Progettazione di un dispositivo per il monitoraggio del deperimento di scarti vitivinicoli e valutazione preliminare mediante modelli predittivi

The wine industry represents one of the major agri-food sectors worldwide. According to the 2025 report of the International Organisation of Vine and Wine, referring to the 2024 scenario, global wine production is estimated at approximately 226 million hectolitres. During the winemaking process, between 1.3 and 1.5 kg of waste are generated per litre of wine produced; among organic residues, grape pomace is the main by-product, being rich in valuable compounds but highly perishable. Its proper characterization and selection are therefore crucial for sustainable and efficient valorization. This work is part of a project focused on the development of a device for monitoring the quality of grape pomace. To this end, the main variables to be monitored were selected, including temperature, relative humidity, pH, time, and light intensity. In anticipation of future implementation, several artificial intelligence models were tested to identify the most suitable approach for predicting the shelf life of grape pomace based on environmental parameters measured by the device. Traditional regression models (Linear Regression, Random Forest, Gradient Boosting, and Support Vector Regression) and neural network-based models (Multilayer Perceptron Regressor and ResNet implemented in Keras) were evaluated using a synthetic dataset constructed based on the device’s sensors, in order to conduct a preliminary analysis and identify the most suitable artificial intelligence model for future system integration. The results showed that the Multilayer Perceptron Regressor implemented in Keras, with two hidden layers, provided the best overall predictive performance (R² = 0.864, MAE = 2.33, MSE = 9.22). Subsequently, anthocyanin content was introduced as an additional quality parameter, hypothesized as a chemical indicator of pomace degradation over time. Exploratory analysis revealed a strong positive correlation between anthocyanin levels and shelf life (r = 0.85). The inclusion of this variable in the synthetic dataset led to a consistent improvement in model predictive performance; in particular, the MLP neural network in Keras achieved values of R² = 0.890, MAE = 1.23, and MSE = 3.81. Bootstrap analysis showed a systematic trend toward improved performance in the presence of the “anthocyanins” variable, although with statistical significance levels close to the conventional threshold (p ranging between 0.06 and 0.12). Overall, the results suggest that the integration of artificial intelligence models and additional chemical parameters, such as anthocyanin content, could enhance the effectiveness of grape pomace monitoring systems, providing a solid foundation for the development of technologies for the sustainable valorization of winemaking by-products.

L’industria vitivinicola rappresenta uno dei principali settori agroalimentari a livello globale. Secondo il report 2025 dell’Organizzazione Internazionale della Vigna e del Vino, riferito allo scenario del 2024, la produzione mondiale di vino è stimata in circa 226 milioni di ettolitri. Durante il processo di vinificazione vengono generati tra 1,3 e 1,5 kg di rifiuti per litro di vino prodotto; tra i residui organici, la vinaccia costituisce il principale sottoprodotto, risultando ricca di composti di interesse ma altamente deperibile. La sua corretta caratterizzazione e selezione risulta pertanto cruciale per una valorizzazione sostenibile ed efficiente. Il presente lavoro si inserisce in un progetto volto allo sviluppo di un dispositivo per il monitoraggio della qualità della vinaccia. A tal fine, sono state selezionate le principali variabili da monitorare, tra cui temperatura, umidità relativa, pH, tempo e intensità luminosa. In un’ottica di futura implementazione, sono stati testati diversi modelli di intelligenza artificiale per individuare l’approccio più idoneo alla previsione della shelf life della vinaccia sulla base dei parametri ambientali misurati dal dispositivo. Sono stati valutati modelli di regressione tradizionali (Linear Regression, Random Forest, Gradient Boosting e Support Vector Regression) e modelli basati su reti neurali (Multilayer Perceptron Regressor e ResNet implementate in Keras), utilizzando un dataset fittizio costruito sulla base dei sensori del dispositivo, al fine di condurre un’analisi preliminare e individuare il modello di intelligenza artificiale più idoneo alla futura integrazione nel sistema. I risultati hanno evidenziato che la rete neurale Multilayer Perceptron Regressor implementata in Keras, con due strati nascosti, ha fornito le migliori prestazioni predittive complessive (R² = 0,864, MAE = 2,33, MSE = 9,22). Successivamente, è stato introdotto il contenuto di antocianine come parametro aggiuntivo di qualità, ipotizzato come indicatore chimico del degrado della vinaccia nel tempo. L’analisi esplorativa ha mostrato una forte correlazione positiva tra il livello di antocianine e la shelf life (r = 0,85). L’inclusione di tale variabile nel dataset fittizio ha determinato un miglioramento coerente delle prestazioni predittive dei modelli; in particolare, la rete neurale MLP in Keras ha raggiunto valori pari a R² = 0,890, MAE = 1,23 e MSE = 3,81. L’analisi bootstrap ha evidenziato una tendenza sistematica al miglioramento delle prestazioni in presenza della variabile “antocianine”, sebbene con livelli di significatività statistica prossimi alla soglia convenzionale (p compreso tra 0,06 e 0,12). Nel complesso, i risultati suggeriscono che l’integrazione di modelli di intelligenza artificiale e di parametri chimici aggiuntivi, come il contenuto di antocianine, possa migliorare l’efficacia dei sistemi di monitoraggio della vinaccia, fornendo una base solida per lo sviluppo di tecnologie dedicate alla valorizzazione sostenibile dei sottoprodotti vitivinicoli.