Evaluación de la calidad del pisco mediante sensores de gas y machine learning

Abstract

El Pisco en el Perú se define como: “Producto obtenido exclusivamente por destilación de mostos frescos de Uvas Pisqueras recientemente fermentados, utilizando métodos que mantengan los principios tradicionales de calidad; producido en la costa de los departamentos de Lima, Ica, Arequipa, Moquegua y los Valles de Locumba, Sama y Caplina del departamento de Tacna”. El estado peruano tiene la “Denominación de Origen” bebida que se elabora exclusivamente en el Perú. El Perú producirá en el año 2021 mas de 10 Millones de litros, y según cifras de la Asociación de Exportadores del Perú (ADEX), el año 2020 la exportación de pisco creció a cerca de USD 4 millones de dólares, con perdidas anuales mayor a USD 112 millones en impuestos por alcohol adulterado, entre ellos el Pisco. La adulteración del Pisco con altas concentraciones de metanol y alcoholes varios; es un gran problema en el Perú, causando daños irreversibles a la salud, como ceguera parcial, visión borrosa, presión arterial baja, mareos, dolores abdominales, calambres, alteración del comportamiento, debilidad, trastornos en el estado de consciencia hasta coma; provocando fallas en el cerebro, ojos, riñón e hígado, así como también causa perdidas económicas a los productores de Pisco y que puede ser irreversible no solo en ingresos de dinero, sino como la imagen del estado peruano, porque si exportamos Pisco adulterado y causa daños a la salud de los consumidores extranjeros se cerraran exportaciones perjudicando también a otros productos bandera del Perú. La presente investigación propone diseñar un prototipo para clasificar el Pisco y Pisco adulterado, el cual estará basado en una matriz de sensores de gas que permite identificar componentes volátiles y congéneres del Pisco, una etapa de adquisición de datos con un microcontrolador ARM (Advanced RISC Machine) de bajo costo (Arduino), con un modelo clasificador basado en Machine Learning (Aprendizaje Automático). El principal resultado de la investigación es el desarrollo del modelo de clasificación de la calidad del Pisco con una alta precisión (accuracy) de 97.29% y un bajo tiempo de entrenamiento de 7.43ms, complementado con un desarrollo del prototipo de bajo costo y fácil uso.