The Impact of Lactic and Acetic Acid on Primary Beer Fermentation Performance and Secondary Re-Fermentation during Bottle-Conditioning with Active Dry Yeast
Notice bibliographique
Résumé
The presence of high concentrations of organic acids is known to adversely affect the efficiency and quality of ethanol fermentation. The growing popularity of sour beers warranted the exploration of strain-specific performance under optimal and suboptimal conditions similar to those found in sour beer production. The focus of this study was on the performance of select active dried yeast strains under artificially acidified conditions. Nine common brewing strains of active dried yeast were assessed based upon overall fermentation performance and their ability to metabolize maltotriose and maltose between 0.0% w/w − 1.0% w/w lactic acid and 0.0% w/w − 0.5% w/w acetic acid. A single strain of active dried yeast specifically selected and bred for bottle conditioning environments was assessed based upon its ability to metabolize glucose, and carbonate artificially acidified finished beer between 0.0%−1.6% w/w lactic acid and 0.0%−1.0% w/w acetic acid. This study confirmed the suitability of active dry brewing yeast for sour beer fermentations that meet or exceed the typical organic acid concentrations encountered in sour wort. The majority of the selected strains performed well in sour wort containing < 0.4% w/w lactic acid or < 0.1% w/w acetic acid. The importance of strain selection became apparent at concentrations exceeding these reported values, with two strains displaying almost no change in fermentation capabilities across the range of organic acid concentrations. Bottle conditioning remained unhindered by lactic acid up to 1.6% w/w, while acetic acid concentrations at and above 0.4% w/w significantly hindered bottle conditioning.
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 ».