一种高浓酿造后稀释啤酒风味协调性的评价方法

摘要

本发明属于啤酒质量评价领域，特别涉及一种高浓酿造后稀释啤酒风味协调性的评价方法，本发明将从各个风味物质之间形成氢键体系的角度进行研究。通过对啤酒中正丙醇、异丁醇、异戊醇、乙酸乙酯、乙酸异戊酯、苹果酸、乳酸、乙酸、柠檬酸和琥珀酸这10种啤酒中主要的风味物质主的化学位移和含量进行分析，通过数理统计的方法建立高浓酿造后稀释酒样口感柔和性和风味协调性的评价方法，来评价不同稀释工艺下酒样的风味和口感。本发明直接通过检测理化指标说明高浓发酵后稀释啤酒口感好坏，可以去除由于感官品评的主观性较强而带来的误差，可以更科学、严谨的说明高浓酿造后稀释啤酒风味的协调性。

说明书

技术领域

本发明属于啤酒质量评价领域，特别涉及一种高浓酿造后稀释啤酒风味协调性的评价方 法。

背景技术

目前，“高浓发酵后稀释”工艺已经成为国内外啤酒行业较为普遍的一种啤酒酿造技术。 该工艺可以提高啤酒淡爽度，降低生产成本，解决生产旺季设备周转不足，生产力不足的实 际问题。但随着稀释率增加，酒体易出现口味寡淡、水味较大等不良风味，会对产品品质带 来影响。

国内外对啤酒风味与口感的研究多集中在具体风味描述及形成相关风味物质含量的检测 与分析，核磁共振技术的引入，将国内外研究思路立足于风味物质之间的相互作用。传统的 核磁检测条件只能检测到啤酒体系的总体氢键化学位移的变化情况，无法直接从图谱中得到 啤酒中主要风味物质的核磁峰信号。

发明内容

本发明针对现有技术中的不足，提供一种高浓酿造后稀释啤酒风味协调性的评价方法。 通过对啤酒中主要风味物质的化学位移和含量进行分析，通过数理统计的方法建立一个高浓 酿造后稀释酒样口感柔和性和风味协调性的评价方法，来评价不同稀释工艺下酒样的风味和 口感。

由于啤酒中各种风味物质之间，可以通过形成氢键等分子间作用，产生啤酒特有的风味 和口感，因此本发明将从各个风味物质之间形成氢键体系的角度进行研究。选择正丙醇、异 丁醇、异戊醇、乙酸乙酯、乙酸异戊酯、苹果酸、乳酸、乙酸、柠檬酸和琥珀酸这10种啤酒 中主要的风味物质为研究对象。将核磁检测与风味物质定量分析、感官品评建立联系，通过 数理统计的方法建立数学模型，以此模型作为评价高浓后稀释啤酒口感柔和性和风味稳定性 的方法。

本发明的技术方案是：

(1)啤酒中主要风味物质化学位移

a样品处理

啤酒除气：取预先在冰箱中冷却至4℃的啤酒，启盖后经滤纸过滤至三角瓶中，稍加振 摇，静置，以充分除去酒中的CO₂。

b核磁共振检测条件

将酒样除气，取0.2mL酒样和0.3mL D₂O于核磁管中，置于AVANCE III500MHZ型核 磁共振波谱仪，按下列条件测定：氢核共振频率500MHz；5mm PABBO BB的仪器探头；内 标物质D₂O；脉冲序列为lc1pncwps，弛豫时间为3.00s，采样次数为128次。

(2)啤酒中主要风味物质定量检测

a高级醇酯（乙酸乙酯、乙酸异戊酯、异丁醇、异戊醇、正丙醇）的测定：

色谱柱：CP-WAX52CB30m，I.D.0.32mm(液膜原标：0.52μm)；载气：N₂；色谱柱室 温度40℃(2min)-180℃(4min)/10℃；气化室温度200℃；检测室温度250℃；进样时间0.04 min；顶空瓶平衡时间30min；顶空瓶平衡温度70℃；传输线温130℃。

根据被测物和内标物的浓度及在色谱图上相应的峰面积比，由内标法按式计算分析物含量：

$X_i=\frac{A_i/A_s}{{A_i}^{\prime }/{A_s}^{\prime }}·{X_i}^{\prime }·\mathrm{CF}$

