**巴西大豆低温干燥过程能量需求分析与建模研究**

《Cleaner Engineering and Technology》：Analysis and modeling of energy demand in the low-temperature drying process of soybean in Brazil

　　

低温干燥（low-temperature drying, LTD）因能够降低热损伤和机械损伤风险而受到关注，但其性能高度依赖环境条件。该研究对巴西这一农业大国和气候多样国家具有重要意义。研究旨在评估大豆LTD过程中电能与热能需求，提出利用残余生物质的可持续替代方案，并开发基于人工神经网络（artificial neural networks, ANN）的高效预测模型。研究人员采用Thompson模型估算标准仓储单元的能量需求，并结合空间插值气象数据，覆盖四个收获季及季节与区域变化。此外，研究实施前馈（feed-forward）ANN作为传统模型的替代方案。结果表明，最大产区马托格罗索州的新鲜产品比能量需求为42.16至88.26 kWh·t^?1，全国总需求介于5.320至9.370 TWh之间，且集中于中西部地区（占42.24%–44.24%）。大豆种皮可完全满足电力需求，CO₂排放平衡介于?5.948×10⁵ t至7.755×10⁵ t之间。LTD过程中的比能量需求为1.266至5.822 MJ·kg^?1（蒸发水）。ANN模型在需求预测中表现出高精度（>97%）。研究认为，巴西气候条件有利于LTD，残余生物质热电联产具有可持续性，且ANN模型预测高效。

**论文解读：巴西大豆低温干燥能量需求的多尺度建模与可持续性分析**

**1. 研究背景与问题提出**

能源效率对可持续经济发展和减缓环境影响至关重要。联合国2030年可持续发展目标7（SDG 7）强调确保人人获得负担得起、可靠和可持续的能源，扩大可再生能源份额并优化资源利用效率。巴西电力结构中水电占比达61.9%（2022年基数），高度依赖水电带来供应脆弱性，且水电厂多位于高生物多样性区域，面临未来水资源不确定性及气候变化影响。因此，巴西亟需投资替代性可再生能源并优化生产过程的能源消耗。

大豆是巴西最重要的谷物作物之一，2022/23年度产量预计达1.66亿吨。大豆收获时籽粒含水量为16%至25%（湿基），不利于安全储存，需将水分降至12%至14%（湿基）。干燥是采后不可或缺的环节，但传统高温干燥可能导致热损伤和机械损伤，并增加能耗。低温干燥（low-temperature drying, LTD）可降低此类风险，但其过程持续时间受环境空气条件、仓储设施特性、装填策略及籽粒初始水分和杂质含量等因素影响。若环境空气温度与相对湿度无法使最终平衡水分达到目标值，则需通过液化石油气（Liquefied Petroleum Gas, LPG）燃烧器辅助加热，这增加了热能消耗和碳排放。

尽管已有研究关注大豆干燥的操作参数优化、干燥动力学及籽粒质量评价，但多数局限于实验室条件或高温干燥系统。目前缺乏在全国尺度上整合气候变异性、能量需求空间分析、生物质能源补偿及人工智能替代模型的研究。尚无研究将Thompson确定性模型与地理空间分析及人工神经网络（artificial neural networks, ANN）结合，用于多收获情景下巴西大豆生产系统的能量评估。

**2. 研究目标与总体思路**

本研究旨在对巴西大豆LTD过程中的能量需求进行时间分析，考虑环境空气条件的影响。具体目标包括：实现Thompson模型并利用2012/13、2015/16、2018/19和2021/22四个收获季的气象数据进行模拟；对LTD电能和热能需求进行地理参考、处理和制图；统计分析收获期内及收获季间的能量需求时间变化；基于政府数据和模拟结果估算区域及国家层面的作物能量需求；评估大豆残余生物质对能量需求的补偿潜力及其对CO₂排放平衡的影响；提出并评估基于人工智能的替代Thompson模型用于能量需求估算。

**3. 关键技术与方法**

研究采用标准仓储单元配置，设定固定气流速率、风机效率和燃烧器效率等操作参数，以隔离气候变量对能量需求的影响。气象数据来自巴西国家气象研究所（Instituto Nacional de Meteorologia, INMET）自动气象站的历史记录，涵盖干球温度、相对湿度和大气压力，模拟每周正午进行。经预处理和收敛性验证，最终获得55,798个有效模拟样本。Thompson模型在Python 3.10.11环境中实现，计算空气的湿空气性质，采用割线法求解平衡温度和水分。能量需求数据通过逆距离加权（inverse distance-weighted, IDW）空间插值方法进行地理处理，生成覆盖巴西全境的栅格图层，并提取27个联邦单元的区划统计。基于平均能量需求，设计完全随机化试验，采用5%显著性水平的方差分析（ANOVA）识别时间差异。此外，利用多次线性回归识别气象变量对能量需求的影响。残余生物质补偿分析采用大豆种皮作为生物质燃料，结合朗肯循环发电效率及能力系数估算电能生成量。CO₂排放平衡考虑了干物质损失（dry matter loss, DML）排放、LPG燃烧排放及生物质替代电力所避免的排放。ANN模型采用前馈多层感知器（multilayer perceptron, MLP）结构，以Levenberg-Marquardt算法训练，输入变量为干球温度、相对湿度和大气压力，输出变量为电能需求、LPG热能和总能量需求。

