综述:粮食储存中的智能通风技术:多物理场建模与人工智能驱动控制的综合综述
《Journal of Stored Products Research》:Intelligent aeration technologies in grain storage: A comprehensive review of multi-physics modeling and AI-driven control
【字体:
大
中
小
】
时间:2026年07月14日
来源:Journal of Stored Products Research 3.4
编辑推荐:
张晓宇|郭佳乐|刘艳红|罗源一|王双林|王德清|林杰|胡坤|温浩宇|吴依宁|闫晓平中国农业大学工程学院,中国北京清华东路17号,邮编100083摘要通风对于保持粮食品质和全球粮食安全至关重要。然而,传统方法依赖固定的静态阈值,往往因无法实时处理高维非线性热力学问题而降低效率。本文
张晓宇|郭佳乐|刘艳红|罗源一|王双林|王德清|林杰|胡坤|温浩宇|吴依宁|闫晓平中国农业大学工程学院,中国北京清华东路17号,邮编100083摘要通风对于保持粮食品质和全球粮食安全至关重要。然而,传统方法依赖固定的静态阈值,往往因无法实时处理高维非线性热力学问题而降低效率。本文对智能通风技术的最新进展进行了系统性评估,重点介绍了深度学习与降阶建模结合多维度感知技术在实时监测和预测建模中解决非线性热质传递问题的应用。此外,还探讨了从传统的开/关控制及PID控制机制向模糊逻辑控制和物理引导强化学习等先进自适应策略的演变,这些策略有助于动态平衡热力学目标与经济成本。文章还分析了人工智能驱动技术的协同作用:多维度传感为数据采集提供可靠基础,降阶建模有助于快速优化物理场,深度学习则能解析时空层面的品质变化规律。同时,也分析了传感器干扰、计算流体动力学的高计算成本以及深度学习的“黑箱”特性等关键挑战,并介绍了基于事件驱动的脉冲神经网络等新兴解决方案,以及具有机理可解释性的物理引导架构。云边端协同架构与因果机器学习的整合代表了该领域的重要发展方向。为克服极端气候条件下的泛化难题以及大规模计算的复杂性,未来研究应优先考虑物理数据混合框架与多尺度集成技术,从而推动构建模型数据双驱动的智能粮食储存生态系统。引言粮食储存是保障粮食安全的关键环节,而通风作为调节储存微环境、减少产后损失的主要物理手段之一,其重要性不言而喻(Lin等人,2025;Nepali & Maharjan,2025)。传统通风系统通常依靠人工经验、定时器或固定的温湿度阈值,如预先设定的温差规则(Gao等人,2023)。这类方法虽简单且成本低廉,但当粮食堆体表现为具有高热惯性、非均匀气流阻力以及空间上不均匀的热湿传递特性的各向异性多孔介质时,其局限性便显现出来(Myhan等人,2025)。在这种条件下,单一阈值可能无法识别局部热点,导致气流通道化现象,或在不利天气条件下仍进行通风。通风控制方法并非单一的固定架构,而是一个连续谱。最简单的形式是开/关控制器,根据经验性的温湿度条件启动风扇;PID控制器和模糊控制器则引入了反馈机制或基于规则的适应性调整,但仍依赖于预定义的控制逻辑。基于模型的方法,如计算流体动力学和降阶建模,能够对气流、热量及水分的迁移进行物理场预测;而数据驱动模型,包括机器学习和深度学习预测模型,则能提升对粮食温度及外部气象因素的短期预测精度。强化学习与云边端架构进一步推动了控制的优化与部署,但其实际应用效果取决于安全约束、数据质量、计算基础设施以及现场验证情况。这种层次结构的形成源于通风过程受多孔介质耦合方程的支配,而非独立的温度规则。在简化的连续体模型中,压力驱动的气流可用达西-福尔希迈尔关系式表示(??p=μKu+βρa|u|u),而热量与水分的传输则可分别表示为((ρc)eff?T?t+ρacp,au·?T=?·(keff?T)+LvSm+Qb)和 (?(ερaY)?t+?·(ρauY)=?·(ερaDeff?Y)+Sm(T,M,RH))。其中(u)、(p)、(T)、(Y)、(M)、(K)、(ε)、(Sm)和(Qb)分别代表气流速度、压力、温度、水蒸气质量分数、粮食含水量、渗透率、孔隙度、水分交换率以及生物或内部热源。由于(Sm)和(Qb)的值取决于温度、湿度、平衡相对湿度、微生物活动以及边界气象条件,因此状态方程具有非线性和空间异质性(Alagusundaram等人,1990;Myhan等人,2025;Panigrahi等人,2020a、2020b;Thorpe,2008)。