《Food and Bioproducts Processing》：Data-driven identification and modeling for cleaning of surfaces covered with film-like soils
编辑推荐：
在食品和制药行业，日常设备清洗消耗大量水与化学品，但现有清洗程序多依赖经验，缺乏优化。为应对这一挑战，来自TUD的研究团队开展了一项关于“表面膜状污垢清洗的数据驱动识别与建模”主题研究。他们开发了两种基于机器学习的清洗机制分类策略，构建了不同机制的基础模型（BCCM框架下），并整合成一个考虑温度和氢氧根离子影响的综合模型。该研究实现了快速（<10分钟）的清洗过程模拟，为基于仿真的清洗工艺优化奠定了基础，具有显著的工业和环保意义。
在食品加工厂，每天打烊后都有一项必不可少的“大扫除”——清洗设备。这可不是简单的冲水，为了达到严苛的卫生标准，防止交叉污染和微生物滋生，工厂需要消耗大量的水和化学清洗剂。然而，一个令人头疼的现实是，这些清洗流程大多基于经验，并非经过科学优化的，专家们普遍认为当前的清洗过程消耗了比实际需要更多的资源。这不仅是巨大的经济成本，也带来了沉重的环境负担。有没有可能像设计一款高效发动机一样，通过计算机模拟来预先设计和优化清洗流程，从而精准地用水、用药，既保证清洁又节约资源呢？要实现这个目标，一个核心的挑战在于：我们缺乏能够准确描述各类污垢在流水冲击下如何被去除的数学模型。这正是德国德累斯顿工业大学流体力学研究所的研究团队在《Food and Bioproducts Processing》上发表的最新研究所要攻克的问题。
这项研究的核心思路是“分而治之”。研究人员认为，污垢的去除遵循不同的物理“机制”，比如像糖块溶解一样的“扩散溶解”，像整片胶带被撕下一样的“粘附剥离”，像内部断裂剥落一样的“内聚分离”，以及像黄油遇热融化流动一样的“粘性迁移”。如果能为每种机制建立数学模型，并先通过分析视频判断污垢属于哪种机制，就能选择对应的模型进行快速模拟预测。为此，他们开展了系统性的工作。
为开展研究，研究人员主要运用了以下几项关键技术方法：首先，利用模型污垢（淀粉代表内聚分离，番茄酱代表粘附剥离，凡士林代表粘性迁移）在透明流道中进行清洗实验，并通过灰度相机记录全过程，构建视频数据集。其次，开发了两种基于机器学习的清洗机制识别策略：一是基于时间序列分析，从视频子区域提取灰度值统计特征，训练神经网络进行分类；二是将视频视为三维图像，利用全卷积网络（FCN）进行图像分割式的像素级分类。最后，在建模方面，采用了边界条件清洗建模框架，将流体流动与污垢去除解耦计算，大幅降低模拟耗时，并针对不同机制建立了包含溶胀、粘附/内聚强度测定、流变学等子过程的物理模型。
数据驱动的清洗机制识别
2.1. 基于时间序列分析的清洗机制识别
研究人员将识别任务转化为监督学习分类问题。他们从清洗实验视频中划分小子区域，手动提取灰度值随时间变化的统计特征作为输入，并标注其主导的清洗机制。通过训练神经网络，他们开发的“离线”方法（使用全过程数据）在模型污垢测试数据上达到了96%的准确率，而更困难的“在线”方法（仅用短期数据预测瞬时机制）准确率为81%。这表明该方法能可靠识别模型污垢的全局清洗机制，可作为实验分析工具，辅助选择仿真模型。
2.2. 基于3D图像分割的清洗机制识别
