综述：数字孪生与物理信息机器学习用于安全的农业工业废弃物高值化利用：生物活性成分回收、食品级标准化与监管准备

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Digital Twins and Physics-Informed Machine Learning for Safe Agro-Industrial Waste Valorization: Bioactive Recovery, Food-Grade Standardization, and Regulatory Readiness

　　

# 农业工业副产物利用：数字孪生与物理信息机器学习的综述

## 摘要

**背景**：农业工业副产物是酚类、色素、多糖、蛋白质等功能成分的丰富来源，但食品级利用仍受限于原料异质性、传感器不确定性、经验放大、溶剂与能源负担以及污染物共提取等问题。

**范围与方法**：本综述批判性地评估了数字孪生和物理信息机器学习（PIML）作为副产物利用的安全边界框架，涵盖过程分析技术、实验室检测、软传感器、单元操作模型、模型预测控制、技术经济评估、生命周期评估及法规审计追踪，特别强调目标生物活性物质回收与农药、真菌毒素、金属、残余溶剂及工艺杂质迁移与浓缩的耦合。

**主要发现**：PIML可将传输、反应、流变及降解约束嵌入学习架构，改善稀疏、漂移的食品工艺数据外推能力。数字孪生可将模型扩展为同步的 cyber-physical 系统，在优化回收的同时强制执行校准不确定性、污染物边界、可解释性及可追溯性，满足 EFSA Novel Food、FDA GRAS、Codex 等法规路径。

**结论**：数字孪生/PIML应作为分阶段、基于风险的决策支持系统实施，而非传统优化的通用替代方案。

---

## 核心概念区分

| 概念 | 定义 |
|------|------|
| **数字孪生** | 双向同步的虚拟表征，摄取实时数据、更新内部状态并返回决策或建议 |
| **数字阴影** | 接收过程数据但不返回决策或控制建议的表征 |
| **数字模型** | 不与实时过程数据自动同步的表征 |
| **PIML** | 将物理约束嵌入学习架构的广义方法 |
| **PINN** | PIML 的一种特定神经网络实现，两者不可互换使用 |

---

## 四个耦合状态变量

1. **原料状态** — 品种、成熟度、储存历史、微生物负荷、水分、粒径
2. **单元操作状态** — 提取、分离、干燥等工艺参数
3. **产品质量状态** — 目标生物活性物浓度、功能特性
4. **危害状态** — 农药、重金属、真菌毒素、残余溶剂、工艺杂质

---

## 安全不变量与安全边界

- **安全不变量**：危害状态上置信界的约束，必须满足后方可接受操作点，优先级高于产率或经济目标
- **可比性包络**：定义商业批次是否仍与法规验证批次具有代表性的化学、光谱及物理指纹

---

## 与现有文献的区别

| 文献 | 关注点 | 本综述差异 |
|------|--------|-----------|
| Cosenza & Cravotto (2026) | AI辅助决策支持、业务与市场风险 | 本综述聚焦污染物迁移作为物理约束的危害状态 |
| Ugwu et al. (2026) | 货架期数字孪生应用 | 本综述构建副产物特有的提取/危害分配架构 |
| Abdurrahman & Ferrari (2025) | 食品行业监测 | 本综述强调耦合的生物活性-危害状态 |
| Won & Choi (2026) | 绿色回收与路线选择 | 本综述采用持续同步的PIML控制系统 |

---

## 四项核心贡献

1. **耦合系统建模** — 将目标化合物与相关危害（农药、重金属、真菌毒素、残余溶剂、工艺杂质）作为具有各自扩散、结合及不确定性行为的单一耦合系统建模
2. **物理基础构建** — 模型基于真实过程物理（质量与能量平衡、提取与降解动力学、流变学、干燥行为），而非简单附加的仪表盘
3. **结构化安全执行** — 当预测危害风险上界超过法定或内部限值时，无论回收率如何，均拒绝该操作点
4. **统一记录架构** — 监测、控制、成本、环境影响、批次历史及法规文档整合为一条连接记录

---

## 方法论

采用修改版PRISMA-ScR临界范围框架，文献检索覆盖Scopus、Web of Science、ScienceDirect、PubMed、Google Scholar及预印本服务器。未进行正式Meta分析，因证据包含提取实验、传感器与PAT研究、计算模型等异质性数据。