静态的开/关控制或PID规则只能捕捉到状态量的有限信息,这也解释了为何它们无法实时识别局部凝结现象、气流通道化以及热量积累延迟等问题。为避免概念上的混淆,我们通过三级操作框架来定义智能通风系统。第一级为自动化控制,风扇根据定时器、固定阈值或预编程的温湿度差值启动,几乎不对粮食堆体的实际状态进行实时重新分析。第二级为自适应控制,系统会根据实时传感器反馈、气象数据或估算的湿热状态调整设定值或风扇指令,但仍需遵循预定义的控制目标和模型结构。第三级才是严格意义上的智能通风:这是一种 cyber-physical 决策系统,它整合多源传感数据、机理模型或降阶预测结果、数据驱动的推理能力、在明确的安全与能源约束下的优化功能,以及实时更新能力,从而制定出具备风险意识的通风策略。这一层次结构为本综述提供了比较传统开/关控制、PID/模糊控制、降阶建模辅助预测、深度学习、强化学习以及云边端决策架构的概念基准。图1展示了一种可能的智能通风系统的网络物理架构,并非所有系统都必须采用此结构。在这种架构中,传感设备负责收集粮食堆体的温度、湿度、二氧化碳浓度、风扇运行状态以及外部气象数据。这些数据可被物理模型、降阶模型、统计替代模型或数据驱动预测模型用于估算未被直接观测的状态,并评估品质下降风险。决策层随后可结合基于规则的防护措施、预测模型、优化算法或人工监督来生成风扇控制指令。不同规模的粮仓可根据储存量、作物种类、传感器可用性、网络稳定性以及运营成本选择不同的模块组合(见图2)。智能通风系统的可靠性取决于其传感与数据质量层面。温度传感器、相对湿度探头、二氧化碳传感器、气流计以及粮食品质传感器在响应速度、漂移特性、校准需求、覆盖范围以及故障模式等方面存在差异。在大型筒仓中,稀疏的传感器布局可能导致无法检测到局部热点、潮湿区域以及气流通道化现象,而密集的传感器网络则会增加成本、能耗以及无线通信负担。因此,在将原始数据用于计算流体动力学模拟、降阶模型重建、预测或强化学习策略之前,需对其进行校准漂移、缺失值、传感器失效、数据包丢失、异常波动以及空间代表性等方面的筛选。因此,应在控制算法接收数据流之前采取多层防护措施。在传感器层面,可通过空间投票、数值范围限制、露点一致性检验以及时间持续性测试等方式,对冗余的温度和湿度传感器数据进行交叉验证。在数据层面,可采用传感器融合与共识滤波方法,整合部分可信的测量数据,降低孤立故障节点的影响;而卡尔曼型状态估计器则可用于平滑噪声较大的时间序列数据,并在测量间隔期间更新粮食堆体的潜在状态(Hart和Martinez,2006;Li等人,2015)。对于粮食通风系统而言,这些方法应谨慎使用:经过插补或过滤后的数据应标注清楚其不确定性,且该不确定性需传递给控制模块;对于异常的传感器,则应触发维护流程或启用备用规则,而非让其自动持续工作。在此背景下,本综述首先探讨了仿真与模型降阶技术,因为物理场预测对于理解通风机制仍然具有重要意义。计算流体动力学虽能精确模拟复杂粮食堆体中的速度、压力、温度及湿度分布,但全尺寸三维仿真往往难以满足实时控制的需求(Nwaizu和Zhang,2021;Panigrahi等人,2023)。降阶模型与统计替代模型可通过保留主要的物理模式或学习输入输出响应关系来降低计算负荷。不过,它们的有效性取决于是否经过筒仓规模的实际验证,以及目标任务是否需要空间重建、快速场景筛选或以控制为导向的预测。第二个主题是智能控制与时机判断。预测模型有助于区分长期的储存趋势与短期的气象干扰——此处所指的气象干扰是指外部温度、相对湿度、风速或气象衍生参数出现的突然、非平稳或经传感器放大的波动,这类波动会掩盖粮食堆体内部的真实温度变化趋势(Duan等人,2021;Sun等人,2024)。现有研究提供的定量证据表明,应尽可能报告实际应用带来的效益。例如,基于通风窗口模型的智能冷却通风技术在混凝土筒仓储存稻谷时,可使能耗降低52%至77%(Li等人,2020)。这类成果很有价值,因为它们将算法决策与可测量的能源消耗或品质改善效果联系了起来。尽管智能通风技术具有巨大潜力,但目前仍面临三重现实障碍。首先,不同的筒仓环境使得获取关于局部湿度、温度积累、气流分布以及生物活性的完整且可靠数据十分困难(Zhu等人,2024)。其次,粮食通风涉及气体、热量、水分以及微生物过程的相互作用,因此模型必须在保持物理真实性与提升计算速度之间找到平衡。