《Current Research in Food Science》:A Digital Twin Approach for Optimizing Okara-Based Greek-Style Yogurt Using Hybrid Gompertz–LSTM Modeling and Data Assimilation
编辑推荐:
植物基酸奶常表现出结构完整性不足和明显乳清析出(syneresis)问题。本研究构建了一种新型豆渣(okara)-椰浆希腊风格植物基酸奶,并开发了一个物理增强型(physics-augmented)数字孪生系统,以实现稳健的过程控制。流变学与微观结构分析表明,
植物基酸奶常表现出结构完整性不足和明显乳清析出(syneresis)问题。本研究构建了一种新型豆渣(okara)-椰浆希腊风格植物基酸奶,并开发了一个物理增强型(physics-augmented)数字孪生系统,以实现稳健的过程控制。流变学与微观结构分析表明,该豆渣-椰浆基质的分形维数为 Df = 1.686,说明其通过扩散限制簇聚集(Diffusion-Limited Cluster Aggregation, DLCA)机制发生聚集,并形成致密、空间填充型网络。多目标 Pareto 优化确定了最优配方,即 14% 豆渣与 18% 椰浆,该配方在最大化储能模量(storage modulus, G′ = 886 Pa)和总体感官可接受性(8.46/9.0)的同时,将乳清析出率降至最低(1.86%)。为监测发酵与凝胶化过程,研究人员建立了一个混合框架,将机制性 Gompertz 先验模型与长短期记忆网络-支持向量回归(Long Short-Term Memory–Support Vector Regression, LSTM-SVR)残差校正器进行融合。该数字孪生系统获得了较高预测精度(R2 = 0.9928),其性能优于独立机器学习方法。此外,通过集成集合平滑多重数据同化(Ensemble Smoother with Multiple Data Assimilation, ES-MDA),实现了 Avrami 凝胶化动力学参数的动态自校准,分别将 G′ 与乳清析出预测不确定性降低了 58% 和 74%。最终,这种混合物理-AI 方法提供了高可解释、风险感知型过程控制方案,为应对植物基食品制造中原料波动建立了可扩展的工业 4.0 范式。
该文发表于《Current Research in Food Science》,聚焦豆渣(okara)副产物高值化利用、植物基酸奶结构调控以及数字孪生在食品发酵过程中的应用。研究背景在于,植物基酸奶与传统乳酸发酵乳不同,其体系由蛋白、多糖、脂肪和膳食纤维等多组分共同构成,组分间相互作用具有高度非线性,极易受到原料组成变化影响,因此产品质量常表现出较强波动。尤其在豆渣这类农业副产物利用场景中,虽然其富含蛋白和膳食纤维,可提升营养价值并减少废弃物,但其中不溶性纤维碎片又会干扰凝胶网络构建,增加相分离、水分排出和口感变差的风险。进一步引入椰浆和椰胚后,体系中中链甘油三酯与酚类成分的存在,会继续改变微生物代谢行为与结构发育轨迹,使发酵和凝胶化过程更为复杂。既有经验性配方优化或响应面方法难以充分描述这类高维、动态且存在随机波动的食品体系,因此有必要构建兼具机理解释性与动态适应性的数字化控制框架。
基于上述问题,研究人员设计了一种豆渣-椰浆希腊风格植物基酸奶体系,并首次围绕多组分植物基酸奶发酵过程开发物理增强型数字孪生框架。研究目标包括:表征 6 种原型配方的理化、流变与质构特性;建立并比较混合 Gompertz–LSTM 残差模型对 pH 发酵动力学的预测性能;利用集合平滑多重数据同化(ES-MDA)实现凝胶化参数实时估计;并通过多目标 Pareto 优化将动态发酵轨迹与最终品质指标直接关联。研究得出结论:以 14% 豆渣和 18% 椰浆为核心的 F6 配方在结构稳定性、流变强度和感官接受度之间实现了最佳平衡;豆渣-椰浆体系形成了符合扩散限制簇聚集(DLCA)的致密空间填充网络;混合 Gompertz + LSTM 残差模型兼具物理一致性与预测性能,优于单独机器学习模型;ES-MDA 可显著降低储能模量和乳清析出预测的不确定性。该研究的重要意义在于为植物基发酵食品建立了一条“机理模型 + 人工智能 + 数据同化 + 多目标优化”的工业 4.0 路径,不仅服务于配方筛选,也支持发酵过程中的风险感知控制。