> 检索截至2026年6月6日，未发现有公开索引来源联合形式化PIML约束的单元操作孪生、耦合生物活性-危害状态、不确定性边界释放不变量及法规可比性框架。

不同于纯粹从数据中学习，该方法还会因预测与过程的已知物理规律（即控制扩散、热传递或反应速率的方程）不一致而受到惩罚，并在模型Digital Twin Continuum（数字孪生连续体）与数字成熟度之间常常产生混淆。食品生物精炼厂应逐步推进这些层级，因为过早实现自主运行会引发安全和合规风险。ISO 23247 提供了一套制造业数字孪生框架及其通用原则，而食品特定实施还须额外应对易腐性、法规可追溯性、卫生控制、过敏原控制以及污染物风险（ISO, 2021; Abdurrahman & Ferrari, 2025）。为实现增值利用，数字孪生应同步Multi-objective Optimization（多目标优化）中的取舍关系。增值优化本质上属于多目标问题：提高提取强度（更高的温度、更长的停留时间、更低的pH值或更强的溶剂）往往能提高目标化合物的回收率，但同时也可能降低生物活性、增加污染物共提取或提高能耗。优化不应仅仅最大化单一响应，而应识别帕累托前沿，即在此边界上没有任何一个目标（产率、功能性、安全性或From retrospective quality control to predictive quality assurance（从追溯性质量控制到预测性质量保证）。食品级增值利用需要原料变异性、加工条件与最终产品规格之间具备可重复的关系。传统质量保证主要是追溯式的：生产批次、取样、分析，然后决定是否接受或拒绝。数字孪生通过预测质量偏差的发生实现前瞻性方法，从而及时调整固液比、停留时间、膜压力或干燥Hazard identification and contaminant partitioning（危害识别与污染物分配）等工艺变量。农业工业副产品通常含有更高浓度的污染物，因为它们包含果皮、表皮、麸皮层以及受损组织，其中会积累农药残留、重金属、霉菌毒素、微生物毒素、多环芳烃、残留溶剂、过敏原和抗营养因子（Socas-Rodríguez et al., 2021; Codex Alimentarius Commission, 2025）。增值利用可能会与目标生物活性物质一同进一步富集这些危害；例如，某些EFSA Novel Food and FDA GRAS perspectives（EFSA新食品与FDA GRAS视角）。不同司法管辖区的监管期望有所差异，但证据逻辑类似：必须记录身份、制造工艺、成分、规格、预期用途、暴露量、营养相关性、毒理学、致敏性、稳定性和质量控制。EFSA在新型食品进入欧盟市场前评估其安全性，包括生产工艺、成分、规格、拟议用途、摄入量、毒理学信息和致敏性（EFSA, 2026）。Dynamic TEA inside digital twins（数字孪生内的动态技术经济分析）。技术经济分析通常作为工艺优化后的静态电子表格进行，但这会扭曲实际图景，因为经济可行性取决于变动的产量、溶剂回收、能耗、人工、清洗、停机时间和市场价格。数字孪生可以通过比较某一种增加产量的剧烈提取条件是否同时增加溶剂损失、膜污染或被拒绝的概率，来按批次更新成本和收入估算。因此，动态技术经济分析可Sensor fouling, signal drift, and matrix interference（传感器污染、信号漂移和基质干扰）。食品残渣流通常是浑浊的、粘稠的、含颗粒的、粘性大、酸性强、具有酶活性且容易结垢。光谱探头可能被果胶、淀粉、蛋白质、油脂或悬浮固体覆盖。随着浊度增加，光程可能发生变化。温度会影响光谱和传感器电子元件。这些问题可能导致在线预测在工艺最需要它们的时候表现更差。实用的数字孪生必须包含传感器维护计划、自动Generative AI and large language models（生成式AI与大语言模型）。大语言模型可以支持文献挖掘、协议起草、故障排除、标准作业程序检索、法规文档导航和操作员培训。它们可以帮助将数字孪生输出转化为人类可读的解释，或生成偏差报告。然而，它们不应直接控制工艺或凭空编造安全理由。在食品级增值利用中，生成式AI必须受到经验证数据、经批准程序和专家Conclusions（结论）的约束。数字孪生和物理信息机器学习可以通过整合原料异质性、工艺物理、实时传感、多目标优化、安全边界、法规可追溯性以及经济-环境决策，重塑农业工业废物的增值利用。它们最重要的贡献并非仅仅预测提取产率，而是能够将可变、可能受污染的残渣转化为标准化食品级成分Uncited reference（未引用参考文献）的能力。GS1, 2017; Riyamol and Gada Chengaiyan, 2026; Tao et al., 2018。利益冲突声明：作者声明不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。CRediT作者贡献声明：Chandan Kumar Sahu：构思、方法论、调查、数据整理、可视化、撰写—原始草稿、撰写—审稿与编辑。Amit Arora：构思、监督、验证、项目管理、撰写—审稿与编辑。数据可用性：本综述未生成或分析新的实验数据集。声明在稿件准备过程中使用生成式AI及AI辅助技术：在准备本修订稿期间，作者使用OpenAI ChatGPT（GPT-5.5 Thinking）支持语言润色。使用此工具后，作者对内容进行了必要的审阅和编辑，并对稿件承担全部责任。资助：本研究未获得公共、商业或非营利部门的资助机构的具体拨款。竞争利益声明：作者声明不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。Chandan Kumar Sahu | Amit Arora Bioprocessing Laboratory, Centre for Technology Alternatives for Rural Areas, Indian Institute of Technology Bombay, Powai, Mumbai 400076, India 印度孟买帕沃伊印度理工学院农村替代技术中心生物加工实验室，邮编400076。