**4. 主要研究结果**

4.1 Thompson模型收敛性分析

不同收获季的有效气象站数量存在差异：2012/13年为438个，2015/16年为459个，2018/19年为477个，2021/22年为565个。数据缺失或不一致导致部分站点无法收敛。2021/22收获季虽初始站点最多，但收敛率最低（62.05%），其他收获季收敛率分别为2018/19年87.52%、2015/16年87.91%和2012/13年96.50%。尽管存在数据限制，气象站的空间分布仍确保了区域代表性。

4.2 能量需求的初步描述性统计

在巴西全国范围内，干燥2.675×10³ t大豆的平均电能需求介于7.276×10⁴ kWh（2019年1月2日）至9.789×10⁴ kWh（2022年5月17日）。最低离散度记录于2019年3月22日（12.51%），最高记录于2013年8月23日（29.79%）。较高温度和较低湿度可加速干燥，缩短风机运行时间，从而降低电力消耗。平均热能需求（LPG燃烧）介于4.607×10⁴ kWh（2022年1月18日）至1.557×10⁵ kWh（2013年5月24日）。热能需求的变异性高于电能需求，主要由于其对气候条件的敏感性及开关控制机制导致的间歇性供热。

4.3 地理参考数据提取与时间统计分析

经IDW插值生成71,297个像素的栅格图层。南里奥格兰德州、圣卡塔琳娜州和巴拉那州在模拟日内电能和热能需求呈现显著变化，但收获季间无显著差异。东南部地区米纳斯吉拉斯州电能需求在日内无显著变化，而里约热内卢州热能需求波动显著。中西部地区戈亚斯州和马托格罗索州在两种能量需求上均呈现显著日内差异，南马托格罗索州仅电能需求显著，联邦区则表现出较高稳定性。北部地区各州普遍存在能量需求变化，其中阿克雷州是唯一在电能和热能上均呈现收获季间显著差异的州。东北部地区阿拉戈斯、马拉尼昂、伯南布哥、皮奥伊和塞尔希培州在两种需求上均有显著日内变化，巴伊亚和帕拉伊巴州未观察到显著差异。

月均能量需求分析显示，南部三州（PR、RS、SC）呈现不规则但总体上升趋势；塞阿拉、戈亚斯、马拉尼昂、马托格罗索、帕拉、皮奥伊、朗多尼亚和托坎廷斯州总体呈下降趋势；阿马帕、亚马孙、圣埃斯皮里图、南马托格罗索、伯南布哥、罗赖马和圣保罗州呈现无明显趋势的波动。ANOVA结果（p<0.05）表明，月度时间分组相关的季节趋势是能量需求变化的主要来源，而多数州的收获季间差异不显著，仅阿克雷、亚马孙和北里奥格兰德州例外。

多元线性回归模型显示，干球温度对电能和热能需求均有负向影响；相对湿度对两种需求均有正向影响；大气压力对电能需求有正向影响，对热能需求有负向影响。所有变量均具有统计学显著性（p值接近零）。电能模型的均方根误差（RMSE）为7.53×10³，占模拟均值的8.64%；热能模型RMSE为5.55×10⁴，相对均值误差为57.92%。

4.4 各收获季电能与热能需求估算

基于各州大豆产量和比能量需求估算总能量需求。马托格罗索州（产量占全国29.59%）的总能量需求介于1.301至2.725 TWh，为全国最高，占全国总需求的24.47%至29.08%。南里奥格兰德州峰值能量需求达1.855 TWh，高于巴拉那州（1.670 TWh）。全国总能量需求估计介于5.319至9.372 TWh之间，区域分布为：中西部2.247至4.145 TWh（占42.23%–44.24%）、南部1.988至3.786 TWh（占37.38%–40.41%）、东南部0.501至0.516 TWh、北部0.225至0.428 TWh、东北部0.358至0.494 TWh。各州比总能量需求范围为28.29至130.13 kWh·t^?1（新鲜产品）。

