机器学习与响应面方法在凝乳诱导胶束酪蛋白浓缩凝胶pH及盐扩散系数预测中的比较应用

这篇研究比较了机器学习（ML）技术（包括人工神经网络ANN、支持向量机SVM、高斯过程回归GPR和自助森林）与响应面方法（RSM）在预测凝乳诱导胶束酪蛋白浓缩（MCC）凝胶的盐扩散系数和最终pH中的性能。结果表明，GPR和SVM在数据有限条件下表现最优（R2达0.9976和0.9911），显著优于传统RSM（R2=0.94），为乳制品工业的盐渍工艺优化提供了高效建模工具。

　　

引言

奶酪制造中盐扩散和pH调控对产品质量至关重要，但传统机械模型难以捕捉多变量间的复杂相互作用。本研究首次系统比较了机器学习（ML）与响应面方法（RSM）在凝乳诱导胶束酪蛋白浓缩（MCC）凝胶体系中的预测性能，为乳制品工业提供数据驱动的优化方案。

材料与方法

实验通过调控四个关键变量：盐渍温度（10–40°C）、MCC浓度（7.5–15%）、钙含量（0–0.5%）和葡萄糖酸-δ-内酯（GDL，0–2%），构建了243组数据集。RSM采用线性至立方模型拟合，而ML模型（ANN、SVM、GPR、自助森林）通过JMP Pro软件优化，以R²、均方根误差（RMSE）和平均绝对误差（MAE）评估性能。

主要发现

盐扩散系数预测：GPR表现最佳（R²=0.9976），其次是SVM（R²=0.9911）。ANN因数据量限制表现中等（R²=0.8128），而RSM的二次模型R²为0.85。盐扩散受蛋白浓度和温度交互作用显著，低温（10°C）与高蛋白（15%）组合扩散速率最高（8.58×10^?10 m²/s）。

pH预测：GPR和SVM同样领先（R²≈0.985），优于ANN（R²=0.9852）和RSM线性模型（R²=0.94）。GDL添加对pH降低贡献最大，钙含量则通过影响凝胶网络结构间接调控扩散。

工业意义

研究证实，基于核方法的模型（SVM、GPR）在数据稀缺的乳制品体系中具有显著优势，可整合至过程分析技术（PAT）中，实现奶酪生产的精准控制。例如，GPR的贝叶斯特性支持不确定性量化，而自助森林提供可解释的变量重要性排序，两者互补性强。

结论

RSM适合初步实验设计，而GPR和SVM在复杂非线性预测中更具优势。未来可探索混合建模框架，结合RSM的直观性与ML的高精度，推动乳制品制造向智能化发展。