整尾银汉鱼属（Chirostoma spp.）在贴近田间实际情景下太阳能干燥动力学一步超前预测的薄层模型与深度学习混合建模

《AgriEngineering》：Hybrid Thin-Layer and Deep Learning Modeling for One-Step-Ahead Prediction of Solar Drying Kinetics of Whole Charal (Chirostoma spp.) Under Field-Realistic Scenarios

　　

银汉鱼属（Chirostoma spp.）是一类在墨西哥中部具有较高营养价值和经济重要性的小型远洋鱼类。然而，其高含水率以及捕后快速劣变会导致手工渔业出现显著损失。太阳能干燥为一种可持续的保藏替代方案，尤其适用于冷藏条件受限地区。本研究考察了在贴近田间实际的温和至中等强度太阳能干燥情景下整尾银汉鱼属样品的干燥动力学，包括强制对流、自然对流和露天暴露。研究人员采用经典薄层方程对实验干燥曲线进行建模，并评估神经网络模型作为实验含湿比（moisture ratio, MR）一步超前预测的补充工具。在所评估的薄层模型中，修正Page方程始终能够对干燥曲线提供最可靠的经验描述，其决定系数均大于0.97。对人工神经网络（artificial neural network, ANN）、卷积神经网络（convolutional neural network, CNN）、长短期记忆网络（long short-term memory, LSTM）以及CNN-LSTM架构进行消融式比较后发现，在当前数据集中，CNN模型取得了最高的整体预测精度，R² = 0.987，均方误差（mean squared error, MSE）= 4.3 × 10^?4。由于该数据集所包含的独立干燥曲线数量有限，深度学习结果被解释为探索性结果，并作为薄层建模的补充，而非对经典经验模型的替代。所提出的框架有望为未来手工鱼类加工中的干燥终点估计和决策支持工具提供支撑，但前提是还需结合标准化样品质量、环境协变量以及产品质量指标开展进一步验证。

该文发表于《AgriEngineering》，围绕整尾银汉鱼属（Chirostoma spp.）在太阳能条件下的干燥动力学建模与短时预测展开，核心目标是为小规模手工渔业提供兼具工程可解释性与预测能力的建模框架。研究背景在于，银汉鱼属是墨西哥中部湖区社区重要的水产食物资源，富含优质蛋白，兼具经济与文化价值，但其初始含水率高，捕后极易发生微生物腐败与品质下降。在缺乏稳定冷链设施的发展中地区，捕后损失长期存在，传统露天晒干虽然成本低、操作简单，却难以控制温度、气流和环境污染暴露，往往导致蛋白质变性、脂质氧化、色泽恶化及微生物风险增加。因此，有必要开发适用于田间实际条件、成本较低且能源需求较小的太阳能干燥技术，并建立可用于过程描述和终点判断的模型体系。

从工程学角度看，干燥是热质传递耦合过程，受温度、风速、相对湿度、样品几何形态和内部微结构共同影响。鱼体尤其是整尾未剖腹样品，其皮肤与内部组织会增加内部传质阻力，使干燥动力学具有明显的扩散控制特征。既往薄层干燥模型在果蔬等农产品中应用广泛，但针对小型鱼类、特别是在太阳能和较低温条件下的研究相对不足。与此同时，人工智能方法已在食品工程中用于处理非线性、时间相关的干燥过程，但鱼类产品太阳能干燥场景下的深度学习应用仍较少，且将经典薄层模型与深度学习结合、兼顾物理一致性与数据驱动预测的研究仍不充分。基于此，研究人员构建了一个混合建模框架，意在表征整尾银汉鱼属在自然对流、强制对流和露天暴露等贴近实际的太阳能干燥情景中的含湿比演变，筛选最适合的薄层模型，并评估数据驱动时间序列模型对实验含湿比进行一步超前预测的可行性。

研究使用的主要技术方法可概括如下：样品来自墨西哥哈利斯科州Ajijic和Chapala湖区当地手工渔业，捕后立即获取并运至实验室；以105 °C恒重法测定初始水分含量，样品经清洗后保持整尾、未去内脏状态进行干燥；在柜式太阳能干燥系统中设置自然对流、风扇辅助强制对流及露天暴露三类情景，定时记录质量变化并计算含湿比（MR）；采用6种经典薄层模型进行非线性回归拟合，并以R²、均方误差（MSE）和平均绝对误差（mean absolute error, MAE）评价；进一步利用滑动窗口法构建监督学习序列，以过去5个时间步预测下一个实验MR值，建立并比较ANN、CNN、LSTM和CNN-LSTM模型，训练、验证和测试按完整干燥轨迹划分，以避免时间泄漏。

以下结合论文结果部分各小标题，对主要发现作学术性解读。

3.1. Empirical Drying Behavior
实验干燥结果表明，所有情景下整尾银汉鱼属均表现出典型的降速干燥行为，即不存在恒速期，随着水分含量下降，干燥速率逐渐降低。研究人员据此认为，该现象与整尾样品完整形态有关：鱼皮与内部组织结构限制了表面蒸发，使内部水分迁移更接近扩散控制过程。与露天干燥相比，柜式太阳能干燥器中的干燥动力学更平滑、速率波动更小，提示在自然对流或强制对流条件下，过程稳定性更好。这一结果为后续经验模型和数据驱动模型拟合提供了动力学基础，也表明该类系统较传统露天暴晒更有利于过程管理。

