Brewing a better espresso, with a shot of math

ENG: Mathematicians, physicists, and materials experts might not spring to mind as the first people to consult about whether you are brewing your coffee right. But a team of such researchers from around the globe — the United States, the United Kingdom, Ireland, Australia, and Switzerland — are challenging common espresso wisdom, finding that fewer coffee beans, ground more coarsely, are the key to a drink that is cheaper to make, more consistent from shot to shot, and just as strong.

espresso

Though lots of factors are involved, the norm for brewing an espresso shot is to grind a relatively large amount of coffee beans (~20 grams) almost as finely as possible. The fine grind, common sense goes, means more surface area exposed to the brewing liquid, which ought to boost extraction yield — the fraction of the ground coffee that actually dissolves and ends up in the final drink.

But when the researchers put together a mathematical model to explain the extraction yield based on the factors under a barista’s control — options such as the masses of water and dry coffee, the fineness or coarseness of the grounds, and the water pressure — and compared its predictions to brewing experiments, it became clear that the real relationship was more complicated. Grinding as finely as the industry standard clogged the coffee bed, reducing extraction yield, wasting raw material, and introducing variation in taste by sampling some grounds and missing others entirely.

Boosting the extraction yield through one or more of the routes illustrated by the model could also lead to economic gains for cafes and to sustainability benefits for the coffee industry as a whole. For example, at the current price of roasted coffee beans, dropping the mass of dry coffee from 20 grams to 15 grams per drink would add up to savings of a few thousand dollars per year for a small cafe, and $1.1 billion per year if scaled up to the whole US coffee industry. Being more efficient with coffee bean usage would also reduce waste at a time when coffee supply is under threat from changing climate in historic production areas.

RO: Matematicienii, fizicienii și experții în materiale s-ar putea să nu vă vină în minte ca fiind primele persoane pe care să le consultați pentru a afla dacă vă preparați corect cafeaua. Dar o echipă de cercetători din întreaga lume – Statele Unite, Marea Britanie, Irlanda, Australia și Elveția – contestă înțelepciunea obișnuită în materie de espresso, descoperind că un număr mai mic de boabe de cafea, măcinate mai grosier, reprezintă cheia pentru o băutură mai ieftină, mai consistentă de la o doză la alta și la fel de tare.

Deși sunt implicați o mulțime de factori, norma pentru prepararea unei doze de espresso este de a măcina o cantitate relativ mare de boabe de cafea (~20 de grame) aproape cât mai fin posibil. O măcinare fină, conform bunului simț, înseamnă o suprafață mai mare expusă lichidului de preparare, ceea ce ar trebui să sporească randamentul de extracție – fracțiunea de cafea măcinată care se dizolvă efectiv și ajunge în băutura finală.

Dar atunci când cercetătorii au creat un model matematic pentru a explica randamentul de extracție pe baza factorilor aflați sub controlul barmanului – opțiuni precum masele de apă și de cafea uscată, finețea sau grosimea zațului și presiunea apei – și au comparat previziunile sale cu experimentele de preparare a berii, a devenit clar că relația reală era mai complicată. Măcinarea atât de fină precum standardul industriei a înfundat patul de cafea, reducând randamentul de extracție, irosind materia primă și introducând variații în gust prin prelevarea unor boabe și lipsa totală a altora.

Sporirea randamentului de extracție prin una sau mai multe dintre căile ilustrate de model ar putea duce, de asemenea, la câștiguri economice pentru cafenele și la beneficii de durabilitate pentru industria cafelei în ansamblu. De exemplu, la prețul actual al boabelor de cafea prăjite, reducerea masei de cafea uscată de la 20 de grame la 15 grame pe băutură ar însemna economii de câteva mii de dolari pe an pentru o cafenea mică și de 1,1 miliarde de dolari pe an dacă ar fi extinsă la întreaga industrie a cafelei din SUA. O utilizare mai eficientă a boabelor de cafea ar reduce, de asemenea, risipa, într-un moment în care aprovizionarea cu cafea este amenințată de schimbările climatice din zonele istorice de producție.

Source (Cell Press. “Brewing a better espresso, with a shot of math.” ScienceDaily. ScienceDaily, 22 January 2020.)

