Die Methode beschreibt die Bestimmung des Wassergehalts in Spezialmalz.
Spezialmalz, das für die Verwendung in der Brau- und Lebensmittelindustrie vorgesehen ist.
Malz, das für die Verwendung in der Brau- und Lebensmittelindustrie vorgesehen ist.
Das Malz wird in eine Siebtrommel mit Drahtgeflecht aus Edelstahl gegeben. Während einer festgelegten Zeit werden die Körner mittels einer Walze gegen die rotierende Siebtrommel gepresst, wobei die mürben Malzteile durch das Siebgewebe fallen, während die glasigen Bestandteile in der Trommel verbleiben.
Anwendbar bei allen (Labor)-Würzen.
Zink wird in Würze mittels AAS durch Direktansaugen der verdünnten Probe in einer Acetylen-Luft-Flamme oder durch elektrothermale Atomisierung bestimmt, die Messung erfolgt bei 213,9 nm.
Hopfenextrakt, der für die Verwendung in der Brau- und Lebensmittelindustrie vorgesehen ist.
Mithilfe von Bildverarbeitung, künstlicher Intelligenz und dem Internet of Things (IoT) ermöglicht die Methode eine Analyse der Sortenreinheit von Braugerste.
Mittels Scanner wird ein hochauflösendes Bild einer Probe von Gerstensamen aufgenommen. Das Bild durchläuft dann Algorithmen, die einzelne Körner auf dem Bild erkennen und segmentieren. Anschließend wird jedes einzelne Korn von einem neuronalen Netzwerk (Convolutional Neural Network, CNN) analysiert, dessen Architektur speziell für die Analyse und Klassifizierung von landwirtschaftlichen Erzeugnissen ausgewählt und entwickelt wurde. Das CNN wurde mit verifizierten Informationen (auch Ground Truth genannt) trainiert, wobei es lernt, wie die einzelnen Gerstensorten unterschieden werden können. Die Basis hierfür bilden sortenreine Proben verschiedener Gersten, die zuvor mit dem Gerät digitalisiert wurden und entsprechend den Datensatz (Modelle der künstlichen Intelligenz) bilden. Um genaue Modelle zu erhalten, müssen die Algorithmen mit einer großen Variabilität trainiert werden, d. h. mit reinen Proben verschiedener Sorten aus unterschiedlichen Regionen, Erntejahren und Standorten. Der Zweck des Trainings besteht darin, dass die Algorithmen lernen, die Muster zu erkennen, die jede Sorte unterscheiden und zugleich Sinn ergeben. Einmal trainiert, sind die Algorithmen in der Lage, die Sortenreinheit einer unbekannten Probe von Gerstensaatgut genau vorherzusagen, sofern die Sorte in den Modellen der künstlichen Intelligenz enthalten ist.
Vorhersage des Extraktgehaltes und Vorausbestimmung der Verarbeitbarkeit und des Brauwertes einer Gerste
Bei Gerste, die für die großtechnische Verarbeitung vorgesehen ist, muss deren Verhalten während des Vermälzens bekannt sein.
Zur Vorhersage des Extraktgehaltes und Vorausbestimmung der Verarbeitbarkeit und des Brauwertes einer Gerste wurde am 06. 04. 1971 von der MEBAK ein Kleinmälzungsverfahren als Standardverfahren genehmigt und verabschiedet. Das Verfahren wurde 2003 von der MEBAK um einen Keimtag auf sechs Vegetationstage (Weich- und Keimzeit) verkürzt und damit dem EBC-Verfahren angepasst.