系统化迁移工作流程在葡萄酒发酵跨尺度鲁棒模型辨识中的应用

《Journal of Food Engineering》：Application of a systematic transfer workflow for robust model identification in wine fermentation across scales

　　

**摘要**
• 系统性工作流在数据约束条件下识别可迁移模型。• 从5升至1000升葡萄酒发酵显式测试了可迁移性。• 经筛选的结构在盲法实验室测试中保持了预测性能。• 不同生产规模下，迁移性能仍表现出状态依赖性。• 固定稳定参数并重新估算关键动力学参数以实现规模适配。

**引言**

在发酵工程中，生物动力学的数学模型正越来越多地被用作过程监控、控制和优化决策支持工具的计算核心（Moser等，2021；Luna等，2021）。其应用范围已扩展至分批发酵和生物制造领域（Peterson等，2025；Miller与Block，2020；Nelson与Boulton，2024）。这些环境的特点是批次间变异与有限且有价值的实验机会并存（Mears等，2017；Rodríguez等，2021；Rajamanickam等，2021）。验证导向和"质量源于设计"的要求需要模型能够支持决策和预测，而不仅仅是描述过去的批次（Albino等，2024；Shariatifar等，2025）。在基于发酵的食品和饮料制造领域——包括葡萄酒、啤酒、乳制品及其他微生物过程——动态现象学和平衡型模型被用于将关键工艺参数与关键质量属性联系起来（Mears等，2017；Rodman与Gerogiorgis，2016；Albino等，2024）。

机理型发酵模型——基于化学计量学、动力学和生理调控表征——仍然处于核心地位，因为它们能够实现工艺设计、监控和控制的可解释预测，并且原则上能够在不同运行工况和规模下保持预测相关性（Mears等，2017；Xia等，2021）。在此背景下，区分三个层次的预测用途：预测充分性描述模型输出与观察值在特定实验和运行域内的一致性；泛化指在未见的批次或运行条件下保持这种一致性，这些条件与用于校准的条件大致相当；可迁移性要求更为严格，因为模型需要跨越不同的生产条件或规模进行评价（Rajamanickam等，2021；Teixeira等，2006）。本研究中的模型迁移是在结构层面使用：从实验室迁移到中试条件时保留控制方程和选定的固定/自由参数化方案，而自由参数在目标规模上以实验室估计值为初始值和边界信息进行重新校准。因此，模型迁移并不意味着所有参数值不变，也不同于一般的迁移学习算法。这种区分与工业食品制造中"适合用途"和简约建模的原则一致（Hamilton等，2022；Kroll等，2017；Ramkrishna与Song，2016）。

模型的实用性主要取决于在稀疏、含噪测量和异质运行条件下可辨识性和可迁移性。在工业发酵实践中，稀疏性反映了持续演变的工艺动力学与相对较低频率的有价值生物和化学测量可用性之间的不匹配，而非工艺数据的缺失。例如，商业葡萄酒发酵通常仅通过每日手动采集的一至两次密度测量进行监控，而生物量、营养物和代谢物信息通常通过频率较低或非同步的离线测定获得。因此，工业数据集通常将高频工艺信号与少量在不规则间隔采集的状态测量相结合（Mears等，2017；Nelson与Boulton，2024）。此处的"稀疏"指的是对动力学模型辨识所需状态的有限且不均匀的时间覆盖，并不意味着通用的数值采样阈值。

实际可辨识性研究表明，在稀疏且含噪的轨迹条件下，多个参数向量可能在统计上无法区分，导致强烈的参数相关性和非唯一估计，即使潜在的机理结构是合理的（Holmberg，1982；Andersson等，2025）。这种模糊性表现为有效过度参数化，即可用数据无法支持所有名义模型自由度的独立估计（Gutenkunst等，2007）。在工业规模下，这种局限性变得更加严重，因为混合和散热不完全会产生温度、底物和营养物质浓度梯度，而标准工厂仪表仅能部分捕捉这些梯度（Lara等，2006；Olatunji等，2017；Perrot等，2011）。在此类条件下，几种替代模型结构可能以相当的拟合性能重现测量轨迹（Apgar等，2010；Chis等，2016；Raue等，2011）。估计参数也可能吸收未解析的工艺异质性，表现为有效替代变量而非可迁移的动力学量（Delvigne与Noorman，2017；Luo与Schuur，2020）。因此，仅凭拟合优度不足以区分不同模型结构，因为结构上不同的模型在可辨识性、不确定性和跨运行条件或规模的可靠性方面可能存在显著差异（Sin等，2010；White等，2016）。核心方法论任务是将这种多重性缩减为一组良态的候选结构集合，其稳健性和迁移行为可以被显式测试（Transtrum等，2015；McNally等，2011）。

传统的敏感性和可辨识性分析对于诊断为何机理型生物过程模型在有限观测下难以可靠拟合仍然不可或缺。敏感性分析有助于识别有影响力的参数并揭示参数空间中的松散方向（Gutenkunst等，2007；Transtrum等，2015）。实际可辨识性分析通过检测稀疏观测下约束较弱或强相关的参数组合来补充这一评估（Chis等，2016；Raue等，2011）。在微生物和生物过程模型中，有限的轨迹因此可能支持多种统计上合理的参数化方案，即使潜在的机理结构是合理的（Holmberg，1982）。然而，当单独使用时，这些分析主要仍是诊断性的：它们指示模型在何处处于不良条件，但未必定义了一条可重复的途径来生成替代参数化、在共同标准下筛选它们、测试其对稀疏数据的稳健性，以及选择跨条件或规模迁移的候选结构。

