综述:生物质干燥过程预测的计算建模、神经网络与实验研究进展

《Energy Conversion and Management-X》:Computational modelling, neural networks and experiments for biomass drying process prediction: A review

【字体: 大 中 小 】 时间:2026年03月27日 来源:Energy Conversion and Management-X 7.6

编辑推荐:

  生物质干燥是生物能源与生物基产品产业链中的关键环节,然而针对多样化的木质纤维素类原料及干燥器构型预测其干燥行为仍具挑战性。本综述系统梳理了近15年来机理模型、计算流体动力学(CFD)模拟、实验测量与人工神经网络(ANN)在木质纤维素类生物质干燥动力学及工艺性能

  
生物质干燥是生物能源与生物基产品产业链中的关键环节,然而针对多样化的木质纤维素类原料及干燥器构型预测其干燥行为仍具挑战性。本综述系统梳理了近15年来机理模型、计算流体动力学(CFD)模拟、实验测量与人工神经网络(ANN)在木质纤维素类生物质干燥动力学及工艺性能预测中的应用。通过对335篇文献的系统筛选,最终纳入170项符合预设纳入标准的研究,涵盖原料类型、干燥器构型、建模方法及定量性能指标可获得性等维度。这些研究被划分为理论发展、实验研究、CFD模型及ANN/自适应神经模糊推理系统(ANFIS)应用四类。综述分析了干燥速率、有效水分扩散系数及相关传递系数的测定方法,及其在物理驱动与数据驱动模型中针对对流式、流化床式、回转式及太阳能辅助干燥器的应用。已报道的预测精度普遍较高(最优模型的R2通常高于0.95),但强烈依赖于原料表征、实验设计及模型结构。重点讨论了ANN与ANFIS预测器的数据需求、训练策略及其在预测误差与灵活性方面补充或超越传统半经验模型的能力。本综述识别了扩散式干燥器、木质纤维素类原料标准化表征及预测模型外部验证等方面的持续研究空白,在此基础上提出了集成CFD–实验–ANN的框架,并阐述了面向工业生物质干燥器的设计导向研究方向,以支持开发更可靠、高能效及低排放的生物质干燥系统。
引言
干燥过程是食品工业的关键操作,并因生物质作为可再生能源替代化石燃料的应用日益广泛而在能源生产中扮演重要角色。表征干燥过程中物料的热质传递特性至关重要,相关研究通过理论、实验与计算途径解析该特性随物料类型及干燥器构型的变化规律。干燥过程的物理基础主要由描述扩散传质的菲克第二定律、描述导热傅里叶定律及描述对流传热的牛顿冷却定律构成,这些定律可耦合以全面描述多种物料的传递现象。此外,物料结构、几何形状、干燥器尺寸、颗粒运动及毛细作用等因素均影响干燥进程,因此计算模型必须纳入特定方程以表征这些属性,进而生成干燥曲线并确定热质传递参数。近年来,人工神经网络与模糊逻辑在干燥特性与行为预测中的应用愈发普遍,各类数学模型相继被开发,网络构型根据输入与输出参数数量定制,并合理选择隐含层进行数据处理。基于此,本文献综述全面涵盖了数学建模、实验工作、计算模拟及神经网络应用,初始筛选出335篇涉及计算建模、实验测量、数学建模及神经网络设计的文献,经详细评估后选定170篇支持木质纤维素类生物质干燥过程及热扩散系数测定的研究,分类为理论研究(16篇)、实验工作(64篇)、人工神经网络研究(21篇)及计算建模研究(69篇)。近期研究显著集中于计算建模,尤其关注采用神经网络预测干燥行为,多数模拟通过CFD实现,新兴趋势还包括结合离散元法(DEM)的物料运动模拟,以更好地复现与分析复杂干燥场景。现有综述常局限于特定干燥器类型、食品对象或单一建模方法,未能充分整合这些方法在生物质干燥设计与优化中的综合预测能力与局限。因此,本综述旨在整合实验干燥研究、物理驱动建模、CFD模拟及ANN/ANFIS方法,评估当前木质纤维素类生物质干燥的预测策略,明确其主要优势与局限,并指出阻碍工业应用的研究空白。为此,我们系统筛选并分类近期生物质干燥文献,分析不同干燥器构型下干燥动力学与有效扩散系数的测定与建模方法,并提出未来研究方向及混合CFD–实验–ANN框架,以支持更可靠、高能效的生物质干燥器设计。
综述方法学