4.5 残余生物质能量需求补偿分析

大豆种皮占籽粒总质量的约5%。估算表明，各州大豆种皮可用的生物质能量存在显著差异，马托格罗索州可用能量最高（1.671 TWh），而低产州如阿拉戈斯仅0.178 GWh。东北部州如巴伊亚和皮奥伊的供给率超过100%，显示存在剩余发电量；南部州如巴拉那和南里奥格兰德的供给率为42%至88%，表明残余生物质不足以完全满足需求。尽管部分州能量平衡为负值，但大豆种皮发电在技术上具备完全满足全国电力需求（100%）的能力。

4.6 LTD过程中CO₂排放平衡

干燥时间最长记录在圣卡塔琳娜州（2546 h），最短在塞阿拉州（729 h）。最大干物质损失（dry matter loss, DML）在皮奥伊州（1.121%），最小在南里奥格兰德州（0.002%）。马托格罗索州是DML所致CO₂排放的主要贡献者，每收获季排放量介于9.906×10²至2.280×10⁵ t。LPG燃烧排放方面，南里奥格兰德州和马托格罗索州排放最高，分别达9.644×10⁴至2.743×10⁵ t和9.765×10⁴至3.607×10⁵ t。大豆种皮替代电力所避免的CO₂排放在中西部和南部地区最高，反映了高电力需求与大规模大豆生产的关联。全国CO₂平衡介于?5.948×10⁵至7.775×10⁵ t之间，表明在某些情况下可实现全国范围内的净CO₂封存。

4.7 ANN模型效率分析

基于55,798个有效样本训练的ANN模型，最优架构为：电能模型90个神经元（30%–70%训练数据范围），热能模型90个神经元，总能量模型30个神经元。电能模型在70%训练数据时RMSE为0.27398%，R²值介于0.99708至0.99983；热能模型在60%训练数据时RMSE为1.668%，R²介于0.99403至0.99981；总能量模型在40%训练数据时RMSE为0.92604%，R²介于0.99778至0.99985。独立验证显示，电能、热能和总能量的预测偏差范围分别为?0.79930%至0.21109%、?0.71516%至0.06303%和?2.36549%至1.58453%。间接预测总能量（分别预测电能和热能再相加）在87.5%的案例中比直接预测更准确，偏差范围降至?0.75665%至1.08638%。

**5. 讨论与结论总结**

讨论部分指出，本研究采用的LTD工艺比高温流化床干燥（Soponronnarit等，2001）和混流干燥（Quequeto等，2023）具有更高的能量效率。区域能量需求差异表明，将当地环境条件纳入仓储和采后作业规划的重要性。中西部地区能量需求集中反映其气候特征和大豆生产主导地位，提升该区域能量效率可产生最大的全国性影响。大豆种皮发电潜力表明农业残余物可在提高仓储设施能源自给率的同时减少干燥过程的碳足迹。ANN模型的优越预测性能表明，数据驱动方法可在实际应用中替代计算密集的物理模拟，为实时决策支持和情景分析提供可能。本研究采用标准化仓储单元配置作为关键方法学选择，隔离了气候变异性作为能量需求的主要驱动因素，操作参数的影响留待未来研究。

研究结论可翻译为：少数研究在本文所考虑的尺度下，特别是在巴西气候多样性背景下，探讨大豆低温干燥（LTD）中的电能和热能需求。空间和统计分析显示，在模拟收获季中能量需求存在显著的时间和区域变化。产量最大的马托格罗索州的新鲜产品比能量需求为42.16至88.26 kWh·t^?1。在全国范围内，大豆LTD的总能量需求估计为5.320至9.370 TWh，中西部地区占总量的42.24%–44.24%。比总能量需求为1.266至5.822 MJ·kg^?1（蒸发水），表明其能量效率高于本研究所用对比的流化床和混流干燥系统。大豆种皮的能量再利用显示出抵消电力消耗和改善干燥过程环境绩效的巨大潜力。考虑这一替代方案后，全国CO₂排放平衡介于?5.948×10⁵至7.775×10⁵ t，而大豆种皮产生能量的经济价值与其在动物营养市场的使用价值相当。平均能量成本仅占干燥洁净大豆市场价值的0.99%–3.79%，平均比成本为0.098 $.kg^?1（蒸发水）。此外，所提出的ANN模型预测精度超过97%，证明其作为传统Thompson模型估算电能、热能和总能量需求的高效替代方案的潜力。总体上，研究结果表明巴西具备大豆LTD的有利条件，并证明将气候变异性、地理空间分析、生物质能量回收和人工智能相结合，可为谷物干燥系统的能量规划提供有用的框架。尽管采用巴西大豆生产和气候数据开发，该研究方法可利用代表性数据集适用于其他作物和地理区域。未来研究应纳入操作敏感性分析，包括气流速率、风机和燃烧器效率及筒仓尺寸的变化，并评估这些参数与气候条件之间的相互作用，以进一步提高所提出框架的能量效率和应用性。