综述：机器学习增强的消费前食品加工副流萃取动力学物理建模：证据、可识别性与混合框架

《Food Biophysics》：Machine-Learning-Augmented Physics-Based Modelling of Extraction Kinetics in Pre-Consumer Food-Processing Side Streams: Evidence, Identifiability and Hybrid Frameworks

　　

摘要

食品加工副流是各种非均质固体，其中润湿、释放、内外传质以及化学变化可能会重叠。这篇结构化的批判性综述考察了机器学习（ML）在哪些方面能够超越经验响应面和基于物理的动力学模型提供预测价值，以及在哪些方面，表面上的准确性不足以支持机理或放大声明。一次有针对性的证据评估在定量集合中识别出11项主要ML研究：10项涉及提取，1项涉及酶解。没有任何研究直接学习同时进行的提取-降解动力学，也没有外部验证整合了物理信息神经网络。大多数研究使用了15-90个设计或汇编的案例，采用案例级别的内部划分，没有独立的来源批次测试。所有11项研究都报告了至少一个有利的ML预测或优化结果；然而，小规模、异质性、主要在设计内的证据基础排除了合并效应估计，并且与发表和选择性报告偏倚相容。因此，生物物理框架分离了各相特有的固体和液体量，定义了初始和边界条件，引入了传质毕渥数、傅里叶数和降解达姆科勒数，并区分了预测和参数识别。现代深度学习架构根据数据结构而非假设的优越性进行定位，而混合模型被处理为可测试的参数学习或残差校正策略。一个完全指定的模拟示例说明了边际停止规则的局部性质，并将参数不确定性传播到决策中。当前证据支持ML主要作为域内代理和优化辅助；在能够证实机理推断或工业转移之前，需要独立批次验证、校准的不确定性、化学特异性终点和中试测试。