《Frontiers in Food Science and Technology》：From solar heat to digital drying: integrating computational fluid dynamics, process optimisation, and digital twins for sustainable tuber-chip drying
编辑推荐：
木薯、山药和甘薯等根茎类作物是热带粮食系统的核心组成部分，但由于其高含水量，采后劣变风险极高。太阳能干燥为产品稳定化提供了一条可再生途径，然而实际性能受制于波动性天气、非均匀气流、空间温度和湿度梯度、物料装载量以及外部对流与内部水分传输之间的强耦合效应。本结构
木薯、山药和甘薯等根茎类作物是热带粮食系统的核心组成部分，但由于其高含水量，采后劣变风险极高。太阳能干燥为产品稳定化提供了一条可再生途径，然而实际性能受制于波动性天气、非均匀气流、空间温度和湿度梯度、物料装载量以及外部对流与内部水分传输之间的强耦合效应。本结构化叙述性小型综述（mini-review），遵循SANRA和PRISMA报告原则，综合了主动式太阳能干燥、计算流体力学（computational fluid dynamics, CFD）、实验验证、响应面与多目标优化、人工智能（artificial intelligence, AI）、传感器系统以及薯类切片加工数字孪生等方面的证据。研究检索了六个数据库，依据明确纳入标准对文献进行筛选，并将45篇引用文献逐一按其与薯类切片干燥的关联性进行分类，从而将薯类特异性证据与从其他食品及干燥机型迁移而来的证据加以区分。45篇文献中仅12篇为薯类特异性研究，集中于山药干燥动力学、木薯干燥机性能以及一项甘薯太阳能干燥的机器学习与4E集成研究。在所汇集的证据中，CFD验证、稳健优化、代理建模及数字孪生架构主要迁移自其他产品、空载系统或非薯类体系。文献报道的山药有效水分扩散系数跨度约为6.4 × 10?9至1.6 × 10?7 m2·s-1（水山药最高可达4.2 × 10?8 m2·s-1）；一项甘薯间接式太阳能干燥器实现了15%的整体热效率、每去除1 kg水分消耗4.5 kWh的比能耗以及29个月的投资回收期；一项CFD–ANN–遗传算法框架对空载气流和温度场的复现误差在7.3%以内。由于上述数值来源于不同干燥器、不同产品及不同指标定义，本研究对其进行了批判性比较而非简单排序。证据表明，CFD在解析无法由进出口测量推断的空间输运现象时最具价值，而AI在加速经过验证的物理模型而非替代物理模型时最具合理性。研究提出了一项优先研究议程，从薯类特异性物性数据和经产品含水率验证的装载干燥器CFD开始，逐步推进至稳健优化、经验证的代理模型、数字影子（digital shadow）以及面向木薯、山药和甘薯切片的多维可持续性评估。
主体内容总结
1 引言
干燥是农业和食品加工中最关键的保藏操作之一，其通过去除水分抑制微生物生长、减缓生化劣变、降低运输质量并提高储存稳定性。该过程受同时发生的热量和质量传递支配，性能取决于干燥空气温度、气流、相对湿度、物料几何形状、水分扩散率及变化的热物性参数，而非仅取决于温度。木薯（Manihot esculenta）、山药（Dioscorea spp.）和甘薯（Ipomoea batatas）因其高含水量和快速采后劣变而对稳定化需求尤为迫切。开放日晒干燥虽直接能源成本低，但受粉尘、虫害、回潮、波动天气及温湿度控制不良等影响，可重复性差。封闭式太阳能干燥器保留了可再生能源优势同时改善过程控制。强制对流系统可进一步强化热质传递，但其行为取决于集热器性能、风机系统匹配、干燥室几何结构、托盘阻力、产品装载量及瞬态太阳输入。核心工程难点在于空间非均匀性：进入多托盘干燥室的气流可能绕过部分物料床层、在角落形成回流，或造成托盘间速度、温度、湿度和对流传递的显著差异。CFD通过数值求解质量、动量、能量及组分和水分输运方程，可解析此类空间非均匀性。当前正从离线仿真向智能干燥过渡，统计优化、机器学习、传感器融合和数字孪生有望将验证过的过程模型转化为快速预测和自适应控制。本综述提出核心命题：计算复杂性应服从而非先于物理可信性——产品属性和干燥动力学须为CFD提供输入；CFD须经数值验证和实验验证；优化须经实验确认；AI和数字孪生控制应建立在验证基础上。综述设定五项明确目标：综合薯类特异性干燥物理与动力学；评估CFD、数值验证和实验验证如何解析限制太阳能干燥器性能的空间非均匀性；批判性比较响应面与多目标优化、机器学习和数字孪生方法；审视能量、?、经济、环境和质量证据；识别并优先排序研究空白。
