基于CFD先验约束物理信息神经网络的红茶发酵稀疏传感器三维热状态重建

《Fermentation》：Sparse-Sensor Three-Dimensional Thermal-State Reconstruction for Black Tea Fermentation Using a CFD-Prior-Constrained Physics-Informed Neural Network

　　

红茶发酵过程中的内部温度分布调节着酶促氧化、热量积累和发酵均匀性，但在实际加工中，连续的三维测量仍然存在困难。研究人员开发了一种基于CFD先验约束的物理信息神经网络（PINN + CFD），以在稀疏传感条件下重建尺寸为1.35 m × 0.96 m × 0.08 m的发酵床的三维热状态。位于z = 0.04 m处的9个传感器被用于模型训练，而位于z = 0.02 m和z = 0.06 m处的6个留出深度传感器被保留用于深度方向的验证。该模型集成了测量温度、瞬态传热物理、对流边界条件以及由CFD导出的体积软空间先验，该先验旨在指导空间外推，而不是作为真实的温度数据。尽管多层感知器在装有仪器的z = 0.04 m平面上实现了最低的拟合误差，但PINN + CFD在深度外推方面表现更好，在三个阶段的均方根误差（RMSE）分别为0.128、0.129和0.296 °C。然而，其优势具有阶段依赖性和验证目标依赖性：基线PINN在部分动态阶段验证中表现略好，而独立的CFD在恒温阶段具有最低的表面红外误差，这表明PINN + CFD主要改善了空间外推，而不是均匀地最小化所有误差指标。推断出的表观过程级热源指数Q_react(t)连续变化，其累积轨迹与累积多酚损失表现出描述性关联。这些结果表明，PINN + CFD能够在所测试的稀疏仪器化红茶发酵床内实现物理一致的热状态重建。

红茶发酵是决定其色泽、香气、滋味及生化成分形成的关键加工阶段。在发酵过程中，茶多酚、儿茶素等内源性化合物在多酚氧化酶和过氧化物酶的作用下发生氧化、聚合和转化。同时，酶促氧化、物质状态变化、环境热交换和内部热量积累共同驱动着茶床的温度演变。温度不仅影响酶促氧化的速率，还反映了热量积累、边界热损失和发酵的均匀性。因此，获取发酵床内部的三维温度分布对优化发酵过程具有重要意义。然而，目前的监测大多基于外观或离散化学指标，内部三维热状态未得到足够关注。实际生产中，由于传感器成本和空间可达性限制，内部测温通常是稀疏的。传统插值方法简单但缺乏物理约束；计算流体力学（CFD）能提供物理上合理的空间趋势，但其预测常因参数不确定性而存在偏差；基线物理信息神经网络（PINN）虽能融合稀疏测量与控制方程，但在未测量区域的外推约束仍显不足。为解决上述问题，研究人员提出将CFD导出的温度场作为软空间先验引入PINN，以在稀疏传感下实现物理一致的三维热状态重建。该研究为红茶加工的低成本三维热监测提供了可解释的建模框架，论文发表在《Fermentation》上。

为开展此项研究，研究人员主要采用了以下关键技术方法：基于等效多孔介质热传导理论构建了包含表观热源项Q_react(t)的瞬态传热控制方程；利用宏观热平衡反演推断表观过程级热源指数；通过ANSYS Fluent开展CFD模拟以生成体积软空间先验；构建了包含数据、物理残差、边界和CFD先验四项损失的PINN + CFD框架，并采用受SoftAdapt启发的自适应损失加权策略。研究样本队列来源于湖北省咸丰县湖北水寨茶业有限公司发酵车间的一批利川红茶。

**3.1. 训练收敛性与自适应损失权重分析**
通过分析训练损失与自适应权重发现，总损失在后期趋于稳定，各损失项保持在低水平。自适应权重在后期自然波动，CFD先验权重维持在0.1671至0.2945之间，表明CFD先验持续贡献于模型优化但未主导训练过程。

**3.2. 预测精度与批次内空间有效性**
**3.2.1. 仪器化位置的阶段依赖性拟合性能**：多层感知器（MLP）在已测平面拟合误差最低，但未引入物理约束；独立CFD在所有阶段误差较大，更适合作物理先验。PINN + CFD在升温和恒温阶段的精度优于基线PINN，但在动态扰动阶段略逊，表明强波动边界下CFD先验可能引入小偏差。
**3.2.2. 留一传感器空间有效性**：在留一传感器交叉有效性中，固定权重PINN + CFD模型实现了最低的平均MAE和RMSE，较MLP降低约11.4%，且在所有9个折叠中均优于MLP。自适应权重模型则主要降低了极端误差。
**3.2.2. 平面温度场趋势的定性比较**：定性比较表明，PINN + CFD在未测量区更好地保持了空间连续性和梯度方向，同时减少了独立CFD的绝对温度偏差。

**3.3. L_phys、CFD先验与自适应加权的消融分析**
消融分析表明，物理残差主要贡献是抑制非物理波动并改善外推可解释性；CFD先验则通过体积软约束正则化无传感区域的温度外推；敏感性分析显示PINN + CFD对有效热物性参数和热源幅度的不确定性敏感度远低于独立CFD；自适应加权则有效稳定了多损失训练。

**3.4. 三维热状态重建与物理一致性**
重建结果显示，温度场从弱梯度向明显的热量积累和层间异质性演化。CFD与PINN + CFD的平均温度差异较小，但PINN + CFD在中后期表现出更大的空间标准差和温度范围，揭示了茶床厚度方向的异质性。

**3.5. 留出深度测试点有效性**
在6个留出深度测试点验证中，PINN + CFD在三个阶段均实现最低的MAE、RMSE和MaxAE，其RMSE分别为0.128、0.129和0.296 °C，有效支持了厚度方向的局部外推。

**3.6. 留出表面红外热成像验证**
红外热成像表面验证表明，模型表现呈现阶段依赖性。MLP误差最大；独立CFD在恒温阶段误差最低；而PINN + CFD在升温和动态扰动阶段误差最低，证明其在时变边界条件下更具优势。

**3.7. 表观热源动态与多酚关联性**
推断的表观过程级热源指数Q_react(t)在发酵过程中连续变化。其阶段性累积值与后期更强的空间异质性相吻合。茶多酚含量随时间下降，累积Q_react(t)与累积多酚损失表现出描述性关联，但瞬时量无显著关联，表明其更适合作宏观热演化指标而非直接生化标志物。

**3.8. 局限性与适用边界**
研究局限于单批单次发酵运行；连续阶段间的误差可能受发酵时间和物性变化混淆；模型未显式求解内部气流，且Q_react(t)与训练数据耦合；累积相关性可能仅反映共同时间趋势，需独立批次实验验证其机制相关性和外部有效性。

**4. 结论与展望**
研究表明，红茶发酵是一个空间异质且动态演化的多阶段过程。研究人员应用CFD先验约束的PINN成功重建了连续6小时发酵运行中茶床的三维热状态。在留一传感器、深度测试点及表面红外验证中，PINN + CFD表现出更一致的空间外推性能，在深度方向各阶段RMSE分别达0.128、0.129和0.296 °C。重建热场有效捕获了茶床内部热量积累、边界热损失及空间异质性。推断的表观热源指数Q_react(t)呈现阶段依赖的宏观热演化，但与多酚损失的关联尚属描述性而非因果性。该框架能辅助识别稀疏传感器无法分辨的局部热区，但其全体积有效性与跨批次泛化能力仍需未来独立实验进一步证实。