其中，X_i表示啤酒中组分i的含量；X_i’表示混标中组分i的含量；

A_i表示啤酒中组分i的峰面积；A_i’表示混标中组分i的峰面积；

A_s表示啤酒中内标物质的峰面积；A_s’表示混标中内标物质的峰面积；CF表示浓缩倍数。 b有机酸（苹果酸、乳酸、乙酸、柠檬酸、琥珀酸）的测定：

色谱分析条件：色谱柱：Waters Atantis dC₁₈4.6×150mm，5μm；流动相：20mmol/L  NaH₂PO₃，pH=2.7；进样体积：10μL；柱温：30℃；检测器：UV210nm。

以保留时间和样品加标定性；将有机酸标准溶液在同样的色谱条件下进样，绘制标准曲 线，采用峰面积外标法定量。

（3）建立模型

选择主成分分析（PCA）对定量结果和化学位移结果这部分自变量，进行降维处理，生 成的3个主成分可以代表自变量。

20个自变量选择如表1所示：

表1主成分分析自变量编号及检测方法

有主成分分析得到的3个主成分为：

PC1=0.111ZX₁+0.115ZX₂+0.124ZX₃+0.122ZX₄+0.114ZX₅+0.099ZX₆+0.048ZX₇+0.014ZX₈+0.129ZX₉+0.020ZX₁₀+0.006ZX₁₁+0.103ZX₁₂+0.010ZX₁₃-0.094ZX₁₄+0.020ZX₁₅+0.001ZX₁₆+0.122ZX₁₇+0.143ZX₁₈0+374ZX₁₉-0.254ZX₂₀

PC2=-0.034ZX₁-0.091ZX₂-0.086ZX₃-0.133ZX₄-0.064ZX₅-0.030ZX₆+0.138ZX₇+0.194ZX₈-0.063ZX₉+0.110ZX₁₀+0.180ZX₁₁-0.081ZX₁₂+0.081ZX₁₃+0.191ZX₁₄-0.123ZX₁₅+0.181ZX₁₆-0.045ZX₁₇+0.685ZX₁₈+0.688ZX₁₉+0.602ZX₂₀

PC3=-0.008ZX₁+0.114ZX₂+0.064ZX₃+0.164ZX₄+0.064ZX₅-0.075ZX₆-0.144ZX₇-0.129ZX₈-0.057ZX₉+0.028ZX₁₀-0.078ZX₁₁+0.074ZX₁₂-0.476ZX₁₃+0.240ZX₁₄+0.385ZX₁₅-0.024ZX₁₆-0.086ZX₁₇+0.033ZX₁₈-0.033ZX₁₉+0.502ZX₂₀

ZX₁～ZX₁₀分别表示苹果酸、乳酸、乙酸、柠檬酸、琥珀酸、乙酸乙酯、乙酸异戊酯、异 丁醇、异戊醇、正丙醇的化学位移变化量通过归一化处理的自变量；

ZX₁₁～ZX₂₀分别表示苹果酸、乳酸、乙酸、柠檬酸、琥珀酸、乙酸乙酯、乙酸异戊酯、异 丁醇、异戊醇、正丙醇的含量通过归一化处理的自变量；

主成分1(PC1)主要反映了啤酒中主要风味物质化学位移的变化量，主成分2(PC2)主要反映 了啤酒中醇酯类物质的含量，主成分3(PC3)主要反映了啤酒中有机酸类物质的含量。

将生成的3个主成分作为新的自变量，感官品评得分作为因变量，最终得到回归模型： 水感品评得分=4.219+0.701×PC1+0.078×PC2+0.150×PC3。

回归模型的三个自变量的P值分别为1.453×10^-16、0.049和4.778×10^-4，回归模型F统计 量的观察值为122.509，方差的P值为0.000（真实值为1.852×10^-15），在显著性水平为0.05 的情况下，可以认为得到的回归方程具有较高可靠性。

本发明的有益效果是：

本发明是将啤酒中风味物质的化学位移和含量分析这类理化指标与啤酒风味协调性相结 合，将水峰压制核磁共振技术(NMR)与定量检测和感官品评相结合，建立一种评价高浓后稀 释啤酒口感协调性和风味稳定性的方法。该方法直接通过检测理化指标说明高浓发酵后稀释 啤酒口感好坏，可以去除由于感官品评的主观性较强而带来的误差，可以更科学、严谨的说 明高浓酿造后稀释啤酒风味的协调性。