在关键技术方法方面,研究人员首先采用受限混料设计构建 6 种豆渣-椰浆-椰胚-豆乳配方,并对每个配方制备 15 个独立生物学重复以表征批次波动;随后结合连续 pH 在线记录、离散活菌计数、流变学测试、质构分析与分形维数计算评估体系结构;在建模上,使用修正 Gompertz 方程描述 pH 动力学、Avrami 模型描述凝胶化过程、Herschel–Bulkley 模型表征非牛顿流变行为,并以 LSTM-SVR 学习机制模型残差;进一步借助 ES-MDA 完成参数同化与不确定性收缩;最后利用差分进化和多目标 Pareto 优化筛选最优配方,并通过初筛感官小组(n = 15)和消费者感官验证队列(n = 120,来自大学校园,18–45 岁)进行验证。
在“3.1. Physicochemical and rheological characterization”部分,研究人员比较了 6 种配方在终点 pH、储能模量 G′、乳清析出率、持水力和总体感官接受度方面的差异,结果显示所有指标均存在显著差异。F6 表现出最佳综合品质,其 G′ 为 885.7 Pa,乳清析出率为 1.86%,持水力为 92.8%,感官接受度为 8.37。尽管 F4 的 G′ 最高,但 F6 在保持接近结构强度的同时,表现出更高感官可接受性。Pearson 相关分析表明,G′ 与乳清析出强负相关,与持水力强正相关,说明更致密的蛋白-多糖网络更有利于束缚水分。分形维数 Df = 1.686 落在 DLCA 理论范围内,支持该体系形成致密、空间填充型网络的判断,这为 F6 低析水、高持水的宏观现象提供了结构学解释。
在“3.2. Fermentation kinetics and Gompertz baseline performance”部分,研究人员监测了发酵过程中 pH 下降与菌体生长行为,发现不同配方具有明确的配方依赖性发酵轨迹。F6 比基线配方 F1 更快达到目标 pH 4.5,且菌体生长更快,说明其基质更有利于可发酵底物利用。修正 Gompertz 模型对 6 种配方的 pH 曲线均表现出极高拟合优度,R
2 均超过 0.9998;对 F6 而言,其初始 pH
0 = 5.766,振幅 A = 1.495,滞后期 λ = 0.404 h,RMSE 为 0.0058 pH 单位。残差分析显示误差均值接近 0,且近似正态分布,支持将 Gompertz 模型作为数字孪生中的功能先验。分组 5 折交叉验证显示该基线模型在未见生物学重复上仍具优异泛化能力。
在“3.3. Avrami gelation kinetics and microstructural insights”部分,研究人员使用 Avrami 模型描述凝胶网络随时间的发展。所有样品的拟合优度均较高,R
2 > 0.996。各配方 Avrami 指数 n 介于 1.62–2.16,表明凝胶化属于扩散控制的三维网络生长。F6 的 k = 0.2750 h-
n,n = 2.077,显示其结构形成速度较快。结合前述分形维数结果,研究进一步确认蛋白-多糖复合体通过 DLCA 路径聚集,而非发生快速相分离,这一连续扩散驱动组装过程有助于形成稳定凝胶,并解释 F6 的低析水与高持水能力。
在“3.4. Herschel–Bulkley rheological behavior”部分,6 种配方均呈现明显剪切变稀(pseudoplastic)行为,即流动行为指数 n < 1。F6 的屈服应力 τ
0 = 26.69 Pa,稠度系数 K = 13.33 Pa·s
n,流动行为指数 n = 0.388,拟合优度 R
2 = 0.9949。该结果说明 F6 在低剪切或静置状态下能维持良好形态,而在高剪切条件下又具有较低流动阻力,兼顾食用勺舀性与工业泵送性。屈服应力与 G′ 呈正相关,说明稳态流变和小振幅振荡测量共同反映了网络结构的强化程度。
在“3.5. Machine learning model comparison”部分,研究人员比较了多种模型的预测能力。单独支持向量回归(SVR)模型的 R
2 为 0.8632,LSTM-SVR 混合模型略提高至 0.8686,而提出的 Gompertz + LSTM 残差融合模型在测试集上达到 R
2 = 0.9928,RMSE = 0.0518,并在完全未见的生物学重复 15 上仍取得 R
2 = 0.9850。结果表明,当发酵轨迹整体平滑且具单峰特征时,机理模型可提供可靠骨架,而机器学习适合学习由豆渣和椰浆多组分干扰引起的系统残差;两者融合后既保留生物动力学一致性,又提高对现实波动的适应能力。