2 方法论
本综述采用结构化叙述性小型综述设计，依据SANRA和PRISMA原则保证报告透明度。检索了六个数据库：Scopus、Web of Science Core Collection、ScienceDirect、PubMed/MEDLINE、IEEE Xplore和Google Scholar。检索词组织为五个概念模块（薯类作物；干燥技术；CFD与输运建模；优化与数字化；可持续性），通过两组互补检索策略执行：S1针对薯类特异性证据，S2有意省略薯类术语以识别可迁移的计算、优化和控制方法。检索具有迭代性，最近更新于2026年，无下限日期限制。纳入标准涵盖薯类干燥、太阳能干燥器设计、CFD方法、数值验证、实验验证、干燥动力学、能量或?评估、统计优化、AI、传感、数字孪生及放大研究。非薯类产品研究仅在提供可迁移方法时保留。筛选分两阶段进行，最终形成45篇引用文献的证据库，每篇按与薯类切片干燥的关系分为五类：薯类特异性原始证据（T1，10篇）、薯类特异性综述（T2，2篇）、迁移性太阳能干燥器/CFD证据（X1，17篇）、迁移性AI/优化/数字孪生方法（X2，6篇）和基础理论与报告指南（F，10篇）。批判性评估为定性且SANRA导向，关注产品与干燥器类型、装载状态、验证变量与条件、不确定性报告及指标可比性。数据按主题综合而非定量合并，数值并列呈现仅为说明规模，不进行排序。
3 综述文献中应用的统计与分析方法
所综述文献依赖一组常见统计与分析工具。水分损失动力学通常以薄层半经验模型拟合，以决定系数（R2）、均方根误差（RMSE）、误差平方和（SSE）、约化卡方（χ2）和平均绝对误差（MAE）作为拟合优度指标。有效水分扩散率由菲克第二定律应用于降速期估算，活化能随后由扩散率与干燥空气温度间的阿伦尼乌斯型关系导出。过程优化研究采用基于中心复合或Box–Behnken实验设计的响应面方法，以方差分析（ANOVA）检验因子显著性、交互项和失拟项。机器学习和数字孪生研究以预测精度指标（R2、相对RMSE、平均偏差误差、平均绝对百分比误差）及CFD预测与独立实验测量的误差对比进行扩展评估。这些统计方法源于原始研究而非新的合并计算，故仅作描述性报告，未对纳入文献进行元分析或合并统计检验。
4 薯类切片干燥作为耦合的生物与输运过程
4.1 产品属性、动力学与水分输运
根茎类组织是异质性生物材料，其干燥行为反映组成、细胞结构、孔隙率、淀粉含量、初始水分、密度、热容、导热系数和收缩特性。将通用恒定食品属性赋予薯类切片可能适用于初步气流研究，但当CFD需预测局部水分或质量时则问题显著。降速期主导多数薯类干燥过程，内部水分输运日益重要。薄层模型提供时间水分损失的实用描述，有效扩散率则为菲克近似提供输运参数。山药实验表明干燥温度、相对湿度、气流速度和切片厚度对水分比、有效扩散率、内部温度和复水行为有显著影响。报道的山药有效水分扩散率跨度超过一个数量级，约6.4 × 10?9至1.6 × 10?7 m2·s-1，活化能11–55 kJ·mol-1，水山药最高达4.2 × 10?8 m2·s-1。该跨度难以仅归因于物种差异，温度范围、切片厚度、气流速度、菲克解中假定的几何形状及收缩处理方式均可能有贡献。扩散率应视为方法和条件特异性参数而非物种常数。
4.2 木薯、山药和甘薯的作物特异性影响