几种现有方法解决了这个问题的部分重要方面。例如，HIPPO提供了一种迭代重新参数化程序，适用于动态生物反应器模型，结合敏感性、显著性、可辨识性、优化和拟合性能诊断来识别可估计参数的缩减集（Sánchez等，2014）。AutoRepar通过自动构建可辨识且可观测的重新参数化来解决结构不可辨识性，同时保留机理洞察力（Massonis等，2023）。针对有限数据下的非线性动态系统，相关参数子集选择策略也已被提出，强调在降低模型复杂度时需要平衡可估计性、稳健性和预测性能（Bae等，2020）。在软件层面，AMIGO2和Data2Dynamics提供了成熟的环境，用于动态仿真、参数估计、可辨识性分析、不确定度量化及相关优化任务（Balsa-Canto等，2016；Raue等，2015）。与此同时，面向目标的建模工作流已展示了如何迭代地调整机理模型结构和参数化以适应定义好的生物过程目标（Kroll等，2017；Ulonska等，2018）。这些方法为迭代参数缩减、结构重新参数化、多实验校准、不确定度分析和面向目标的模型开发提供了互补基础。本研究将替代固定/自由参数化方案的谱系与统一可行性筛选器、实验级稳健性诊断、共识优先级排序和外部迁移评价联系起来。

相对于传统单一完整结构的校准方法，预期优势在于使用共同的可辨识性、稳健性和预测标准在迁移前筛选出条件不良的固定/自由替代方案。这减少了对拟合优度的单一依赖，尽管并不保证一个入围结构在所有外部验证案例中都占主导地位。

本研究评估了基于诊断的重新参数化和排名工作流能否将结构多重性缩减为一组紧凑的候选葡萄酒发酵模型结构，用于后续验证和规模迁移测试。其贡献并非一个新的动力学模型，也不声称某一结构普遍优越；它是一套缩减结构复杂度并识别候选结构的工作流，这些候选结构的稳健性和迁移行为可以被显式测试。我们通过葡萄酒发酵的案例研究演示了这一工作流。在本研究中，从实验室规模数据开发的机理模型被重新参数化、筛选、排名，并在具有工业等效采样的中试规模条件下进行评估。

**章节片段**

**重新参数化程序**

如图1所述，所提出的工作流包含四个关联阶段：候选结构生成、可行性筛选、稳健性量化和多准则模型选择。阶段I生成并表征HIPPO衍生的候选参数化方案；阶段II保留满足实际可辨识性和参数显著性标准的结构；阶段III通过测量扰动和实验级数据下的MC-LOEO-CV评估校准稳健性。

**阶段I：参数不确定性下的模型结构表征**

按照图1中的工作流，阶段I生成了一个广泛的、有注释的候选模型结构群体，在承诺用于跨规模迁移的公式之前映射结构自由度，以应对稀疏的类似酒庄的测量条件。图3提供了结构约束在HIPPO分支过程中如何产生的紧凑视图。保留的分布对应于满足阶段II相关性筛选和参数显著性筛选标准的结构。

**结论**

本研究提出了一种分阶段工作流，用于模型结构简化和选择，以迁移测试作为主要设计目标。该方法将结构简化视为对由受控参数固定生成的候选参数化方案的系统探索，随后通过实际可辨识性和统计显著性的统一后筛选器进行筛选。可行的结构随后使用多准则稳健性指标和共识决策进行排名，产生一个…

**CRediT作者贡献声明**

Cristóbal Torrealba Vásquez：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，方法论，调查研究，正式分析，数据整理，概念化。Ricardo Luna Hernández：写作 – 审阅与编辑，监督，资源，项目管理，概念化。Pedro Saa-Higuera：写作 – 审阅与编辑，监督，方法论，概念化。José Ricardo Pérez-Correa：写作 – 审阅与编辑，监督，项目管理。

**生成式AI和AI辅助技术在写作过程中的使用声明**

在本工作准备过程中，作者使用了ChatGPT来支持语言编辑、文本清晰度和手稿结构化。在使用该工具后，作者根据需要审阅和编辑了内容。所有科学内容、数据解释和结论均由作者构思、验证和批准，作者对手稿的完整性和准确性承担全部责任。

**资助**

本研究主要由Vi?a Concha y Toro S.A.资助，该公司支持了研究的执行，并通过智利CORFO管理的研发税收激励计划（项目PI-4497）利用部分相关研发支出。

VitiScience研究中心提供了额外支持，该中心在ANID应用研究中心计划（CIA 250013）下获得资助，共同资助了其研究项目范围内的研究活动。

赞助商未参与研究过程。

**利益冲突声明**

作者声明不存在可能影响本文工作的已知竞争性财务利益或个人关系。

**致谢**

作者感谢Vi?a Concha y Toro研究中心和创新中心以及VitiScience研究中心提供基础设施、技术支持以及与正在进行的研究项目的整合。

Cristóbal Torrealba Vásquez|Ricardo Luna Hernández|Pedro Saa-Higuera|José Ricardo Pérez-Correa