整合气动分离与机器学习优化榛子清洗：一种水平风洞方法

《Applied Sciences》：Integrating Pneumatic Separation and Machine Learning to Optimize Hazelnut Cleaning: A Horizontal Wind Tunnel Approach

　　

研究人员研究了一种用于榛子收获后清洗的水平风洞气动分离系统，通过优化空气流速、进料速率、下落距离和杂质混合物组成来提高效率。该系统利用空气动力学特性差异来分离石头和土壤杂质。研究采用经典统计分析和随机森林（Random Forest，RF）建模方法，评估了不同操作参数下的性能指标，包括谷物纯度、谷物损失和净污染物去除率。结果表明，空气流速和下落距离对清洗效率有显著影响，最佳性能参数为空气流速25 m/s、进料速率500 kg/h、下落距离60–70 cm。机器学习模型实现了较高的预测精度（R² > 0.9），证实了其在性能预测中的实用性。这种整合方法为机器参数设置提供了稳健的建议，支持机械化清洗解决方案，以提高榛子生产中的效率并减少人工劳动。

本研究针对榛子收获后清洗中石头和土壤杂质高效去除的难题展开。在机械化水平有限的地区，传统手工清洗方式成本高、可扩展性差，严重制约了榛子产业的效率与产品质量。气动分离技术因其简单、低成本的特点，已在谷物和豆类加工中得到广泛应用，但其在榛子清洗中的具体应用尚未充分探索。榛子收获时，由于地形因素（如土耳其黑海地区）和种植方式（“ocak”丛生），常混入大量石头和土壤。现有收获机械缺乏专用清洗单元，导致后续清洗仍依赖人工，增加了生产成本。因此，开发一种可靠、机械化的清洗工艺对于保证榛子质量、减轻收获后负担至关重要。理论上，石头、土壤与榛子之间存在显著的终端速度差异，这为基于空气动力学特性的气动分离提供了可能。然而，系统参数（如空气流速、进料速率、下落距离）的优化对于平衡高纯度与低产品损失至关重要，需要一种系统化、数据驱动的方法进行精细调整。近年来，人工智能特别是机器学习的发展为农业工程中的预测建模开辟了新途径。随机森林模型以其鲁棒性和准确性著称，可用于预测不同机器设置下的分离结果。将此类模型与实验数据相结合，可以增强决策支持，并深入理解系统参数与性能指标之间的相互作用。本研究旨在通过系统改变空气流速、进料速率、下落距离和材料混合比，评估多室气动分离器在榛子清洗中的性能。通过经典统计分析（SPSS 21版本）和随机森林建模，确定在最大化榛仁纯度的同时最小化损失的最佳条件。研究成果旨在为榛子产业开发高效、机械化的收获后解决方案提供依据，并为其他作物的类似应用提供可复制的框架。本研究论文发表在《Applied Sciences》期刊上。

为开展研究，研究人员主要采用了以下关键技术方法：首先，设计了水平风洞气动分离系统，该系统包括进料单元、双吸式后向叶片风扇（由3.5 kW三相电机驱动，通过变频器调节风速）以及沿下落轨迹间隔10厘米排列的八个收集箱，用于模拟不同下落距离（10-80 cm）的分离效果。实验材料采用来自土耳其萨姆松省Terme地区的Sivri榛子品种，并参考了Beyhan [7]报道的物理机械特性（如平均重量、等效直径、体积和密度）。研究设置了两种代表性的杂质混合物以模拟常见污染场景：混合物A（2-2-96%：2%石头、2%土壤、96%榛子）和混合物B（4-4-92%：4%石头、4%土壤、92%榛子）。关键操作参数包括五个水平的空气流速（25、30、35、40、45 m/s）、四个水平的进料速率（500、750、1000、1250 kg/h）。每个参数组合重复三次，共获得960个观测数据。性能评估指标包括谷物纯度（%）、净清洗效率（%）和谷物损失（g）。其次，研究人员开发了随机森林回归模型，使用Python 3.7.4及相关库（如scikit-learn、numpy）进行建模。输入变量为空气流速、进料速率、下落距离和材料混合物类型（经编码处理），输出变量为上述三个性能指标。模型通过调整超参数（如n_estimators=500）进行优化，并采用10折交叉验证（重复50次）进行评估，使用决定系数（R²）和均方根误差（RMSE）衡量预测性能。

