《Scientific Reports》：Optimization process of coffee pulp wines combined with the artificial neural network and response surface methodology
編輯推薦：
為解決咖啡 pulp 廢棄導致的環境問題并提升其利用價值，研究人員開展咖啡 pulp 酒發酵工藝優化研究。采用 Plackett-Burman、響應面法（RSM）及人工神經網絡 - 遺傳算法（ANN-GA），發現 ANN-GA 優化效果更優，確定最佳參數，為咖啡 pulp 酒生產提供技術參考。
咖啡作為全球重要飲品，其加工過程中產生的咖啡果肉（coffee pulp）約占果實重量的 45%，長期以來多被丟棄或僅少量用作肥料�？Х裙夂橇扛�，在自然發酵降解過程中易產生異味和廢水，威脅土壤和水系生態環境，同時其富含的碳水化合物、礦物質、蛋白質及花青素、酚類化合物等生物活性成分未被有效利用，造成資源浪費。如何將咖啡果肉轉化為高附加值產品，成為食品工業和可持續發展領域的重要課題。
為探索咖啡果肉的資源化利用途徑，南京農業大學與中國熱帶農業科學院香料飲料研究所的研究人員開展了咖啡果肉酒發酵工藝優化研究。該研究旨在通過科學方法優化發酵條件，提升咖啡果肉酒的品質與產量，并對比不同優化模型的效果，為咖啡副產物的工業化應用提供理論支撐。研究成果發表于《Scientific Reports》。
研究采用多階段實驗設計與模型構建技術：首先通過單因素實驗確定發酵因素的水平范圍；繼而利用 Plackett-Burman 實驗篩選出對發酵效果影響顯著的因素（物料比、初始 pH、初始糖、酵母量），并通過最陡爬坡實驗逼近最優響應區域；最后結合中心組合設計（CCD），分別運用響應面法（RSM）和人工神經網絡 - 遺傳算法（ANN-GA）構建優化模型。
單因素實驗與關鍵因素篩選
單因素實驗結果表明，物料比、初始 pH、初始糖濃度、酵母量、SO?添加量等因素對乙醇產量有顯著影響，而裝瓶體積、發酵溫度等影響較小。通過 Plackett-Burman 實驗進一步驗證，確認物料比（A）、初始 pH（B）、初始糖（C）、酵母量（D）為關鍵影響因素，其中初始糖濃度的影響最為顯著（P<0.01）。最陡爬坡實驗確定了上述因素的中心水平，為后續響應面分析奠定基礎。
響應面法（RSM）模型構建與優化
利用 Design-Expert 軟件對中心組合設計數據進行二次回歸擬合，建立 RSM 模型。結果顯示，模型的決定系數 R2=0.8914，調整后 R2=0.7648，表明模型能較好描述各因素與乙醇產量的關系。通過響應面圖分析發現，物料比和初始糖濃度對乙醇產量的交互作用最為顯著，優化得到理論最佳參數為：物料比 4.25:95.75，初始 pH 6.93，初始糖濃度 22.25%，酵母量 2.00%，預測乙醇產量為 10.260 mg/L。
人工神經網絡 - 遺傳算法（ANN-GA）模型構建與優化
采用 Matlab 軟件構建三層 BP 神經網絡模型，輸入層為 4 個關鍵因素，輸出層為乙醇產量，隱含層通過 Logsig 函數和 Purelin 函數實現非線性映射。經遺傳算法優化初始權重和閾值后，模型訓練集、驗證集、測試集的擬合 R 值分別為 0.9136、0.99292、0.99997，顯示出良好的模擬效果。最終優化參數為：物料比 4.25:95.75，初始 pH 6.92，初始糖濃度 22.248%，酵母量 1.98%，預測乙醇產量為 10.255 mg/L，驗證值與理論值高度吻合。
模型對比與驗證
對比 RSM 與 ANN-GA 模型發現，ANN-GA 的決定系數 R2（0.9140）高于 RSM（0.8899），均方根誤差（RMSE）更低（0.0896 vs. 0.0968），表明其擬合精度和預測能力更優。通過實際驗證實驗，ANN-GA 預測的乙醇產量為 10.248 mg/L，與理論值誤差小于 1%，進一步證實了該模型的可靠性。
研究結論與意義
本研究首次將 ANN-GA 模型應用于咖啡果肉酒發酵工藝優化，成功篩選出關鍵影響因素并確定最優參數。結果表明，ANN-GA 在處理復雜非線性關系時優于傳統 RSM，能更精準地預測發酵結果。該研究不僅為咖啡果肉的資源化利用提供了可行的技術方案，還為果酒發酵工藝優化提供了新的方法論參考，有助于推動食品工業中廢棄物的高值化轉化，對促進循環經濟和可持續農業發展具有重要意義。研究結果為后續咖啡果肉酒的工業化生產奠定了基礎，并為其他農業副產物的綜合利用提供了借鑒思路。