附图说明

图1为模型中旋转空间的成分图；

图2回归模型的标准化残差直方图；

图3回归标准化残差的正态P-P图；

图4因变量与预测值散点图。

具体实施方式

本发明的具体实施方式如下：

实施例1

感官品评方法的建立

(1)选择30种市售啤酒，选择酒样中苹果酸、乳酸、乙酸、柠檬酸、琥珀酸、乙酸乙酯、乙 酸异戊酯、异丁醇、异戊醇、正丙醇的含量以及化学位移信息等20个变量作为初始自变量， 通过方差最大正交旋转，得到的预测变量在不同成分中载荷最大化，并从中选出尽可能少的 成分，但却可以解释能可能多的变量方差(一般大于70%)，而特征值≥1的主成分才能够被认 为具有统计上的显著性。

表2将20种原变量的方差通过最大正交旋转后生成的每个主成分对方差的贡献率。其中 前3个主成分累计方差贡献率达到74.158%，其中主成分1(PC1)解释了总方差的55.989%， 主成分2(PC2)解释了总方差的11.046%，主成分3(PC3)解释了总方差的7.123%，基本能够反 映出原自变量的大部分信息。

表2各主成分的方差贡献率

表3是本模型的KMO和Bartlett的检验。其中KMO抽样适度测定值为0.547，大于0.5； Bartlett球形检验值为617.420，P(Sig.=0.000)＜0.05。可以认为本组数据可以进行主成分分析。

表3KMO和Bartlett的检验

因子载荷指的是每个公共因子对观测变量的加权系数，同时也可以反映原自变量和生成 的公共因子间的相关系数。原自变量的载荷越大，其对应主成分的方差就越大。理论上载荷 的绝对值大于50%才可以解释主成分。表4是旋转后因子成分矩阵：

表4旋转后因子成分矩阵

提取方法:主成份。

旋转法:具有Kaiser标准化的正交旋转法。

可以看出主成分1(PC1)在苹果酸NMR、乳酸NMR、乙酸NMR、柠檬酸NMR、琥珀酸 NMR、乙酸乙酯NMR、乙酸异戊酯NMR、异丁醇NMR和异戊醇NMR上载荷较大，说明 主成分1主要反映了啤酒中主要风味物质化学位移的变化量，故可以将主成分1定义为化学 位移类因子；主成分2(PC2)在苹果酸、柠檬酸、乙酸乙酯、乙酸异戊酯、异丁醇、异戊醇和 正丙醇上载荷较大，说明主成分2主要反映了啤酒中醇酯类物质的含量，故可以将主成分2 定义为醇酯类因子；主成分3(PC3)在乳酸、乙酸、琥珀酸上载荷较大，在柠檬酸上载荷也大 于0.5，说明主成分3主要反映了啤酒中有机酸类物质的含量，故将主成分3定义为有机酸类 因子。表5表示该模型的成分得分系数矩阵：

表5成分得分系数矩阵

提取方法:主成份。

旋转法:具有Kaiser标准化的正交旋转法。

由该矩阵可以得到以下方程：

PC1=0.111ZX₁+0.115ZX₂+0.124ZX₃+0.122ZX₄+0.114ZX₅+0.099ZX₆+0.048ZX₇+0.014ZX₈+0.129ZX₉+0.020ZX₁₀+0.006ZX₁₁+0.103ZX₁₂+0.010ZX₁₃-0.094ZX₁₄+0.020ZX₁₅+0.001ZX₁₆+0.122ZX₁₇+0.143ZX₁₈0+374ZX₁₉-0.254ZX₂₀

PC2=-0.034ZX₁-0.091ZX₂-0.086ZX₃-0.133ZX₄-0.064ZX₅-0.030ZX₆+0.138ZX₇+0.194ZX₈-0.063ZX₉+0.110ZX₁₀+0.180ZX₁₁-0.081ZX₁₂+0.081ZX₁₃+0.191ZX₁₄-0.123ZX₁₅+0.181ZX₁₆-0.045ZX₁₇+0.685ZX₁₈+0.688ZX₁₉+0.602ZX₂₀

PC3=-0.008ZX₁+0.114ZX₂+0.064ZX₃+0.164ZX₄+0.064ZX₅-0.075ZX₆-0.144ZX₇-0.129ZX₈-0.057ZX₉+0.028ZX₁₀-0.078ZX₁₁+0.074ZX₁₂-0.476ZX₁₃+0.240ZX₁₄+0.385ZX₁₅-0.024ZX₁₆-0.086ZX₁₇+0.033ZX₁₈-0.033ZX₁₉+0.502ZX₂₀

