Modeling Yeast in Suspension during Laboratory and Commercial Fermentations to Detect Aberrant Fermentation Processes
Notice bibliographique
Résumé
Understanding yeast dynamics during fermentation is important for quality control, whether monitoring fermentation consistency or identifying aberrant events, such as premature yeast flocculation (PYF). Previous models of fermentation dynamics tend to be parameter rich and require large time series, which are rare in industry. This research investigates five simpler models to 1) describe fermentation dynamics, 2) refine quality control sampling regimes to improve model fit, and 3) identify PYF fermentations. The ability of these models to describe yeast dynamics was evaluated using model fitting with time series data and Akaike Information Criterion (AIC) model selection. Data simulated from large time series was used with this model fitting approach to improve sampling schedules without increasing sampling effort. Lastly, PYF was identified in fermentations of fungal-contaminated malt using linear discriminant analysis (LDA). For large data sets, a four-parameter extension of the normal curve performed best while smaller data sets were better described by the 2-parameter gamma model. Moving sampling effort nearer the population peak improved model fits. Lastly, all models detected PYF, however the two-parameter gamma model provided a simple metric for distinguishing PYF. This research provides guidelines on appropriate model use, improving sampling regimes, and identifying PYF.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».