最后,通风决策具有高度的安全敏感性,因为不当的通风时机可能会增加凝结风险、能耗或导致粮食品质下降。正因如此,除非有针对特定粮食品种的验证结果,否则本综述将SNNs、LNNs、PIRL以及因果机器学习等新兴方法视为未来值得探索的研究方向。基于上述工程需求,本综述旨在对智能粮食通风技术进行系统且批判性的综合分析。文章首先探讨了高精度的计算流体动力学仿真与降阶建模技术,以此降低多物理场通风分析的计算负荷;接着分析了从传统反馈控制到深度学习、强化学习以及时机判断策略在内的各类控制方法;最后讨论了包括传感器可靠性、模型验证、计算基础设施以及技术成熟度在内的部署限制,从而将这些技术视为具体的工程解决方案,而非单纯的算法清单。本综述的创新之处在于,它将通常被单独研究的三个领域——粮食储存物理机制、降阶实时建模以及基于人工智能的时机决策——进行了以控制为导向的整合。以往的综述多集中于总结粮食储存过程中的热质传递模型、储存生态系统的数值模拟方法或产后监测技术。相比之下,本综述以智能通风时机控制为核心问题,探讨如何将计算流体动力学、降阶建模、传感技术、深度预测、基于安全约束的控制方法以及云边端部署技术整合为一个可验证的决策流程。因此,本综述的贡献并非引入某种单一算法,而是基于实证分析,明确哪些技术已经成熟、哪些需要进一步现场验证,以及哪些仍属于未来研究方向。为便于分析,本文围绕六个相互关联的层面展开论述:传感与数据采集、基于物理原理的仿真、降阶预测、控制与时机决策、部署限制以及未来研究方向。诸如计算流体动力学、开/关控制、PID控制、模糊控制以及经过验证的温度预测等成熟技术,被视作当前或近期的工程实用技术;那些仅有部分适用性证据的方法,如降阶建模辅助的计算流体动力学、云边端协同技术以及具备不确定性感知能力的深度学习技术,则被视为需要优先进行现场验证的技术;而SNNs、LNNs、PIRL以及因果人工智能等仍处于起步阶段或验证不足的技术,则在论述中仅作简要介绍,主要作为未来发展的展望内容。章节节选综述方法本文采用结构化叙事综述的形式,围绕智能粮食通风这一核心主题展开研究。文献检索主要通过Web of Science、Scopus、ScienceDirect、SpringerLink、IEEE Xplore、MDPI以及Google Scholar等数据库进行。针对每一章节的主题,均按照从发展现状到未来前景的逻辑顺序,筛选相关文献:包括粮食储存通风与传感技术、热质传递机制、水分迁移规律,以及粮食通风过程的仿真与模型降阶技术。粮食储存生态系统涉及热量、水分、气体以及生化过程之间的复杂相互作用。构建用于描述粮食堆体内热质传递的仿真模型,有助于分析不同通风策略下的物理参数变化情况,进而评估储存品质与能源消耗水平。其核心要求是实现及时且具有足够物理精度的预测。虽然高精度的三维计算流体动力学模拟已逐渐成为主流,但……通风过程的智能控制模型控制气流的流量、速度、方向及持续时间对于粮食通风而言至关重要,因为这些参数直接影响空气渗透程度、热量散发效率以及水分交换效果(Myhan等人,2025)。合理的气流分布能够避免局部过热现象,而恰当的风扇运行时间则有助于减少不必要的能耗与凝结风险。传统的阈值控制方法虽简单易行,但往往只能近似描述非线性的热量与水分耦合效应……通风时机决策的复杂性现代粮食储存中的通风时机选择可视为一个高维动态优化问题,同时还需兼顾各种物理与运营约束条件。决策时需要综合考虑大气条件、粮食堆体的温度与湿度场、与凝结风险相关的露点差异、抑制昆虫与霉菌生长的生物学阈值以及能源消耗等因素。这些因素的重要性会因作物种类、储存时间、气候条件以及筒仓设计的不同而有所差异。结论与展望将物联网感知技术、降阶仿真预测技术以及人工智能控制技术相结合,应用于粮食筒仓的通风系统中,为提高储存效率、保障粮食品质以及降低不必要的能源消耗提供了有效途径。这项研究表明,深度学习、降阶建模以及多维度传感技术,若与经过验证的方法相结合,能够有效减轻高维热质传递分析中的计算负担。张晓宇:概念设计、研究实施、资源获取、验证、可视化、初稿撰写。郭佳乐:方法设计、可视化。刘艳红:资金筹集、审稿与编辑。罗远毅:审稿与编辑。王双林:资金筹集、审稿与编辑。王德清:审稿与编辑。林杰:审稿与编辑。胡坤:审稿与编辑。文浩宇:审稿与编辑。吴伊宁:审稿与编辑。利益冲突声明:作者们声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号