Paper: Michael I. Cameron, Dechen Morisco, Daniel Hofstetter, Erol Uman, Justin Wilkinson, Zachary C. Kennedy, Sean A. Fontenot, William T. Lee, Christopher H. Hendon, Jamie M. Foster. Systematically Improving Espresso: Insights from Mathematical Modeling and ExperimentMatter, 2020; DOI: 10.1016/j.matt.2019.12.019

Recunoașterea internațională a cercetării și inovării din Universitatea Tehnică din Cluj-Napoca (The Champions League of Autonomous Driving)

Articol preluat de pe site-ul Universității Tehnice din Cluj-Napoca

În tehnologia prezentului, funcțiile de asistare a conducerii precum “Lane Assist” și “Adaptive Cruise Control (ACC)” garantează o siguranță mai mare atunci când se circulă pe autostrăzi sau străzi principale. Conducerea autonomă, în special în zone urbane, reprezintă o provocare complet diferită. Provocările sunt mult mai numeroase și dificil de soluționat. În cadrul proiectului „Automated Urban Parking and Driving – UP-Drive”, de tip Orizont 2020, finanțat de Comisia Europeană, membrii consorțiului format din Volkswagen AG, Universitatea Tehnică din Cluj-Napoca (UTCN) Universitatea Tehnică din Praga, ETH Zurich și IBM Research Zurich, au colaborat pentru a oferi o soluție conducerii autonome în mediul urban.

Acest consorțiu format din companii și universități și-a propus să accelereze dezvoltarea
conducerii autonome – investigând, propunând și utilizând soluții bazate pe noile soluții
din domeniul inteligenței artificiale (AI). Arhitectura soluției propuse include: un vehicul electric dotat cu senzorii și actuatorii necesari pentru controlul digital dezvoltat de Volkswagen; infrastructura de comunicație necesară includerii vehiculului într-un sistem de tip „cloud” pentru întreținerea și utilizarea continuă a hărții detaliate a mediului dezvoltat de IBM Zurich; modulul de percepție senzorială având rolul furnizării unei descrieri 3D a mediului dezvoltat de UTCN; modulul de localizare și mapare continuă dezvoltat de ETH Zurich; modulul de înțelegere a scenei dezvoltat de UT Praga și modulul de planificare și navigare dezvoltat de Volkswagen.

Responsabilitatea specifică a UTCN în cadrul proiectului a fost percepția senzorială pentru crearea unei reprezentări 3D a mediului. Această reprezentare este folosită atât de modulele de localizare și înțelegere a scenei cât și direct de modulul de planificare și navigare.

Echipa de cercetare din cadrul UTCN a dezvoltat o soluție originală de percepție cu următoarele caracteristici importante: calibrare de mare acuratețe, acoperire senzorială de 360 grade, acoperire senzorială redundantă cu senzori de tip camere color, RADAR-e și LiDAR-e, redundanță algoritmică, utilizarea metodelor de învățare profundă pentru obținerea unor algoritmi mai robuști.

O contribuție importantă adusă de UTCN a fost definirea și implementarea unei reprezentări intermediare a mediului prin fuziunea datelor geometrice furnizate de senzorii 3D cu informația semantică extrasă din imagini obținându-se astfel un nor de puncte 3D semantic. Această reprezentare permite implementarea unor soluții de  detecție, clasificare și urmărire a obiectelor în spațiul 3D superioare calitativ soluțiilor bazate pe senzorii individuali sau soluțiilor bazate pe fuziunea detecțiilor senzorilor individuali.

O altă contribuție importantă se referă la studiul, dezvoltarea și utilizarea metodelor de învățare profundă, cunoscute si sub numele de „Deep Learning”, pentru implementarea algoritmilor de segmentare semantică, detecție și clasificare a obiectelor în spațiul 2D furnizând astfel informație semantică de calitate pentru asocierea cu informația geometrică furnizată de senzorii 3D.

Proiectarea, implementarea, testarea, validarea și integrarea sistemului de percepție pe vehicul cu satisfacerea cerințelor de acuratețe și timp real a permis atingerea obiectivelor proiectului prin materializarea și experimentarea vehiculului autonom. În 27 noiembrie 2019 la Wolfsburg, Germania a avut loc prezentarea publica a vehiculului. O sinteză a evenimentului este disponibilă pe youtube.

Grupul Volkswagen în articolul publicat pe site-ul propriu cataloghează realizarea ca intrarea consorțiului în „The Champions League of Autonomous Driving”. Activitatea de cercetare a UTCN a fost desfășurată în cadrul Centrului de Cercetare pentru Procesare de Imagine si Recunoașterea Formelor, din cadrul Departamentului de Calculatoare al Facultății de Automatică și Calculatoare, sub îndrumarea Prof. Dr. Ing. Sergiu Nedevschi.

Echipa de cercetători a fost formată din: Conf. Dr. Ing. Florin Oniga, Conf. Dr. Ing. Tiberiu Marița, Conf. Dr. Mat. Ioan Radu Peter, S.L. Dr. Ing. Ion Giosan, S.L. Dr. Ing. Robert Varga, Dr. Ing. Arthur Costea, Drd ing. Andra Petrovai, Drd. ing. Flaviu Vancea, Drd ing. Horațiu Florea, Drd. Ing. Vlad Miclea, Drd. Ing. Mircea Paul Mureșan, Drd. ing. Zelia Blaga si masterand ing. Selma Goga.