木薯切片收获后需快速稳定化，其干燥响应强烈依赖气流、热条件、产品厚度和干燥器配置。所汇集的木薯证据主要为干燥器性能评估，未识别到木薯特异性CFD或扩散率研究。山药是过程强化与产品质量权衡的典型模型：提高温度加速水分去除并可增加有效扩散率，但相同热暴露可改变面粉功能性和理化属性。山药是三种作物中动力学证据最详尽的，但所引研究均在受控对流干燥器中开展，波动太阳能输入未在该证据中体现。甘薯因品种依赖性糖分、色素、淀粉和细胞结构影响褐变、质构、营养保留、收缩和复水。一项间接太阳能干燥研究将甘薯干燥与机器学习和4E分析结合，是证据库中唯一在太阳能干燥器中对薯类作物实现此整合的研究，但仅描述单一系统和作物。三种作物中薯类特异性证据（T1和T2类）占45篇引用文献中的12篇，集中于山药实验室对流干燥动力学、木薯干燥器性能及一项甘薯太阳能集成研究。
5 主动式太阳能干燥器与CFD驱动的设计
5.1 太阳能捕获、强制对流与干燥室设计
太阳能干燥器可为直接式、间接式、混合模式或混合式，气流由自然或机械驱动。主动系统使用风机或鼓风机施加气流，改善可控性但增加压降和电能消耗。近期综述强调蓄热、混合加热、改进集热器、光伏集成和主动控制是延长有效干燥时段的主要途径，但这些综述面向果蔬、鱼类和农产品而非薯类切片，属于迁移证据。薯类切片干燥室设计须在最小旁通和可接受压降条件下将热空气均匀分布于托盘和物料床层。空载行为与装载运行差异显著，多孔介质表征是计算可行的折中方案，但阻力系数应有实验支撑。集热器优化不应将高出口温度等同于优越性能，有效热量取决于质量流量与温升的联合，干燥室需足够流量以输送显热和蒸发水分，故集热器、风机、风道、干燥室、托盘和产品装载应视为耦合流动网络。
5.2 CFD公式、数值验证与物理真实性
CFD可提供无法由少量进出口测量可靠重构的速度、压力、温度、湍流和水蒸气场的空间信息。常见雷诺平均湍流模型包括标准、RNG和可实现k-epsilon模型及k-omega SST。文献不支持某一模型普遍最优，模型选择应反映预期流动物理并在结论对湍流公式敏感时进行测试。高质量CFD要求几何、网格、材料属性、边界条件、辐射处理、产品装载、离散化、收敛准则和守恒检查共同保证数值可信性。网格无关性分析是验证步骤，与实测温度、速度、湿度或干燥曲线的吻合是确认步骤，二者不应混淆。实验–数值研究表明直接在物理系统中检验CFD预测改进的价值。近期CFD辅助原型设计（石榴籽粒）展示了可迁移的转化逻辑：数值设计识别输运限制，最终工程主张锚定于物理实现和实测性能。
5.3 CFD验证实践的批判性比较
所引CFD研究的差异主要在验证对象、验证基准和装载条件。可区分三级验证严格性：第一级将模拟气流和温度与空载干燥室测量比较，如CFD–ANN–遗传算法研究实现7.3%误差；第二级检验CFD预测的设计改进是否在物理系统中产生预期改进；第三级将数值设计推进至物理原型并评估实测性能。综述一致强调真实材料属性、实验验证及网格无关性和收敛性报告的一致性，但作为二手来源不确立薯类切片的CFD准确性。7.3%误差不应视为通用精度基准，其仅适用于特定干燥器的空载气流和温度场，且百分比误差依赖变量、测量位置和误差定义。空载一致性不检验薯类切片最关键的产品水分、湿度、蒸发冷却和装载床层流动阻力。所汇集的证据未包含经产品水分和质量验证的薯类切片装载CFD研究。
6 实验验证与过程优化
6.1 验证作为证据门槛
干燥器模型应针对其声称预测的变量进行验证。仅温度验证不足以支撑作为干燥模型呈现的模型，若湿度、产品水分或蒸发是所述机制的核心。验证应从气流和温度推进至水分轨迹及可行的产品质量指标。传感器布置应依据预期空间梯度，涵盖入口、回流区、托盘中心和边缘、下游位置及排气口。模型精度应以直接误差指标（RMSE、MAE、相对误差或MAPE）报告，而非仅依赖R2。校准、验证和独立测试应在数据允许时分离。仪器不确定性同样重要，预测与实验的一致性应结合测量精度解读，尤其对湿度和低速气流。
6.2 RSM与多目标优化
物理模型验证后，响应面方法可高效映射适度数量操作和设计变量的交互。Box–Behnken和中心复合设计仍是构建二次响应面和减少实验或计算案例数的成熟方法，该指导主要源自分析化学、食品分析和通用实验设计。薯类切片太阳能干燥的候选因子包括气流速度、干燥空气温度、切片厚度、装载密度、托盘间距、集热器几何和蓄热设置。响应应超越干燥时间，延伸至水分均匀性、能耗、压降、质量和热力学效率。下一步方法是稳健而非名义优化，不确定性感知RSM（薄苹果片）展示了以变异性约束工艺设置的方法，对户外太阳能干燥尤为重要。
