. Штам W34/70 виявився найменш адаптивним у заданих температурних режимах, що обмежує його застосування для виробництва Cold IPA. Отримані результати підтвердили, що поєднання математичного моделювання з експериментальною верифікацією дозволяє обґрунтовано вибирати штам дріжджів, оптимізувати тривалість ферментаційного циклу та знижувати технологічні ризики при масштабуванні виробництва від лабораторних до промислових умов. Запропонована модель може бути використана як інструмент цифрового супроводу процесів пивоваріння для розроблення нових гібридних стилів пива зі стабільними фізико-хімічними та сенсор- ними характеристиками

This study aims to identify an effective neural network architecture for the task of semantic segmentation of the surface of beer wort at the stage of primary fermentation, using deep learning methodologies. Four contemporary architectures were evaluated and contrasted. The following networks are presented in both baseline and optimized forms: U-Net, DeepLabV3+, Fast-SCNN, and SegNet. The models were trained on a dataset of images depicting real beer surfaces at the primary fermentation stage. This was followed by the validation of the models using key metrics, including pixel classification accuracy, Mean Intersection over Union (mIoU), Dice Coefficient, inference time per image, and Graphics Processing Unit (GPU) resource utilization. Results indicate that the optimized U-Net achieved the optimal balance between performance and efficiency, attaining a validation accuracy of 88.85%, mIoU of 76.72%, and a Dice score of 86.71%. With an inference time of 49.5 milliseconds per image, coupled with minimal GPU utilization (18%), the model proves suitable for real-time deployment in production environments. Conversely, complex architectures, such as DeepLabV3+, did not yield the anticipated benefits, thereby underscoring the viability of utilizing compact models for highly specialized industrial tasks. This study establishes a novel quantitative metric for the assessment of fermentation. This is based on the characteristics of the foam surface and thus offers an objective alternative to traditional subjective inspections. The findings emphasize the potential of adapting optimized deep learning architectures to quality control tasks within the food industry, particularly in the brewing sector, and they pave the way for further integration into automated computer vision systems.