在“3.6. Feature importance and sensitivity analysis”部分,置换重要性分析表明,豆渣含量是影响凝胶网络强度 G′ 的首要因子,随后为椰浆和椰胚;在乳清析出预测中,豆渣和椰浆同样占主导作用。敏感性分析进一步显示,豆渣含量与 G′ 强正相关,与乳清析出强负相关;椰浆也与乳清析出显著负相关。这说明决定体系结构完整性和保水能力的关键在于豆渣提供的纤维-蛋白比例以及椰浆脂肪和蛋白的协同作用。
在“3.7. Multi-objective optimization and Pareto front”部分,研究人员利用训练后的数字孪生作为代理模型,在可行设计空间内同时最大化 G′ 和感官评分、最小化乳清析出,并识别出 46 个非支配解。优化结果显示多个候选配方在模型预测边界处收敛,表现出明显“天花板效应”,提示豆渣与椰浆在一定区间内可协同将结构性能推升至响应面上限。实验验证的 F6 位于该预测边界附近,说明其是兼顾结构稳定性和感官品质的现实最优点。
在“3.8. Digital twin feedback loop performance”部分,研究人员将数字孪生以偏离真实值的 Avrami 参数冷启动,并通过 5 次 ES-MDA 迭代逐步校正。参数估计朝实验参考值稳定收敛,凝胶化曲线预测 RMSE 从 0.262 降至 0.135,降低 48.4%。这一结果说明数字孪生可利用稀疏观测实现自校准,并维持更新方向的物理一致性与数值稳定性。
在“3.9. ES-MDA uncertainty quantification”部分,研究人员进一步证明数据同化可显著压缩预测不确定性。对于 G′,95% 置信区间宽度由 192 Pa 缩小至 81 Pa,降低 58%;对于乳清析出,95% 置信区间宽度降低 74%。将后验集合传播到全部实验配方后,各配方 G′ 预测标准差均保持较低水平,说明模型在整个设计空间内具有较好可靠性。该能力对于原料季节性波动明显的工业化植物基酸奶生产具有直接应用价值。
在“3.10. Sensory evaluation and structure–function relationships”部分,研究人员对 F1、F3 和 F6 进行了 120 人消费者感官评价。结果显示三者在奶油感、质地、香气、风味和总体喜好上均存在显著差异,其中 F6 在所有指标上得分最高,总体可接受性为 8.46 ± 0.35。感官结果与仪器指标呈较强正相关,特别是 F6 的高质构和高奶油感与其高 G′ 和低乳清析出相一致,而 F1 因网络较弱且更易相分离而感官评分最低。这表明流变与析水指标可作为消费者接受度的有效物性代理。
讨论部分围绕一个核心逻辑展开:在复杂植物基发酵体系中,仅依赖经验配方优化或单一模型难以同时满足解释性、鲁棒性和实时控制需求。研究通过将修正 Gompertz、Avrami、Herschel–Bulkley 等机理模型与 LSTM 残差学习和 ES-MDA 数据同化结合,建立了从发酵酸化、凝胶形成到最终品质优化的闭环框架。文中讨论强调,豆渣和椰浆并非简单原料叠加,而是通过蛋白、多糖、脂肪和纤维的耦合作用,塑造了具有 DLCA 特征的致密网络,从而支撑低析水、高持水和良好口感;混合物理-AI 模型则在物理约束下吸收批次间生物学随机性,构成更可信的数字孪生内核。整体上,论文将配方科学、食品流变学、发酵动力学和智能制造方法有机整合,显示出对植物基食品工业化控制的现实价值。
研究结论部分可译为:本研究成功开发并验证了一个用于新型豆渣-椰浆希腊风格植物基酸奶配方设计、发酵过程调控与品质优化的物理增强型数字孪生框架。通过整合 pH 动力学修正 Gompertz 模型、Avrami 凝胶化动力学、Herschel–Bulkley 流变模型、分形微结构分析以及 Gompertz + LSTM 残差混合架构,该数字孪生在保持完整物理可解释性的同时实现了较高预测精度。该混合物理-AI 融合模型优于独立机理模型和纯数据驱动模型,适合作为植物基食品发酵实时数字孪生的核心引擎。多目标 Pareto 优化确定 F6 为平衡最优配方,其具有较高 G?、较低乳清析出、较高持水力和较高总体感官接受度。豆渣含量是决定凝胶强度的主导因素。闭环数字孪生反馈机制在 5 次迭代内实现了 Avrami 参数收敛,并显著降低预测误差;ES-MDA 数据同化则显著压缩了 G? 与乳清析出的预测不确定性,从而提供适用于工业原料波动场景的稳健、风险感知型过程控制。更广泛地看,该研究提出了清晰建模原则:机理模型适用于平滑单峰动力学过程,独立 AI 适用于高维探索分析,而混合物理-AI 融合最适合实时数字孪生应用。