3.2. Thin-Layer Model Performance
研究人员将实验MR数据分别拟合到6种薄层干燥模型，并按每条独立干燥曲线分别评估其拟合效果。结果显示，修正Page模型在多数实验运行中持续表现最佳，决定系数范围为0.976 ≤ R² ≤ 0.992，同时MSE和MAE分别维持在10^?3和10^?2量级。相比之下，Newton模型和Henderson–Pabis模型等较简单形式，尤其在后期扩散控制阶段预测能力较弱。研究采用多指标综合评价，而非仅依据单一统计量，优先选择能在独立运行间保持稳定性能的模型。在此准则下，修正Page模型被确立为描述整尾银汉鱼属太阳能干燥曲线的最佳经验参考模型。该结论说明，对于此类平滑且单调下降的含湿比轨迹，经典经验方程仍具有较强的适用性和可解释性。

3.3. Deep Learning Model Performance
在深度学习部分，研究采用一种消融式比较思路，以前馈ANN作为基线模型，将其与CNN、LSTM以及混合CNN-LSTM架构进行比较。所有模型的任务均为基于最近5个时间步的实验MR序列，预测下一时刻MR值。整体结果显示，独立CNN在当前数据集中取得了最高的一步超前预测精度，R² = 0.987，MSE = 4.3 × 10^?4。这表明，对于本研究中长度较短且变化较平滑的干燥轨迹，局部时间模式已足以支持高质量预测，未必需要依赖长时记忆结构。LSTM与CNN-LSTM并未表现出明确优势，研究人员将其归因于独立干燥曲线数量有限、序列较短，尚不足以充分发挥循环记忆架构在长程依赖建模上的潜力。混合CNN-LSTM的全局性能低于独立CNN，但在轨迹层面仍保持与LSTM和ANN相近的竞争性，说明其潜在价值可能更多体现在未来引入更长轨迹和更丰富环境输入的情形中。论文同时强调，由于训练样本由有限实验曲线滑窗生成，样本间具有时间相关性，因此不同网络间性能差异应谨慎解释，不能将其视为严格统计意义上的优越性证明。

3.4. Robustness Analysis Across Drying Configurations
为补充全局点位指标，研究进一步开展了基于运行层面的稳健性分析，以测试集独立干燥曲线为单位统计MAE及其标准差。由于部分干燥配置对应的运行数量较少，这部分结果被定位为描述性分析，而非显著性检验。总体趋势仍支持独立CNN在当前数据集上的最优整体表现，同时也显示CNN-LSTM在轨迹层面具有一定稳定性。研究人员据此认为，在现有条件下，CNN更适合完成短时一步预测任务；而若未来获得更长时间序列和更多环境协变量，CNN-LSTM可能在复杂动态条件下展现更大潜力。

在讨论部分，论文首先指出，整尾银汉鱼属在温和至中等太阳能条件下进行干燥，能够有效实现脱水，因此对手工渔业而言是一种现实可行的保藏策略。修正Page模型与实验数据之间的高度一致性证明，经典经验薄层模型仍是描述该过程最简洁、最具物理解释性的工具。其优于Newton和Henderson–Pabis等简单模型的原因，在于能够更好刻画干燥早期与后期的曲率变化。研究进一步强调，薄层建模与深度学习之间不是替代关系，而是互补关系：前者适合在获得完整实验数据后对全程干燥曲线进行经验描述，后者则面向操作层面的短时预测问题，即根据近期干燥历史估计下一时刻实验MR值。因此，CNN的实用价值主要体现在干燥终点估计、过程监测及未来实时决策支持，而非取代Page类方程的物理经验意义。

论文还讨论了工程部署层面的应用前景。一步超前预测器可被嵌入更大范围的决策支持闭环中，与太阳能干燥器实时传感器数据相结合，经过标准化和滑动窗口处理后，由CNN或CNN-LSTM生成预测结果，再进入决策层用于建议终点识别、风扇调节或停止干燥。尽管本研究未直接测量热效率或火用效率，但作者指出，若能更准确预测干燥终点，则有望减少不必要的干燥时间和强制对流下的风扇运行，从而具备能源优化意义。

对于实验设计局限，论文特别指出CN_2配置的样品质量明显大于其他配置，因此该条件不应被视为小样本自然对流实验的简单重复，而应理解为具有不同装载量和传质机制的大批量干燥情景。更大的物料床层可能改变内部水分迁移路径、表面积质量比以及局部气流与产品相互作用，因此涉及CN_2的直接跨配置比较应谨慎对待。研究还明确承认若干限制：实验情景本质上是贴近田间实际的综合工况，而非严格单因子控制；样本独立干燥曲线仅18条；未测定产品质量和食品安全指标；滑窗样本在同一轨迹内相关。这些因素限制了对模型统计优越性、产品品质保持和广泛泛化能力作出强结论。

研究结论部分可译述如下：
本研究采用经验模型与数据驱动模型相结合的框架，分析了整尾银汉鱼属在贴近田间实际的温和至中等太阳能干燥情景下的干燥动力学。各情景不应被理解为对干燥器模式的严格受控比较，因为温度、气流、样品装载量和干燥时长是共同变化的。修正Page模型对干燥曲线提供了最可靠的经验描述，不同配置下R²约为0.976–0.992。在所评估的神经网络中，独立CNN取得了最高的整体一步超前预测精度。然而，由于数据集仅包含18条独立干燥曲线，这些神经网络结果应被视为探索性的，并作为薄层建模的补充，而不是对经典经验模型的替代。从实际应用角度看，该框架有望支持更准确的干燥终点估计以及面向小规模加工者的未来决策支持工具，但这类应用仍需在标准化样品质量、更大的独立数据集、环境协变量和质量指标条件下进一步验证。未来研究将把该框架扩展至其他鱼类物种、产品几何形态和气候区域，并探索引入实时环境变量、直接基于原始实验数据训练以及自适应学习策略，以提高模型在不同太阳辐照和大气条件下的可迁移性与预测稳健性。