研究结果部分通过多个维度展示了分析发现：
1. **材料混合物对分离效率的影响**：输入材料混合物的组成显著影响石头、土壤和谷物沿下落距离的分布行为。高杂质混合物（4-4-92%）表现出更宽、更平坦的石头分布，且谷物损失（平均19.4 g）显著高于低杂质混合物（2-2-96%，平均13.8 g），增幅约40%。这表明高杂质负载会破坏空气动力学分离机制，导致谷物被错误地放置在受污染的收集区域，凸显了在气动分离前最小化初始杂质水平对于确保分离精度和产品回收率的重要性。
2. **谷物收集的最佳下落距离**：谷物收集的下落距离对最终产品纯度起着根本性作用。在低杂质混合物（2-2-96%）中，谷物纯度在约75厘米处超过95%的阈值，并在50-70厘米范围内提供了一个清晰的操作窗口。而高杂质混合物（4-4-92%）仅在最远的80厘米收集距离处达到95%纯度。增加空气流速会导致清洁效率下降和颗粒损失增加，因为它会将漂浮速度相对较低的榛子大小颗粒抛出单元（80厘米处）。因此，对于污染更严重的材料，放置在60-80厘米之间的收集箱更合适。
3. **空气流速和进料速率对分离性能的影响**：材料分离效率在很大程度上受空气流速和进料速率之间相互作用的影响。提高空气流速显著提高了石头分离率（例如，在500 kg/h时，从25 m/s的17.8%增加到45 m/s的54.6%以上），但过高的流速（≥35 m/s）特别是在高进料速率（≥1000 kg/h）下会导致谷物回收率显著下降。土壤分离在中等空气流速（如30–35 m/s）和较低进料速率（如750 kg/h）下达到峰值。综合纯度指数（定义为%谷物 - (%石头 + %土壤)）显示，最佳清洁谷物回收条件为空气流速25 m/s和进料速率500 kg/h，此时纯度指数最高（+23.8）。污染物去除效率在40-45 m/s的较高空气流速和较高进料速率（如1000-1250 kg/h）下达到峰值（超过0.70）。研究表明，推荐的操作窗口是空气流速25–30 m/s，进料速率在500至750 kg/h之间。
4. **方差分析与事后检验**：方差分析证实，空气流速、下落距离和混合物组成对谷物纯度有统计学上的显著影响（p < 0.001），而进料速率单独作用不显著（p = 0.30）。空气流速与距离、空气流速与进料速率之间存在显著的交互作用。Tukey HSD事后检验进一步表明，25 m/s和35 m/s的空气流速、超过50厘米的下落距离以及2-2-96%的混合物组成能产生显著更高的谷物纯度。
5. **基于空气流速、进料速率和距离的谷物纯度热图**：热图分析显示，在500 kg/h的低进料速率下，60-80厘米距离和25-30 m/s空气流速区域实现了100%的谷物纯度。随着进料速率增加，高纯度区域变窄且更受限制，在1250 kg/h的最高测试进料速率下，除最高下落距离外，大部分区域的纯度普遍下降。这表明需要使进料速率与适当的流速和收集时间相匹配，以维持实际加工环境中的可接受纯度水平。
6. **表面与动画分析**：三维表面图展示了不同下落距离下，空气流速和进料速率对分离结果的交互影响。随着下落距离增加，谷物纯度逐渐改善并趋于稳定。综合分析确定，最有效且可靠的参数组合是：空气流速25 m/s，进料速率500 kg/h，收集区域在70-80厘米之间。
7. **使用随机森林的机器学习分离输出预测**：随机森林回归模型在预测石头去除、土壤去除和谷物回收方面表现出较高的准确性（R²分别为0.89、0.81、0.89）。模型成功捕捉了过程设置与分离效率之间的非线性关系。
8. **用于谷物纯度、净清洗和谷物损失的随机森林回归**：针对谷物纯度、净清洗效率和谷物损失训练的随机森林模型均表现出强大的预测能力（R²分别为0.86、0.86、0.92）。这表明所选输入变量能够解释分离性能的大部分方差，模型具有实际部署的可靠性。

