A monitoração do processo de fermentação alcoólica para a obtenção de etanol é um tema de grande interesse pelo fato deste ser utilizado como fonte sustentavel de energia na indústria. Os processo de monitoração convencionalmente utilizados na indústria são dispendiosos, baseados em medições supervisionadas de densidade e estimativas de parâmetros químicos mediante procedimentos offline. O uso de técnicas de monitoração não invasivas baseadas em ultra-som vem sendo desenvolvidas para esse fim, fazendo uso de estimativas de parâmetros clássicos como a velocidade de propagação acústica e a atenuação. No entanto, a evolução do processo fermentativo não é bem descrita por esses parâmetros. Devido a isso, o presente trabalho propõe um sistema híbrido de processamento de sinais de ultra-som que utiliza um conglomerado de parâmetros para uma caracterização mais eficiente do processo fermentativo. O sistema incorpora procedimentos computacionais para a detecção, caracterização e classificação das fases do mosto em fermentação, visto como uma suspensão sólido-líquido (fase dispersa e contínua). Esses procedimentos foram baseadas em estimativas de estacionariedade dos sinais de retroespalhamento de ultra-som ( teste de hipotese não paramétrico - Teste de Run), ajuste de curvas sobre a largura de banda espectral (técnica de curve fitting), assim como a extração de atributos espectrais tais como : frequência central, largura de banda e valores de amplitude da componente fundamental, entre outros, além de parâmetros ultra-sônicos como o coeficiente de atenuação (slope) e o coeficiente integrado de retro-espalhamento (IBC). Para a classificação foi utilizado o algoritmo K-means. Os resultados obtidos mostraram a viabilidade na caracterização multiparamétrica não invasiva do fluido em fermentação, permitindo a identificação das principais fases do processo fermentativo. O trabalho contribui com uma metodología alternativa para a avaliação da cinética do crescimento microbiano como indicador da evolução da fermentação alcoólica.

Monitoring of alcoholic fermentation process for the ethanol production is a topic of great interest because it can be used as a sustainable energy source in the industry. The monitoring process conventionally used in industry are expensive, based on supervised measurements of density and parameter estimates by chemical offline procedures. The use of noninvasive monitoring techniques based on ultrasound are being developed for this purpose, using estimates of classical parameters as the acoustic propagation velocity and attenuation. However, the time evolution of the fermentation process is not well described by these parameters. For this reason, this study proposes a hybrid system of ultrasound signal processing that uses a conglomerate of parameters aiming a more efficient characterization about the fermentation process. The system incorporates computational procedures for the detection, characterization and classification of the fermentation must phases, seen as a solid-liquid suspension (dispersed and continuous phases). These procedures were based on estimates of stationarity for ultrasound backscattered signals (non-parametric statistical test - Run Test), curve fitting on the spectral bandwidth, as well as spectral attributes extraction such as center frequency, bandwidth and energy values of the fundamental frequency and so on, plus ultrasonic parameters as the attenuation coefficient (slope) and the integrated back-scattering coefficient (IBC). For classification we used the k-means algorithm. The results showed the feasibility for the multiparametric noninvasive characterization of fluid in fermentation, identifying the main stages of the fermentation process. This work contributes with an alternative methodology to evaluate the kinetics of microbial growth as an indicator of the alcoholic fermentation evolution.