本工作的文献检索覆盖2009–2024年Scopus、Web of Science与ScienceDirect数据库,检索策略结合了“生物质干燥”“木质纤维素类生物质”“干燥动力学”“有效水分扩散系数”等主题词与“计算流体动力学”“CFD”“离散元法”“ANN”“神经网络”“ANFIS”等建模与预测关键词,仅纳入英文同行评审期刊论文。初筛获得335篇潜在相关文献,首先通过标题与摘要排除不涉及干燥过程、仅针对食品且无生物质或能源应用关联、聚焦非干燥热过程(如燃烧、气化)或无干燥动力学或模型性能定量信息的文献。随后依据预设纳入标准评估剩余文献全文:研究须涉及(a)木质纤维素类生物质或衍生材料,(b)明确描述的干燥器构型或干燥系统,(c)机理/CFD模型、ANN/ANFIS预测器或干燥动力学与传递参数的实验测定。最终确定170篇文献用于详细分析,分为理论建模发展、实验研究、CFD模拟及ANN/ANFIS应用四类。对每篇文献提取原料类型、干燥器构型、建模或实验方法、关键参数(如干燥速率、有效扩散系数、质/热交换系数)及报告的预测性能指标(如R2、RMSE),此分类为后续章节的比较表与综合提供了基础,并通过明确纳入排除标准最小化选择偏倚。
理论发展
理解干燥过程行为推动了大量研究,旨在评估不同物料中热质传递特性,以实现过程能量的高效管理。Kemp与Oakley系统研究了随时间发展的干燥理论,主要分为两大类:计算模型与设计模型。计算模型通过调整理论数学方程描述干燥过程,采用解析与数值算法预测特定条件下的水分变化,常引入假设简化数学复杂度,应用经验或半经验公式描述理想或受限条件下的干燥,将水分变化与传热通过微分方程关联,复杂模型则考虑物料内部动态相互作用,通常需要有限元或有限体积法等高级数值模拟以获得更高细节。设计模型分析干燥器几何、操作条件及被干燥物料特性的变量,以实现高效系统设计及均匀干燥性能。此外,干燥模型还用于从实验室或中试规模放大至全尺寸工业生产时的过程行为预测,帮助理解物料尺寸与数量变化带来的干燥条件改变。干燥过程的理论发展需考虑多种可数学建模的现象,包括连续性方程、动量守恒方程(牛顿第二定律)、能量守恒方程及质量传递方程。当考虑物料孔隙率与毛细作用(如食品干燥)时,采用纳维-斯托克斯方程表征惯性与黏性阻力,导出达西-福希海默方程;对于多孔介质流化床,常采用Ergun方程考虑过程效应。总体而言,干燥过程建模的挑战在于其包含两个明显阶段:初始恒速干燥阶段与后续降速干燥阶段,因此开发了多种数学模型计算各阶段水分含量随过程变量的变化,相关方程结合实验研究获得了基于菲克定律扩散系数的质量流表达式及对流传质表达式。表1汇总了干燥过程理论与建模研究的代表性文献,可作为该领域理论发展的基础。
扩散系数与对流传质系数的实验研究
前述理论模型广泛采用质扩散系数、对流传质系数、热扩散系数及对流传热系数等参数,准确测定这些参数对理论模型的有效应用至关重要。多种设备被开发用于测定这些特性,包括测量质传递参数的装置、直径0.1 m、长1.2 m并采用玻璃棉绝热的实验干燥隧道,以及实验室规模对流干燥单元。多数表征干燥特性的实验在固定对流干燥器中进行,通过监测温度、湿度与空气流速,采用重量法获取干燥动力学数据,并结合Page模型、对数模型、Midilli-Kucuk模型、Weibull模型及Aghbashlo模型等拟合实验值,所得决定系数(R2)范围为0.9715至0.9999,均方根误差(RMSE)为0.0019至0.5164,误差平方和(SSE)为0.001至1.1540。近年实验还聚焦于能效优化及多种生物质特性表征,分析温度与入口风速变化对过程的影响,并将其与多种数学模型关联。此外,流化床干燥器被广泛用于测定干燥过程特性,通过量纲分析与Buckingham Pi定理建立了舍伍德数(Sh)与颗粒雷诺数(Rep)、气体施密特数(Scg)的表达式,获得了对流传质系数与生物质瞬时湿度的函数关系,恒定温度下实验所得对流传质系数的R2介于0.9955至0.9964之间。太阳能干燥器实验除测定有效扩散系数外,还致力于通过太阳能这一可再生资源实现能效提升,部分研究实现了肉豆蔻干燥节能18%至27%,并采用多种数学模型验证,R2值依模型不同介于0.90至0.99之间。另有研究将太阳能与相变材料(PCM)结合,利用PCM储热释热特性延长干燥器运行时间并提升能效。回转干燥器实验则关注物料运动对干燥速率的影响,发现较小颗粒尺寸可获得更优干燥速率,并基于质量毕渥数(Bi)分析物料内部梯度变化。表2至表5分别汇总了对流式、流化床式、太阳能辅助及其他类型干燥器的代表性实验研究。