6.3 优化方法的批判性比较
所引文献出现四类优化方法。响应面方法在因子数适度且每次实验或仿真成本高时高效，但描述设计空间有限区域且名义应用时忽略天气和批次变异性。太阳能干燥器的多目标和热力学优化显式处理性能判据间权衡，但最优设置不能假定适用于质量响应不同的薯类切片。仿真驱动代理优化（CFD–ANN–遗传算法）训练后可低成本探索更宽设计空间，但其最优值可信度受限于生成训练数据的CFD模型（该研究仅空载验证）。不确定性感知约束机器学习RSM是唯一将变异性作为设计约束的方法，但仅在受控对流干燥的苹果片上展示。各研究目标函数不同，最优值不可直接比较。确认性实验是接受任何最优值的最低标准，四类方法均未在证据库中证明能为薯类切片太阳能干燥提供稳健且实验确认的最优值。
7 人工智能、机器学习与数字孪生
7.1 AI作为验证干燥科学的加速器
机器学习日益用于从过程变量的非线性组合预测水分比、干燥时间、能耗和质量。智能食品干燥综述描述人工神经网络、树集成、支持向量、模糊系统和深度学习在监测和控制中的重要性。薯类干燥中，ANFIS对山药水分动力学展示强预测能力，机器学习分析直接应用于甘薯间接太阳能干燥。机器学习角色应谨慎定义：时间相关干燥测量的随机分割可泄漏训练与测试集间信息，产生乐观性能。更可辩护的评估是留出完整干燥批次、操作条件或作物。模型应对比更简单的薄层、线性或响应面模型后再证明额外复杂性合理。代理建模是特别有前景的策略：高保真CFD生成空间丰富训练数据，机器学习模型近似CFD响应以支持优化或在线预测。
7.2 从数字模型到数字孪生
数字孪生不等同于离线仿真，要求物理干燥器与虚拟表征间的运行连接，以及数据更新、状态估计、预测和决策或控制功能。食品干燥数字孪生研究尚处早期，但概念架构渐清晰：传感器观测过程，机理或混合模型估计隐藏状态，代理预测未来行为，优化选择动作，物理响应更新模型。实时可行性是主要约束，瞬态多物理场CFD通常过慢。区域感知图神经网络通过保留空间结构而非将干燥器简化为少量标量平均值来解决此问题。智能太阳能干燥研究强调自动化、通信、远程监测和可持续性，但实施受传感器成本、维护、通信可靠性和本地技术能力制约。从数字模型到传感器连接的数字影子再到闭环数字孪生的分阶段推进比过早描述任何连接仿真为孪生更可辩护。
7.3 AI应用的批判性比较
所引AI研究在预测对象、数据来源和性能评判上各异。薯类特异性应用预测集总输出：山药对流干燥动力学的ANFIS和甘薯间接太阳能干燥的机器学习与4E分析。代理方法从基于物理的仿真学习，继承底层模型保真度。不确定性感知机器学习RSM贡献了以变异性约束最优值的不同能力。性能通常以R2、RMSE或相关误差指标总结，但数值依赖数据分割策略、数据集大小和操作范围，不能跨研究排序。薯类特异性AI证据限于上述两项研究，均不涉及闭环控制。数字孪生架构和实时空间代理迁移自其他食品。可辩护的解读是AI在预测方面展示前景，但其对薯类太阳能干燥相对于验证的基于物理或更简单统计模型的优势尚未被证明。
8 能量、?、经济、环境与质量性能
8.1 热力学、经济与环境指标
热性能应与空气动力学和水分性能并行评估。有效热量、集热器效率、整体干燥器效率、比能耗和比水分提取率描述第一定律行为，但不识别能量质量破坏位置。?分析增加第二定律视角，定位有限温差、压降、热泄漏、混合和水分传递过程相关的不可逆性。甘薯研究将机器学习与能量、?、环境和经济分析集成于一个间接太阳能干燥系统，报道15%整体热效率、每去除1 kg水分4.5 kWh比能耗和29个月经济回收期。近期综述主张太阳能干燥器评估应结合热力学、技术经济和环境指标。多维评估有助于暴露权衡：蓄热延长运行但增加成本和隐含影响；更高气流改善外部传质但增加风机能耗和压降；辅助热缩短干燥时间但降低太阳能占比。7E + Q框架将产品质量纳入能量、?、经济、环境及相关成本性能维度。分散化薯类加工中，可负担性和可维护性至关重要，生命周期和经济主张应使用明确系统边界、本地相关能源价格、现实利用率和适当避免排放基线。
8.2 报道可持续性指标的批判性比较
