基于条件多步预测的全尺寸混凝土玉米筒仓CO2改性气氛处理中的气体循环控制策略

《Journal of Stored Products Research》：Predictive gas recirculation control for CO 2-modified atmosphere treatment in a full-scale concrete maize silo using conditional multi-step forecasting

　　在大型混凝土筒仓中进行控制气氛处理时，通常会出现二氧化碳浓度分层现象。虽然气体循环有助于改善气体分布，但在启动后，关键监测点的浓度仍可能短暂下降，这会导致仅依据当前测量数据而延迟采取干预措施。为实现自动化且智能化的循环控制，在一个10,000吨的混凝土玉米筒仓中进行了两项全尺度实验。第一项实验的数据被用于构建一个条件多步预测模型，该模型随后在第二项实验中被用于闭环验证。建模实验共产生了4723组时间序列数据。典型案例显示，检测门处的二氧化碳浓度呈现非单调变化趋势，先下降后又回升，下降阶段持续时间为0.42至0.58小时。在序列到序列的框架下，对比了多层感知器、Transformer以及长短期记忆网络三种模型，结果表明LSTM在控制点上的表现最佳，其测试集的平均绝对误差为0.148个百分点，均方根误差为0.209个百分点，R2值为0.9355。在验证过程中，系统两次预测到未来最低浓度会低于35%的阈值，于是自动启动了气体循环。预测的最低浓度分别为34.98%和34.97%，而实际测得的最低浓度则分别为35.95%和35.75%。气体循环还提升了垂直方向的浓度均匀性，每日变异系数从0.312降至0.012，从0.173降至0.042。所提出的系统能够在浓度降至控制阈值之前识别出潜在风险，并主动调节筒仓内的气体分布，为大型混凝土筒仓中的精准二氧化碳控制气氛管理提供了实用方法。

在现代粮食储存中，安全、环保且高效地控制储粮害虫是重要需求（Lin等人，2025年）。在长期储存过程中，粮食的质量与储存安全会受到水分含量、温度、储存时间以及害虫和微生物活性的共同影响。Ziegler等人（2021年）指出，适当调控粮食的水分、温度以及储存环境对于延缓品质下降、减少害虫和真菌损害以及确保储存安全至关重要。与使用磷化氢的常规化学熏蒸相比，二氧化碳控制气氛处理是通过向密闭的储存结构中注入二氧化碳，置换空气，从而形成高二氧化碳低氧的环境，以此抑制或杀死储粮害虫。这种方法不会留下磷化氢等化学熏蒸剂的残留物，具有环保优势，且适用于密封性良好的储存设施。Jay和Pearman（1973年）最早证明了利用二氧化碳控制储藏玉米中的害虫侵扰的可行性。Kumar等人（2022年）进一步研究了利用生物产生的二氧化碳来控制储藏小麦中的害虫，表明二氧化碳控制气氛是一种具有前景的环保型储粮害虫控制方法。

以往关于二氧化碳控制气氛储存的研究主要集中于气体注入过程、气体的传输与空间分布、杀虫效果以及储存结构的密封性等方面。Jay等人（1970年）研究了二氧化碳在花生筒仓中的应用与分布情况，发现在实际储存条件下，二氧化碳并非在筒仓内均匀扩散，其分布会受到筒仓结构及气体输送方式的影响。Shunmugam等人（2005年）研究了二氧化碳在粮食颗粒中的扩散现象，发现粮食颗粒的多孔结构会影响气体的传输速度及空间分布。对于混凝土储存结构，Banks和McCabe（1988年）指出，混凝土对二氧化碳的吸收可能会影响筒仓内的气体留存情况。Carpaneto等人（2016年）比较了不同密封程度的筒仓袋中的控制气氛处理与熏蒸处理效果，进一步证实了储存容器的密封性是决定气体处理效果的重要因素。最近，Lin等人（2026年）在一个10,000吨的混凝土玉米筒仓中开展了全尺度二氧化碳控制气氛实验，验证了该技术在该类大型混凝土筒仓中的工程可行性，并评估了气体分布、有效浓度维持以及杀虫效果。

尽管取得了这些进展，大型混凝土筒仓中的二氧化碳控制气氛处理仍面临着气体空间分布不均匀以及确定合适循环启动时间存在不确定性的问题。由于筒仓高度较大、粮食体积庞大，再加上多孔粮食颗粒带来的巨大流动阻力，通过筒仓底部注入的二氧化碳很容易形成垂直浓度梯度。筒仓顶部空间以及粮食表面以上的区域，其浓度往往比粮食深层更快下降。气体循环能够促进筒仓不同区域之间的气体交换，因此是提升二氧化碳浓度均匀性的重要手段。然而，目前的全尺度气体循环操作通常是根据操作人员的经验、固定时间表或当前浓度测量结果来启动或停止的，难以提前预判循环开始后的浓度变化情况。