计算模型
多项干燥过程研究采用计算建模预测不同温度、风速与湿度条件下各类产物的行为,部分预测通过实验验证以支持模型可靠性,如生物质燃烧器与干燥筒组合系统。Jamaleddine与Ray分析了多种干燥过程的CFD模拟,考虑了欧拉-欧拉(双流体)模型与欧拉-拉格朗日(离散颗粒)模型在多相气固流动系统干燥动力学研究中的应用,评述了不同CFD模型在工业干燥器设计中的优劣。干燥过程中的层流与湍流流动由前述控制方程支配,流动建模可分为雷诺平均纳维-斯托克斯(RANS)模型与大涡模拟(LES)模型两类。RANS方法对流动变量进行雷诺分解,分离平均量与脉动量,平均化后产生需建模求解的雷诺应力张量,常用k-ε、k-ω等模型;LES方法直接求解大尺度涡,小尺度涡通过建模降低计算成本。最常用的是k-ε模型,考虑湍动能(k)与耗散率(ε)的守恒,相关常数取标准值。多数计算建模基于CFD研究质热传递特性,按干燥策略、传热方式、固体处理方式及热源原理对干燥器系统进行分类。计算流体力学模型已显著进步,能够考虑干燥过程中物料的多孔行为,整合描述物料热湿行为的基本方程。表6与表7分别总结了生物质干燥中的主要热质传递机制与驱动势。Zhao等提出了考虑对流干燥的多孔介质模型,整合了前述控制方程,描述了热空气在多孔介质中的流动及固相与气相的相互作用;Khan与Straatman开发了强调多孔介质界面质传递的方法,将界面视为阻力并整合入模型方程,提升了干燥时间与热效率的预测精度;Prukwarun等针对固定流化床干燥器,优化了热空气循环配置,并通过实验验证了模型有效性。计算建模的优势在于可评估不同干燥器设计方案,如Prommuak等为废咖啡渣干燥开发的托盘干燥器,通过CFD优化气流分布以提升干燥速率。微波干燥过程的数值与实验建模也被开展,包括红肉木瓜间歇干燥与发芽糙米连续微波干燥,通过红外成像与实验结果对比验证模型。对流干燥建模需结合前述控制方程与局部热质传递系数,其可通过雷诺数、施密特数与普朗特数关联表达。回转滚筒干燥器中颗粒持续运动,需采用离散元法(DEM)建模,商业软件在低颗粒浓度时可耦合CFD与DEM,高浓度则需专用软件整合结果以同时表征流体与颗粒行为。流化床建模需同时考虑物料多孔行为与悬浮颗粒动力学,低颗粒浓度时仅靠CFD可能导致与实验结果不符,颗粒运动是主要挑战,取决于干燥器内体积分数。浸没边界法(IBM)被用于模拟流体与固体的相互作用,结合DEM可更准确表征干燥过程。太阳能干燥器中引入PCM时,需在能量方程中加入PCM的焓、潜热与液相分数定义,并更新动量源项,相关模型已通过实验验证,并开展了生命周期评估比较环境效益。表8汇总了采用不同计算建模方法的干燥过程研究。
人工神经网络的应用
在干燥器行为与干燥过程特性预测模型开发中,人工神经网络(ANN)与自适应神经模糊推理系统(ANFIS)的应用日益增多。利用已有实验数据训练网络,可表征不同干燥器类型对多种产物的行为,网络架构根据输入变量、干燥器构型及期望输出(如对流托盘干燥器的水分比)设计多层结构。ANN在干燥过程中的应用增长源于干燥是多物理场强耦合的非线性过程,ANN作为强大的灵活计算工具,可类似非线性回归分析已有数据,从选定输入预测水分比、干燥速率等特性。ANFIS结合了ANN的数据驱动学习能力与模糊IF-THEN规则的可解释性,通过隶属函数映射输入输出数据集以捕捉非线性干燥行为,采用Takagi-Sugeno-Kang(TSK)模型生成模糊规则,典型双输入ANFIS包含五层自适应与固定节点,采用混合学习算法结合最小二乘法与梯度下降反向传播优化参数。多项研究应用ANN预测生物质干燥速率,如Velázquez-Martí等采用松木屑实验数据训练网络,R2达0.88;Chasiotis等对榅桲切片干燥建模,双隐层ANN(每层90神经元、Sigmoid激活函数)R2约0.99。