Lograr un espresso perfecto es un problema multidimensional, donde pequeñas variaciones en la molienda, la dosis, el tiempo y la presión desencadenan cambios complejos en la extracción de compuestos químicos (ácidos, azúcares, compuestos aromáticos). Tradicionalmente, el barista dependía de la experiencia e intuición para ajustar estos parámetros. Hoy, la ciencia permite transformar este arte en un proceso cuantitativo y reproducible.

En receta.escueladecaferd.com nos apoyamos en fundamentos de física de la extracción, química de solubilidad y modelos estadísticos de predicción para proponer recetas óptimas y reducir la incertidumbre del dial-in.

1. Espresso como sistema físico: dinámica de fluidos y transferencia de masa

La extracción de espresso puede modelarse usando ecuaciones clásicas de mecánica de fluidos y transporte de masa. El flujo de agua a presión a través del café molido sigue la ley de Darcy, un principio que relaciona el caudal (Q) con la permeabilidad del lecho (k), el área (A), la viscosidad del líquido (μ) y el gradiente de presión (ΔP/L):

Q = (k·A·ΔP)/(μ·L)

Referencias:

• Petracco, M. (2005). Coffee: Recent developments. Wiley-VCH.
• Navarini, L., & Rivetti, D. (2010). Water Quality for Espresso Coffee Extraction. Food Chemistry, 122(2), 424–428. doi.org/10.1016/j.foodchem.2010.02.025

La distribución no uniforme de partículas (debida a la molienda, canalización y compactación) influye directamente en la eficiencia de extracción y la reproducibilidad. De hecho, estudios recientes han simulado la extracción usando modelos computacionales de flujo en medios porosos (véase Cameron et al., 2020).

• Cameron, D., et al. (2020). Systematically improving espresso: Insights from mathematical modeling and experiment. Matter, 2(2), 1–17. doi.org/10.1016/j.matt.2019.11.016

2. Química de la extracción: cinética y solubilidad diferencial

El espresso es un proceso de extracción diferencial: compuestos hidrosolubles (ácidos, azúcares, cafeína, lípidos, compuestos volátiles) se disuelven a diferentes velocidades dependiendo de la temperatura, el tamaño de partícula y el tiempo de contacto.
La extracción se puede dividir en tres fases principales:

• Fase inicial (0–8 s): ácidos y compuestos fácilmente solubles.
• Fase media (8–20 s): azúcares, aceites, compuestos aromáticos.
• Fase final (>20 s): compuestos más amargos y astringentes.

Referencias:

• Illy, A., & Viani, R. (2005). Espresso Coffee: The Science of Quality (2nd Ed.). Academic Press.
• Andueza, S., de Peña, M. P., & Cid, C. (2003). Chemical and sensorial characteristics of espresso coffee as affected by grinding and cup volume. Food Chemistry, 80(3), 377–382. doi.org/10.1016/S0308-8146(02)00489-7

3. Estadística y machine learning: predicción y optimización de recetas

Para modelar la relación entre parámetros (inputs) y resultados (outputs: TDS, EY, perfil sensorial), utilizamos regresión Elastic Net, que combina penalización L1 (Lasso) y L2 (Ridge). Esta técnica es especialmente adecuada para sistemas con variables correlacionadas y datasets de tamaño moderado.

• Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B, 67(2), 301–320. doi.org/10.1111/j.1467-9868.2005.00503.x

La optimización bayesiana (utilizando un proceso gaussiano con kernel RBF) permite seleccionar, tras cada shot, el siguiente conjunto de parámetros que maximiza la expectativa de mejora (Expected Improvement), acelerando la convergencia al perfil óptimo.

• Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems, 25, 2951–2959. arxiv.org/abs/1206.2944

4. Evaluación sensorial objetiva: CVA y la reducción del sesgo

Para cerrar el ciclo, incorporamos el Coffee Value Assessment de la Specialty Coffee Association (SCA, 2023), que estandariza la evaluación de atributos positivos y defectos, permitiendo usar datos sensoriales como variables cuantitativas dentro del modelo.

• SCA (2023). Coffee Value Assessment Protocol. Specialty Coffee Association. sca.coffee/research/value-assessment

Conclusión: ciencia aplicada a la barra

receta.escueladecaferd.com es el resultado de integrar mecánica de fluidos, cinética de extracción y aprendizaje estadístico, para transformar el dial-in del espresso en un proceso reproducible, cuantificable y menos dependiente del azar.

Cada café que preparas, cada dato que introduces, alimenta un ciclo virtuoso de aprendizaje automático y mejora continua.

¿Quieres profundizar más?
En las próximas entradas, mostraremos cómo la app implementa estos modelos y presentaremos ejemplos prácticos de optimización real, con visualizaciones de datos y código abierto para la comunidad.

Referencias citadas:

1. Petracco, M. (2005). Coffee: Recent developments. Wiley-VCH.
2. Navarini, L., & Rivetti, D. (2010). Water Quality for Espresso Coffee Extraction. Food Chemistry, 122(2), 424–428. Enlace
3. Cameron, D., et al. (2020). Systematically improving espresso: Insights from mathematical modeling and experiment. Matter, 2(2), 1–17. Enlace
4. Illy, A., & Viani, R. (2005). Espresso Coffee: The Science of Quality (2nd Ed.). Academic Press.
5. Andueza, S., de Peña, M. P., & Cid, C. (2003). Chemical and sensorial characteristics of espresso coffee as affected by grinding and cup volume. Food Chemistry, 80(3), 377–382. Enlace
6. Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B, 67(2), 301–320. Enlace
7. Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems, 25, 2951–2959. Enlace
8. SCA (2023). Coffee Value Assessment Protocol. Specialty Coffee Association. Enlace