在二氧化碳浓度出现明显垂直分层的条件下，如以往的全尺度筒仓实验中所观察到的，筒仓顶部空间以及粮食表面以上的区域，其二氧化碳浓度可能远低于粮食深层（Lin等人，2026年）。在向下循环过程中，富含二氧化碳的气体从筒仓底部的通风沟中被抽出，然后返回到筒仓顶部空间。这些返回的气体迅速提升了最上层的二氧化碳浓度，同时将原本存在于顶部空间的低浓度气体向下推向粮食表面。当这些低浓度气体经过检测门监测点周围区域时，监测到的浓度可能会暂时下降。随着富含二氧化碳的循环气体在整个顶部空间稳定下来，然后通过多孔的粮食颗粒向下扩散，监测点处的浓度又开始回升。气体在粮食颗粒中的传输受压力驱动的流动、扩散作用以及填充粮食介质所带来的较大气流阻力的共同影响（Xu等人，2002年；Shunmugam等人，2005年；Olatunde等人，2016年）。因此，如果仅在当前测量浓度接近控制阈值时才启动气体循环，那么初始阶段的持续下降可能会导致局部浓度暂时低于有效的杀虫阈值。

近年来，基于深度学习的时间序列模型为复杂动态过程的多步预测提供了新工具。近期研究也展示了深度学习在粮食储存领域的智能监测与预测方面的潜力。Qu等人（2023年）开发了一种多输出时空模型，可同时预测多个传感器位置处的粮食温度，强调了同时考虑时间动态与空间关联的重要性。Qu等人（2024年）提出了一种深度学习方法，可用于智能粮仓中的粮食温度插值与综合数据融合，从而弥补因传感器覆盖不全而导致的空间信息缺失问题。这些研究反映了粮食储存领域正从单纯的传感器监测向数据驱动的状态感知与预测方向发展。不过，现有研究主要聚焦于粮食温度预测和空间数据重建，而在全尺度控制气氛操作条件下对二氧化碳重新分布的预测控制方面，相关研究 ainda较为不足。Hewamalage等人（2021年）指出，循环神经网络能够学习序列数据中的时间依赖性，非常适合用于多步预测任务。Lim等人（2021年）进一步证明，多时段预测模型能够整合历史观测数据、已知的未来输入信息以及外部变量，从而共同预测多个未来时间节点的目标值。二氧化碳控制气氛处理是一个受历史浓度、设备运行状态、筒仓密封性以及内部气体重新分布共同影响的动态过程，因此具有明显的时间依赖性和运行条件依赖性。一种结合历史浓度、设备状态以及假设的未来循环条件的条件多步预测模型，有望在循环启动后尽早识别出短期阈值风险，为自动化控制决策提供依据。

因此，本研究旨在为一个10,000吨的混凝土玉米筒仓中的二氧化碳控制气氛处理系统开发并验证一种智能循环控制系统。具体目标包括：（1）分析并解释循环启动后二氧化碳浓度的非单调变化规律，确定关键的监测点，并选择合适的预测时间范围；（2）开发并对比不同的条件Seq2Seq预测模型，选出适合在边缘控制平台上应用的模型；（3）通过独立的全尺度实验中的自动闭环控制来评估所选模型，重点考察其阈值保护功能、提升空间浓度均匀性的能力以及维持有效二氧化碳浓度的效果。

整体实验设计：在同一个10,000吨的混凝土玉米筒仓中进行了两项全尺度实验。第一项实验在人工控制设备运行的条件下进行，旨在分析循环启动后二氧化碳浓度的变化情况，同时收集数据用于构建条件多步预测模型。之后，选定的模型被部署在边缘控制平台上，并在第二项全尺度实验中的自动闭环控制过程中接受测试。

二氧化碳浓度预测模型的性能：表2展示了三种模型在验证集和独立测试集上的预测误差，其中平均绝对误差和均方根误差均以百分点表示。在作为控制决策点的传感器1处，Seq2Seq-LSTM模型在两个数据集上的误差均最低。在验证集上，它的平均绝对误差为0.145个百分点，均方根误差为0.235个百分点，R2值为0.9858。其均方根误差比Seq2Seq-MLP模型低约9.6%，比另一模型低28.7%。

结论：本研究针对大型混凝土筒仓在二氧化碳控制气氛处理过程中出现的明显二氧化碳浓度分层问题以及确定合适循环启动时间的困难，开发了一种基于条件多步预测的智能循环控制系统，并通过在一个10,000吨的混凝土玉米筒仓中进行的两次全尺度实验对其进行了验证。主要结论如下：（1）在开始向下循环后，检测点处的二氧化碳浓度……

作者贡献说明：Jie Lin负责概念构思、数据整理、正式分析、软件应用以及初稿撰写；Kun Hu负责正式分析、监督工作以及文本的审阅与编辑；Xiaoping Yan负责资金筹集、项目管理以及文本的审阅与编辑；Haoyu Wen负责正式分析与调查工作；Xiaoyu Zhang负责正式分析与调查工作；Yining Wu负责正式分析与调查工作；Yuanyi Luo负责概念构思、正式分析、项目管理以及文本的审阅与编辑；Hongwei Xiao负责……

人工智能工具使用声明：在撰写和修改本手稿的过程中，作者们适当使用了人工智能辅助工具来优化语言表达。之后，作者们对文本进行了仔细审阅和编辑，并对手稿的内容承担全部责任。

利益冲突声明：作者们声明自己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。

致谢：本研究得到了中国国家重点研发计划（2023YFD1701204）以及中国农业大学2115人才发展计划的支持。

Jie Lin|Kun Hu|Xiaoping Yan|Haoyu Wen|Xiaoyu Zhang|Yining Wu|Yuanyi Luo|Hongwei Xiao
中国农业大学工程学院，北京，100083，中国