Resumen El añejamiento de ron experimenta pérdidas de volumen, denominadas mermas. Las variables de operación: producto, rambla, posiciones horizontal y vertical, fecha, volumen, grado alcohólico, temperatura, humedad y tiempo de añejamiento, registradas en bases de datos, contienen información valiosa para estudiar el proceso. Las variables cualitativas se procesaron utilizando el software Weka 3.8.0 mientras que las cuantitativas se sometieron a un análisis estadístico empleando Statgraphics Centurion XVll.2. Las mayores mermas corresponden a toneles ubicados en áreas donde irradia el sol, favoreciendo la evaporación del producto. Las variables temperatura y humedad presentan coeficientes de variación muy elevados; debido a la no existencia de control sobre estos factores y sugiriendo la necesidad de regulación. Se obtuvo un modelo de regresión que logra predecir las mermas en función de las variables: mes numérico, volumen y tiempo de añejamiento con valores de error cuadrático medio (ECM) y R2 de 0,115 y 95,88 % respectivamente.

Abstract The rum aging process shows volumen losses, called wastage. The operation variables: product, boardwalk, horizontal and vertical positions, date, volume, alcoholic degree, temperature, humidity and aging time, recorded in databases, contain valuable information to study the process. The qualitative variables were processed using Weka 3.8.0 software while the quantitative variables underwent a statistical analysis using Statgraphics Centurion XVII.2. The biggest reductions correspond to barrels located in areas which solar irradiation, favoring the evaporation of the product. The variable temperature and humidity present very high variation coefficients; these factors are uncontrolled so a regulation process is suggested. A regression model was obtained that predicts the losses based on the variables: numerical month volume and aging time with mean square error values (ECM) and R2 of 0.115 and 95.88 % respectively.

Resumen El proceso de añejamiento de ron experimenta pérdidas de volumen, denominadas mermas. Como parte de la validación continuada del proceso se empleó el programa Statgraphics Centurion v17.2 para el Análisis de Pareto determinándose los parámetros críticos: tiempo de añejamiento, volumen, concentración de dioxígeno; temperatura y humedad. El buen funcionamiento del proceso está influenciado entre otros factores, por las variables de operación, las cuales se registran en bases de datos. El análisis de componentes principales (ACP) a partir de dichas bases de datos, permitió obtener conocimiento del comportamiento de las variables más influyentes en el añejamiento usando la herramienta The Unscrambler v10.4. Con el ACP quedaron definidas las variables que se miden más importantes en el proceso: temperatura, humedad, tiempo de añejamiento, grado alcohólico y volumen. Se redujo la dimensionalidad a tres componentes principales que explican el 89,11 % de la varianza total de los datos e incluyen las cinco variables. Se calcularon las mermas en bodega durante los 13 meses de estudio, que resultaron ser 763,43 L, lo cual equivale a un 10,5 % del volumen inicial existente; superando el 6 % permitido en la norma de la República Dominicana, considerada como referencia en este trabajo. Esta merma representa una pérdida de $32 718. Se determinó que el 6 % de mermas con respecto al volumen inicial de la solera es 434,72 L, equivalentes a pérdidas de $18 631 y a una disminución de $14 087 con respecto a las existentes actualmente.

Abstract Volume losses, known as wastage are presented during the rum aging process. As part of the continuous validation of the process Pareto Analysis is applied to determine the critical parameters that affect it. They are: aging time, volume, dioxygen concentration; temperature and humidity. The proper functioning of the process is influenced, among other factors, by the operation variables, which are recorded in databases. In this work, the databases were used to carry out a principal component analysis (PCA). The behavior of the main variables that affect the aging was understood, applying PCA, using the software The Unscrambler v10.4. With the ACP, the more important variables of the process were defined. The dimensionality was reduced to three main components that explain 89,11 % of the total variance of the data, including the five variables. Wastages during 13 months were calculated (763.43 L). This value represents 10.5 % of the initial volume, higher than the 6 % recommended by the Dominican Republic Regulation, considered as a reference in this research. This wastage represents losses equivalent to $32 718. Losses that correspond to the 6 % of the initial volume were calculated ($18 631). If the process fulfils the Dominican regulation, $14 087 could be saved.

The ethanol production for alcoholic beverages manufacturing based on fermentation at “Héctor Molina” distillery is performed in a bioreactor tank operating at discontinuous mode. Currently the biological processes' modeling using artificial intelligence techniques has become a trend. In this paper, models with artificial neural networks (RNA), multilayer perceptron specifically, were created. These models were able to estimate the concentration of ethanol in the fermenters of the Héctor Molina distillery using MATLAB 2013. The best neural topology presents four input variables and six neurons in the hidden layer with a mean of the mean square error of 4,34 10 -4 and a correlation factor with the experimental data of 0,916.

La producción de etanol para el consumo humano mediante fermentación alcohólica en la destilería “Héctor Molina” se realiza en un biorreactor tipo tanque, con modo de operación discontinuo incrementado. Actualmente la modelación de procesos biológicos utilizando técnicas de inteligencia artificial se ha convertido en tendencia. En este trabajo se crearon modelos con las redes neuronales artificiales (RNA), perceptrón multicapa específicamente, que lograron estimar la concentración de etanol en los fermentadores de la destilería Héctor Molina, utilizando el software MATLAB 2013 . La mejor topología neuronal, obtenida en Matlab presenta cuatro variables de entrada y seis neuronas en la capa oculta con una media del error cuadrático medio de 4,34·10 -4 y un factor de correlación con los datos experimentales de 0,916.