在讨论部分，研究人员总结了主要发现并指出了系统的局限性。三个随机森林模型均表现出高解释力和低误差，R²值持续高于0.85，RMSE值较低，证实了将机器学习整合到收获后加工环境中优化气动分离系统的可行性。然而，研究也揭示了若干挑战：在试验中观察到，材料流垂直于风扇出风口通道降低了清洗效率，这是由于材料混合物以复杂质量形式从进料斗倒入，这种现象被解释为质量指数，它不断改变空气接触的投影面积，导致石头和土壤落入不理想的箱子。另一个值得注意的点是，土壤通常具有比榛子更高的漂浮速度，但其粗糙不平的表面形状导致其在面对气流时行为类似榛子，因此在榛子落入的箱子中，土壤量高于预期，这清楚地表明表面和形状特征是气动清洗中的有效参数。研究基于石头、土壤和榛子空气动力学特性的差异探讨了气动清洗的可能性，但土壤在气流中表现得像榛子这一事实表明该原理存在局限性。考虑到由此产生的榛仁损失，将清洗单元集成到榛子收获机中被认为是不经济的，且原型机需要进行重大的结构改进才能集成。此外，清洗效率随进料速率变化，而进料速率每年随榛园产量变化，是不可控因素，因此如果希望高清洗效率和低榛仁损失，需要开发独立于进料速率的系统。另外，由于非收获季节，未能测试材料水分因子对清洗效率的影响，而收获时榛子水分含量约为35-40%，材料水分是一个关键因素，其影响有待研究。

研究结论表明，本研究全面评估了水平风洞气动分离系统在不同空气流速、进料速率、下落距离和材料混合物下去除榛子中土壤和石头杂质的有效性。结果表明，系统的分离效率在很大程度上受空气流速和下落距离的影响，而进料速率和材料组成显示出中等程度的交互作用。最佳谷物纯度（≥95%）在低进料速率（500–750 kg/h）、空气流速25–30 m/s、下落距离60-80厘米的条件下持续实现。较高的流速增加了石头去除率，但也增加了谷物损失，特别是在进料速率高于1000 kg/h时。在所有应用中，25 m/s空气流速、500 kg/h进料速率和60-70厘米收集区域的组合在纯度和谷物留存之间提供了最佳平衡。使用随机森林回归训练的机器学习模型对榛仁纯度、榛仁损失和净清洗效率表现出强大的预测能力（R² > 0.85），验证了将人工智能整合到实时分离系统优化中的潜力。因此，所开发的气动分离器作为一种低成本、高效且可扩展的榛子收获后清洗解决方案显示出巨大潜力；然而，在考虑将清洗单元集成到榛子收获机时，尺寸是一个关键标准。鉴于土耳其榛子果园的地形结构，收获机的小尺寸要求清洗单元的尺寸也需减小。另一方面，研究结果表明，长距离下的高清洗效率伴随着高榛仁损失。研究揭示，尽管土壤和榛仁的漂浮速度差异显著，但由于其形状和表面特性，土壤在气流中表现出与榛仁相似的空气动力学行为。这表明，使用气动原理无法高效分离土壤和榛仁。因此，开发降低榛仁损失的替代解决方案的需求是显而易见的。然而，这些发现为未来开发具有嵌入式传感和预测控制功能的智能农业机械奠定了基础。