基于机器学习的工业温度下酸奶发酵过程中微生物生长与酸化预测模型研究

本研究针对酸奶工业化生产中微生物生长和酸化过程预测精度不足的问题，创新性地构建了整合长短期记忆网络（LSTM）和支持向量回归（SVR）的混合机器学习框架。通过37-45°C多温度梯度实验验证，该模型较传统Gompertz模型降低RMSE达86%，为实时发酵监控和智能控制提供了新范式。

　　

在追求健康饮食的当代社会，酸奶作为富含益生菌的发酵乳制品广受青睐。然而工业化生产中，温度波动导致的发酵过程不稳定始终是行业痛点——传统Gompertz等生长模型难以准确预测动态环境下微生物的复杂行为，致使批次差异大、产品合格率低。更棘手的是，嗜热链球菌（ST）和保加利亚乳杆菌（LB）这对"黄金搭档"的共生关系会随温度变化产生微妙波动，直接影响最终产品的口感、质地和保质期。

面对这一挑战，泰国玛希隆大学（Mahidol University）工程学院的研究团队另辟蹊径，将人工智能引入传统发酵工程领域。他们创新性地设计出"双引擎"预测系统：用长短期记忆网络（LSTM）捕捉微生物生长的时序特征，以支持向量回归（SVR）解码pH变化的非线性规律。这项发表于《LWT》的研究，犹如为酸奶生产线装上了"智能导航"，让原本"黑箱"般的发酵过程变得可预测、可调控。

研究团队采用多温度平行实验设计（37°C/41°C/45°C），通过10次生物重复获取稳健数据。关键技术包括：LSTM动态加权整合Gompertz/Logistic/Baranyi三类经典生长模型；SVR采用径向基核函数（RBF）建模酸化曲线；基于RMSE和R²的模型验证体系；以及涵盖ST/LB单菌与混菌的发酵对照实验。

【温度对生长和酸化的影响】

通过热图分析和箱线图展示发现：ST在45°C时μ_max提升23%（0.138 h^-1），而LB在41°C呈现最高生长速率（0.248 h^-1）。pH监测揭示温度每升高4°C，LB酸化速率提升84%，印证其作为"主力产酸菌"的地位。

【生长预测模型】

创新的混合LSTM模型在37°C/41°C表现惊艳，对ST预测的RMSE低至0.0062（R²=0.9971）。其独特优势在于能动态调整模型权重——指数生长期Gompertz权重达0.947，平稳期则切换至Baranyi模型（权重0.921）。

【pH预测模型】

SVR在全部温度条件下碾压传统模型，对LB的pH预测精度达RMSE=0.0094。参数分析显示45°C时LB的μ_max飙升至0.561 h^-1，而Weibull形状参数n稳定在1.60±0.15，揭示高温下更陡峭的酸化曲线。

【比较性能与实际意义】

相较于经典方法，混合模型将ST生长预测误差降低57%，pH预测误差锐减86%。这种提升在37°C亚优条件下尤为显著，恰弥补了传统模型在非理想温度区的短板。

该研究突破性地证明：在41°C工业常用温度区，LSTM-SVR混合框架能精准捕捉微生物的"温度-生长-酸化"三维关系。其价值不仅在于预测精度提升，更开创了"经典模型保解释性+机器学习增适应性"的新范式。随着物联网传感器普及，这套系统可望升级为实时发酵"智慧大脑"，助力乳企实现从"经验驱动"到"数据驱动"的质变。未来若结合代谢组学数据，或将进一步解锁风味物质合成的调控密码，为功能性酸奶研发提供新思路。