ANN还可表征热质传递速率,如Saldarriaga在锥形喷动床反应器中以努塞尔数为输出预测传热特性;Güner等采用Levenberg-Marquardt算法训练的ANN预测黑松样品行为,精度最高。ANN模型可表征洋葱、合成褐铁矿球团等不同产物的干燥动力学,精度取决于输入数据质量与网络架构。Chokphoemphun等结合图像处理预测多层托盘对流干燥器中马铃薯切片的干燥行为与收缩率,并与Henderson-Pabis模型及两项模型对比;另一研究改进稻谷流化床干燥预测,最优模型经1800次循环训练后RMSE为0.111,R2达0.999。ANFIS模型也被用于回转滚筒干燥器评估,预测绿豆干燥动力学与品质指标,五个输出变量的R2均大于0.99。Kaveh等比较ANN与ANFIS在实验室对流干燥器中预测番茄、大蒜与哈密瓜干燥特性的表现,发现ANFIS对所有输出变量精度均优于ANN。表9汇总了采用ANN及相关模型的干燥过程研究。表10对比了机理/半经验模型、CFD与多孔介质方法、ANN/ANFIS三类主要预测方法的特点,涵盖优势、局限、数据需求与典型应用。
未来研究方向
对170项生物质干燥研究的分析揭示了若干待解决的研究空白。首先,亟需对预测模型(尤其是ANN与ANFIS)进行更系统的外部验证,多数研究依赖内部验证或有限数据集,缺乏跨实验室、跨工况的独立实验评估,未来应强化跨条件交叉验证与通用基准数据集的使用。其次,木质纤维素类生物质缺乏标准化数据集与表征规程,初始含水率、粒径分布、堆积密度、孔隙率及热物理参数等关键属性的测量方法不统一或未充分报告,开发共享表征规程与代表性原料开放数据集将促进模型校准与比较。第三,融合CFD、实验与机器学习的混合建模框架潜力巨大,CFD生成的时空场可用于设计更优实验并为ANN提供合成训练数据,未来应探索CFD辅助ANN训练、替代CFD的高保真代理模型及实验数据持续更新机理与数据驱动模型的闭环框架。第四,需加强生物质干燥模型的不确定性量化与敏感性分析,多数研究仅报告单一最优参数值而未分析测量误差、参数变异性与模型假设对预测结果与设计建议的影响,未来应纳入全局敏感性分析、关键参数置信区间及概率方法评估干燥器设计与控制策略的鲁棒性。最后,未来研究应更聚焦设计导向与放大导向,明确关联预测模型与工业干燥器性能,考察部分负荷运行、原料特性波动、上下游工艺集成及干燥对能效与排放的综合影响,耦合详细模型与简化设计工具及控制导向模型的框架将有助于缩小实验室研究与工业应用间的差距。图10总结了提出的扩散式干燥器集成研究框架,将实验表征、机理与CFD建模及ANN预测整合于单一工作流程,包含模型验证与优化的反馈回路,确保操作条件、原料特性或干燥器规模变化时预测的可靠性。
结论
本综述分析了过去15年170篇同行评审的生物质干燥研究,涵盖理论发展、实验研究、CFD模拟及ANN/ANFIS应用。研究表明,已开发多种数学模型与实验构型描述干燥动力学,测定木质纤维素类生物质及相关材料的有效水分扩散系数、质热交换系数及能效指标。物理驱动模型(包括扩散模型与半经验关联式)仍是解读实验数据与初步干燥器设计的最常用工具;CFD方法可详细描述对流、流化床、回转及太阳能辅助干燥器内的流动、热质传递,分析复杂几何与操作条件,但其应用受限于计算成本、详细输入数据需求及湍流与多相建模的复杂性;ANN与ANFIS模型在干燥曲线与工艺指标预测中展现了高精度,数据充足时R2常优于半经验模型,其优势在于灵活性与捕捉非线性关系的能力,但受限于训练数据的可用性与质量、可解释性差及跨原料与跨尺度外部验证的匮乏。所有建模策略均面临木质纤维素类生物质表征不足、实验规程异质性及标准化数据集与验证实践缺失的挑战,阻碍了研究间的直接比较与实验室结果向工业设计的转化。为解决这些空白,本综述指向集成实验表征、机理与CFD模型及机器学习预测器的混合框架,此类框架可发挥各方法优势:实验提供可靠数据与验证,CFD深入解析传递现象与设备性能,ANN类模型实现快速预测以支持设计筛选、控制与优化。实施此类框架,结合改进的不确定性量化与设计导向研究,将支持开发生物能源应用中更可靠、高能效及低排放的生物质干燥系统。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号