15%整体热效率、4.5 kWh·kg-1比能耗和29个月回收期描述一个处理甘薯的间接太阳能干燥器。58%–75%的?效率描述不同非太阳能系统中水山药的热风干燥，属第二定律量。这些数值不冲突，不应解读为一个干燥器优于另一个：它们基于不同热力学定义、参考状态、能源和系统边界。经济回收期依赖本地能源价格、利用率和被替代的基线技术，29个月数值不可不经重新计算迁移至其他情境。证据库中未发现使用共同指标集的太阳能薯类干燥器同类比较。7E + Q框架提供共同结构路径，但需一致边界和数据集方可用于系统排序。未来研究应采用最低报告集：第一定律指标及其定义和边界、?指标及参考环境、太阳能占比及辅助和风机能量来源、经济指标及能源价格和基线、环境指标及生命周期边界和避免排放基线、以及适合作物的产品质量指标。
9 挑战、知识空白与未来方向
9.1 持续存在的方法论空白
反复出现的限制不是干燥器几何提案不足，而是产品物理、验证输运建模和现场证据的整合不完整。薯类特异性热物性数据在水分和温度范围内稀疏。收缩和演化孔隙率在CFD研究和综述中常被忽略。边界条件常被简化尽管太阳输入瞬态。空载CFD可能被用于推断装载性能。网格无关性和收敛性报告不一致，验证可能限于少量温度测量。质量整合仍然薄弱，未来CFD应将局部热和水分历史与质量动力学连接。AI引入数据泄漏、小数据集、弱外部验证和跨作物迁移性差的风险。数字孪生增加传感器校准、故障检测、数据协调、不确定性感知状态估计、网络安全和安全回退控制要求。
9.2 优先研究议程
研究空白按依赖性、证据赤字和低资源环境可行性三个标准排序。优先级1为基础性空白：薯类特异性热物性、收缩和动力学数据（在太阳能相关瞬态条件下测量）以及装载干燥器CFD（经产品水分、湿度和温度验证），后者是最高杠杆空白，证据库中未识别此类研究。优先级2为近期空白：将局部热和水分历史与质量动力学连接、跨天气和批次变异的稳健优化、标准化可持续性报告。优先级3为条件性空白：严格AI评估协议、验证代理模型后数字影子再闭环数字孪生、多季节田间试验和开放基准几何与数据集。未来优化应瞄准稳健运行区域而非脆弱单点最优。气候响应模型可利用实测和预报太阳条件调度风机速度、蓄热释放或辅助热。物理信息学习可通过质量和能量守恒、有界水分和现实产品温度约束数据驱动预测。智能控制应与传统固定运行策略实验比较。开放基准几何和数据集允许在共同证据上比较湍流模型、水分公式、代理算法和控制策略。
9.3 本综述的局限性
叙述性设计、单作者筛选和定性评估引入选择偏差可能，未应用正式偏倚风险工具。仅考虑英语文献，覆盖依赖六个数据库和检索字符串。因检索迭代，各阶段记录数未记录。证据分类反映作者阅读，部分来源可合理分配不同。数字孪生和智能太阳能干燥的最相关文献非常新，包括未经广泛引用的早期访问条目。未识别研究类型的陈述描述所汇集的证据库，不应解读为不存在此类研究的证明。
10 结论
太阳能薯类干燥正从经验操作设备向集成采后工程平台演变，产品行为、可再生能源捕获、气流、水分输运、计算和过程控制被视为一个系统。薯类特异性干燥物理表明木薯、山药和甘薯干燥受组成、孔隙率、收缩和内部水分扩散支配而非仅干燥空气温度。山药有效扩散率跨度约6.4 × 10?9至1.6 × 10?7 m2·s-1（水山药最高4.2 × 10?8 m2·s-1），活化能11–55 kJ·mol-1，主要来自受控对流干燥。CFD的价值在于解析旁通、回流和托盘间梯度等空间非均匀性，其可信性依赖显式网格无关性检查和针对实测水分、湿度和温度场的验证。响应面和多目标优化可识别平衡干燥时间、均匀性、能量、压降和质量的稳健运行区域，机器学习代理和数字孪生在验证数据上训练和评估时可实现实时预测和控制。能量、?、经济、环境和质量证据表明，干燥器不因更快或太阳能驱动即真正优化，指标应在一致基础上与产品质量共同报告。薯类特异性证据仅占45篇引用文献中的12篇，最重大空白是基础性的：作物特异性热物性和动力学数据及经产品水分验证的装载干燥器CFD。整体支持单一分阶段路径：薯类特异性属性和干燥动力学为模型提供输入；CFD经数值验证和实验验证；优化、机器学习和数字孪生控制建立于验证基础并经物理确认；最终设计以可复现物理精度、稳健产品质量、可负担运行和可测量可持续性评判。
