基于理论与数据耦合的液滴干燥与外壳形成模型研究：以沙枣低纤维提取物为例

本研究针对高糖含量液滴干燥过程中因弹性外壳形成导致的动力学预测难题，结合机器学习与理论建模，开发了可精准预测干燥历史与外壳演变的耦合模型。以沙枣低纤维提取物（OLFE）为案例，验证了模型在粒径、干燥时间及外壳尺寸预测中的高准确性，为喷雾干燥工艺优化与封装颗粒设计提供了新范式。

　　

在食品、制药及化工行业中，喷雾干燥技术广泛应用于将液态物料转化为粉末产品，其核心过程涉及液滴的干燥与固体外壳的形成。然而，对于高糖含量（high sugar content）的物料，如植物提取物，干燥过程中易形成弹性且不透性的外壳（impermeable crust），导致液滴内部蒸汽积聚、体积膨胀（inflation），甚至破裂，最终影响产品品质和工艺效率。传统理论模型难以准确预测此类复杂行为，而完全依赖实验试错又成本高昂、周期漫长。因此，开发一种能够耦合理论机理与数据驱动方法的预测模型，成为解决这一行业痛点的关键。

近日发表于《Measurement: Food》的一项研究，以沙枣低纤维提取物（Oleaster Low-Fibrous Extract, OLFE）为模型物料，提出了一种理论-数据双驱动的耦合模型，成功预测了液滴干燥历史与外壳形成过程。该研究由伊朗科学技术大学机械工程学院的Sajad Jabari Neek、Mohammad Javad Ziabakhsh Ganji和Hojat Ghassemi合作完成，通过引入机器学习辅助的边界条件与六条件外壳演化模型（6-condition shell evolution model），显著提升了预测精度与适用性。

为开展本研究，作者主要采用了以下关键技术方法：首先，通过实验测定OLFE液滴在不同环境温度、初始直径和浓度下的干燥动力学数据，构建训练与验证数据集；其次，建立基于传热传质理论的干燥过程微分方程模型；第三，将机器学习学习到的边界条件嵌入理论框架，实现对壳层形成、膨胀等关键行为的预测；最后，通过实验数据对模型预测结果进行验证，评估其准确性。

模型构建与实验设计

研究人员建立了描述液滴干燥过程的偏微分方程系统，涵盖水分蒸发、热量传递和壳层演化。模型充分考虑了高糖物料特有的外壳弹性与不透性特性，并引入了六个关键条件（如壳层形成时间、厚度增长规律等）以描述壳层动态演变。此外，借助机器学习方法从实验数据中学习边界条件与参数关系，增强了模型对复杂实际情形的适应性。

干燥动力学与壳层形成预测

模型成功预测了不同条件下液滴直径变化、干燥时间及最终壳层厚度。结果表明，较高的环境温度显著加速干燥进程，并使壳层更早形成；较大的初始液滴直径则延长干燥时间，并导致最终壳层更厚；而较高的初始浓度增强了外壳的不透性和机械强度，有利于形成更完整的封装结构。

模型验证与准确性分析

通过对比实验测量值与模型预测值，研究发现该耦合模型在预测干燥曲线、壳层形成点及膨胀行为方面表现出高度一致性。尤其是在高糖、易形成弹性外壳的OLFE体系中，模型预测误差显著低于传统理论方法，证明了其在实际应用中的可靠性与优越性。

讨论与意义

该研究通过理论-数据耦合建模，有效解决了高糖液滴干燥过程中因外壳形成而引发的预测难题。模型不仅适用于OLFE体系，还可推广至其他易形成不透性外壳的物料，如果汁、糖浆、生物制剂等。其在喷雾干燥、微粒封装、食品加工等领域具有广阔应用前景，能够减少对大量实验试错的依赖，提升工艺设计效率与产品质量控制水平。此外，该研究为复杂多相干燥过程的模拟提供了新思路，突出了机器学习与传统机理模型结合在解决工程问题中的巨大潜力。

研究结论强调，该耦合模型为液滴干燥过程提供了一种高效、准确的预测工具，尤其适用于处理高糖含量、易形成弹性外壳的体系。通过量化环境温度、初始直径与浓度对干燥动力学与壳层特性的影响，为工业干燥工艺的优化与颗粒产品设计提供了科学依据与实践指导。