以上方程为新生成3个主成分与原自变量的得分方程，其中ZX₁～ZX₁₀分别表示苹果酸、 乳酸、乙酸、柠檬酸、琥珀酸、乙酸乙酯、乙酸异戊酯、异丁醇、异戊醇、正丙醇的化学位 移变化量通过归一化处理的自变量；ZX₁₁～ZX₂₀分别表示苹果酸、乳酸、乙酸、柠檬酸、琥珀 酸、乙酸乙酯、乙酸异戊酯、异丁醇、异戊醇、正丙醇的含量通过归一化处理的自变量；

图1是模型中旋转空间的成分图，该成分图能够更直观的反映出原自变量与三个主成分 之间的关系，成分图中各原始自变量的坐标表示其对三个主成分的不同贡献。可以看出，一 部分原始自变量的载荷均集中分布在以三个主成分为坐标的一个平面上。

(2)主成分分析处理之后，消除原始自变量之间的多重共线性，将20个原始自变量转化成3 个独立的主成分，使其适合进行回归分析。

以3个新生成的主成分作为自变量，酒样水感品评得分作为因变量，进行多元线性回归分 析。生成的回归模型摘要如表6所示，该表说明模型的拟合情况。其中复相关系数(R)为0.966， 判定系数(R²)为0.934，调整判定系数（调整R²）为0.926，说明引入方程的变量作用较为明 显，整个模型的拟合程度较高。

表6模型摘要

表7是多元回归模型的方差分析表(ANOVA)，该表可以显示模型的方差分析结果。从表 中可以看出，回归模型F统计量的观察值为122.509，方差的P值为0.000（真实值为1.852 ×10^-15），在显著性水平为0.05的情况下，可以认为水感品评得分和三个主成分之前有线性关 系。

表7方差分析表

多元回归模型中各自变量的系数，表示各个自变量对整个模型的贡献值。通常某一变量 的系数绝对值越大，表示该变量对因变量的影响越大；但是回归系数的大小还与自变量的单 位有关，因此不同单位的自变量回归系数绝对值不能直接比较，需要先将回归系数进行标注 化处理，得到标准回归系数(Standard regression coefficient)。标准回归系数的绝对值大小，反 应其对应自变量对因变量的影响。表8是多元线性回归模型的系数列表。

表8标准回归系数列表

由表8可以看出，回归方程中的常数项为4.219，三个主成分的回归系数分别为0.701、 0.078和0.150。建立的多元线性回归方程为：

水感品评得分=4.219+0.701×PC1+0.078×PC2+0.150×PC3

得到的标准回归系数通过t检验，PC1、PC2和PC3系数的P值分别为1.453×10^-16、0.049 和4.778×10^-4，说明其在显著性水平0.01条件下，具有显著性意义，说明得到的回归方程具 有较高可靠性。

图2是本回归模型的标准化残差直方图，该图可以反映出模型理论值和实际值的差别。 本模型标准化残差的均值为9.44×10^-16，约等于零，标准差为0.947，说明本模型接近标准正 态曲线，满足随机误差项正态分布的假设，说明模型拟合效果好。

图3是回归标准化残差的正态P-P图，由图可以看出，本模型中的样本残差点基本处于 所示正态分布直线上或周围，说明残差正态分布的假设基本成立。

图4是因变量与预测值散点图，由图可以看出，残差散点大多坐落于水平直线-2到2之 间，分布较随机均匀，说明残差与因变量相互独立，满足残差独立的基本假设，模型拟合效 果较好。

实施例2高浓酿造后稀释工艺研究

实验室中试规模模拟生产180L原麦汁浓度为22°P高浓发酵液，对过滤之后的酒基采取 如下几种稀释工艺：

1)22°P→8°P；2)22°P→18°P→8°P；3)22°P→15°P→8°P； 4)22°P→12°P→8°P；5)22°P→18°P→12°P→8°P。

其中，稀释过程中，每一级稀释后均将酒样水化24小时后再进行后续稀释或检测。

对5种通过不同稀释工艺得到的稀释酒样，分别进行压制水峰核磁检测、定量检测和感 官品评实验，并将检测数据带入上文建立的评价方法，结果如表9所示：

表9实验室规模不同稀释工艺酒样的预测结果与感官品评得分

结合预测结果和实际品评结果，发现在不同稀释级数的比较中，稀释级数越多，样品的 口感和风味更为协调；在不同二级稀释中，第一级稀释率越大，酒样的风味稳定性越高。