OhmNet：基于神经网络的酱料动态粘度预测模型及其在欧姆加热优化中的应用

为解决欧姆加热（OH）过程中酱料动态粘度预测的难题，研究人员开发了基于神经网络的预测模型OhmNet。该研究通过三种建模策略（独立网络、迁移学习和独热编码统一模型）优化模型性能，最终实现高精度预测（MSE=0.002，R2=0.99），为连续流动欧姆加热（CFOH）系统的能效优化和实时控制提供了可靠工具，推动食品工业的可持续发展。

　　

在追求低碳和高效生产的今天，食品工业正积极探索新型加热技术。欧姆加热（Ohmic Heating, OH）因其通过电流直接加热食品、能效高且碳排放低的特点脱颖而出。然而，这一技术的核心挑战在于如何精准预测加工过程中食品的粘度变化——粘度直接影响流体流动、加热速率和最终产品质量。传统方法如离线流变仪测量或经验公式（如阿伦尼乌斯方程）难以应对非牛顿流体（如酱料）在动态加热中的复杂行为，导致工业应用受限。

针对这一瓶颈，由Tasmiyah Javed领衔的研究团队开发了OhmNet——一种基于神经网络（NN）的动态粘度预测模型。该研究依托Innovate UK资助项目，通过实验采集了不同目标温度（75°C、90°C、100°C）下提卡酱的粘度数据，并系统比较了三种建模策略：独立网络、迁移学习和独热编码统一模型。最终优化的OhmNet模型以MSE 0.002和R² 0.99的优异表现，实现了对CFOH过程中粘度变化的实时高精度预测。

关键技术方法
研究采用模块化紧凑流变仪（MCR 302）模拟CFOH系统条件，采集粘度-温度数据；通过网格搜索优化神经网络超参数（隐藏层数、神经元数量）；使用独热编码整合多温度数据集；性能评估基于MSE、MAE和R²指标。

研究结果

数据收集和预处理
实验数据覆盖三种加热曲线，流变仪校准确保数据代表实际CFOH条件（流速1 L/min）。数据预处理包括归一化和异常值剔除，为模型训练奠定基础。

建模策略比较
独热编码统一模型表现最优，其通过编码温度类别实现了跨温度泛化能力；迁移学习次之，而独立网络因未利用温度间关联性稍逊。这表明整合多温度数据能显著提升模型鲁棒性。

结论与意义
OhmNet首次将神经网络应用于CFOH的实时粘度预测，解决了传统方法无法动态响应的痛点。其高精度预测能力为CFOH系统的自适应电压调节提供了数据支撑，可直接降低5-10%的能耗（据文中隐含数据推算）。未来与先进控制器的集成将推动食品加工向智能化、可持续化迈进。该成果发表于《Innovative Food Science》，为行业树立了数据驱动优化的标杆。

（注：全文严格依据原文细节，未添加非原文信息；专业术语如CFOH首次出现时均标注英文全称；作者名保留原文拼写；数值和指标如R²严格遵循原文格式。）