另一种策略是将视频帧的堆叠视为3D图像，利用全卷积网络进行语义分割。这种方法能天然地考虑图像的宏观模式和邻域关系。在预处理中，他们还引入了一种基于时间梯度滤波的半自动标注流程，比手动标注快30倍且精度相当。在三种FCN架构中，U-Net表现最佳，在未见过的模型污垢数据上达到了92%的准确率和80%的平均交并比。将其应用于未参与训练的标准污垢（如蛋奶冻、明胶）时，模型也能做出基本合理的预测。基于此，研究人员还绘制了清洗机制与主要影响因素的“区制图”。
清洗模型
3.1. 假设与载荷计算
所有模型均在边界条件清洗建模框架下建立，其核心假设是污垢层很薄，不影响清洗流体的流动。流体对污垢施加的载荷通过计算作用在污垢-流体界面上的剪切应力的积分平均值来确定。
3.2. 粘附剥离模型
该模型将粘附剥离过程分解为流体载荷、污垢-基底粘附力、污垢溶胀和剥离判据四个子现象。粘附力通过微操作实验测定，并表示为污垢底部含水量的函数。溶胀过程用一维扩散方程描述。剥离判据为：当流体载荷超过经修正的粘附强度时，污垢被瞬间完全移除。该模型已成功应用于模拟直管道和突然扩张管道中番茄酱的去除，模拟与实验吻合良好。
3.3. 内聚分离模型
内聚分离的建模思路与粘附剥离类似，但关注污垢内部的凝聚力。其特点在于污垢是逐块移除的，因此模型采用单元逐个判断是否剥离。同时，模型考虑了污垢初始质量覆盖度的局部变化对平均清洗时间的影响，通过对不同初始质量的结果进行加权平均来得到最终预测。该模型应用于直管道中淀粉的去除，结果显示清洗时间预测与实验趋势一致。
3.4. 粘性迁移模型
对于像巧克力或油层这样可流动的污垢，模型将其在主流方向离散为多个区段。假设每个区段内为线性速度分布，通过将流体载荷代入污垢流变学本构方程求得剪切速率，进而积分得到流速和区段间的质量交换。模型还包含一个简单的热传导子模型以考虑温度对流变性的影响。该模型成功模拟了管道中巧克力的冲刷过程以及冲击射流移除牛顿油层的过程。
3.5. 综合清洗模型
为了处理多种机制并存或相互转换的复杂情况，研究人员将上述三个模型整合。新模型在每一个污垢区段求解水、氢氧根离子、质量和焓的一维输运方程。在每个时间步，通过比较流体载荷与粘附/内聚强度以及计算区段间质量迁移，来判断发生何种清洗机制。为了展示该模型的潜力，研究进行了一个虚构的优化案例研究，模拟了乳品热交换器中A类蛋白污垢的两阶段清洗（先静态碱液润湿，后动态水冲洗），结果发现了使总清洗时间最短的最佳阶段切换时间，且该时间具有温度依赖性。
研究结论与意义
本研究系统性地发展了两种全新的、基于机器学习的数据驱动方法，用于从清洗实验视频中客观识别清洗机制，这进一步支撑了清洗机制的理论基础。同时，研究团队在BCCM框架下，针对粘附剥离、内聚分离和粘性迁移三种主要机制，建立并验证了基础物理模型，最终将这些模型整合成一个能够处理机制转换的综合模型。在所有研究场景中，执行清洗模拟的时间均少于十分钟。
这项工作的意义在于为清洗过程的仿真优化提供了一套完整的工具链：先通过视频分析识别机制，再选用或组合对应的物理模型进行快速模拟预测。这使得在工业设计中，通过系统改变操作参数并应用优化策略来节约资源成为了可能。然而，研究也指出了未来的挑战，例如当前识别算法对于全新的工业场景（不同土壤、相机视角）的泛化能力有待提升，且模型的参数确定（如粘附/内聚强度随组分和温度的变化）需要大量的实验工作。如何从工业现场可获得的传感器数据中确定必要的模型参数和初始状态，是走向实际应用的关键一步。此外，粘附剥离和内聚分离模型对修正因子的依赖，提示需要对微操作实验进行更深入的数值分析，以从中更精确地提取纯粹的 binding forces。尽管如此，本研究提出的几何无关、计算高效的建模框架，及其与数据驱动识别方法的结合，为理解并最终优化工业清洗过程迈出了坚实的一步。
