《Journal of Food Engineering》：Prediction of 3D printability from rheological and mechanical characteristics of rice and vegetable-derived pastes using machine learning
编辑推荐：
本研究通过机器学习模型（随机森林、XGBoost、LightGBM）预测螺旋式3D食品打印的可行性，基于53种农业副产品衍生的糊状物的流变学与力学特性，提取39个特征构建数据集，结果显示随机森林模型AUC达0.91±0.08，证实综合多特征可准确预测打印性能，并通过模型解释确定剪切应力下的储能模量（G''）、损耗因子（tanδ）及粘结性等关键参数。
金田龙树（Tatsuki KAMATA）|梅田卓美（Takumi UMEDA）|内井大辅（Daisuke Nei）|小林勇（Isao KOBAYASHI）|小津宏之（Hiroyuki KOZU）
日本茨城县筑波市神宫台2-1-12，NARO食品研究所
摘要
本研究旨在利用基于机器学习（ML）的方法，根据用作食品油墨的农产品衍生物浆料的流变学和力学特性来预测螺旋式3D食品打印的打印性能。从10种农产品（使用五种粉碎方法制备的米粉、南瓜/土豆/胡萝卜片以及灭活/烤大豆粉）中制备了总共53种不同面粉/片状物含量的食品浆料。对每种浆料测量了流动曲线、应力/频率扫描以及双咬应变-应力曲线。提取了流变学和力学特性，包括屈服应力、杨氏模量以及在特定点的数据（例如储能模量（G'）和硬度）。创建了一个包含53个实例、39个标准化流变/力学特性以及通过打印食品的大小和重量进行二值标记的打印性能的数据集。使用30次重复分层交叉验证训练并评估了三种ML模型（随机森林、XGBoost和LightGBM）。选定的流变和力学特性的组合获得了最佳的预测性能（例如，随机森林：AUC = 0.91 ± 0.08），证明了从流变和力学特性预测打印性能的可行性。通过排列特征重要性和Shapley加性解释对随机森林模型进行解释后，发现储能模量在1000 Pa剪切应力下、tanδ在1 Pa剪切应力下、内聚性、粘附性和胶凝性是前5个主要特征。这表明了综合使用多种流变和力学特性进行预测的必要性。所获得的知识有助于减少3D食品打印过程中的试错次数并缩短开发周期。
引言
基于挤出的3D食品打印已成为生产符合个人营养需求的美观食品的一个有前景的平台。在挤出食品打印中，基于食品的粘弹性浆料（称为“食品油墨”）通过喷嘴以“丝状”形式挤出，并逐层沉积以形成目标的三维形状。基于挤出的3D食品打印可以分为三种类型：基于注射器的类型，其中食品油墨由活塞挤出；基于螺旋的类型，其中食品油墨通过螺旋的旋转挤出；以及基于空气压力的类型，其中食品油墨使用空气压力挤出（Liu等人，2017年）。3D打印过程稳定运行的能力称为“打印性能”（Kadival等人，2023年）。用于基于挤出的3D打印的食品油墨应具有良好的“可挤出性”和“形状稳定性”。可挤出性指的是从喷嘴挤出丝状物的容易程度，而形状稳定性则描述了打印食品在打印后保持其形状的能力（Liu等人，2018年）。
为了实现高打印性能，必须制备具有适当流变和力学特性的浆料，并调整机器条件，如喷嘴直径、头速和温度（Cheng等人，2022年；Zhu等人，2019年）。食品成分存在批次间差异，类似于农产品。这可能会影响食品油墨的流变和力学特性。因此，通常需要反复进行试错调整，这可能会阻碍3D食品打印的广泛应用。如果能够在打印前根据测量的食品油墨属性预测打印结果，就可以减少试错次数。实验研究了食品油墨的流变和力学特性，以确定它们对基于挤出的3D食品打印的可挤出性和形状稳定性的影响。例如，在流变特性中，损耗切线值影响可挤出性，而储能模量和屈服应力影响形状稳定性。在力学特性中，杨氏模量被认为会影响形状稳定性（Liu等人，2018年；Zheng等人，2021年）。使用先前研究中报告的参数可能有助于预测打印性能。然而，螺旋式食品打印机的挤出机制较为复杂（Guo等人，2019年）。因此，通过综合使用流变和力学特性的各种特征来预测打印结果是重要的。
数据驱动的预测方法对于实现这一目标非常有效。在可能的预测方法中，我们专注于机器学习（ML），它最近已被应用于工程材料的3D打印中，以优化打印参数并预测质量（Meng等人，2020年；Zhang等人，2024年）。最近在3D食品打印中报告了一些ML应用的例子。Lu等人（2023年）证明，仅使用流变特性作为输入，基于图像的ML模型可以高精度地预测食品油墨的打印性能，这些特性由丝状物宽度和粗糙度定义。Ma等人（2021年）使用流变参数和图像分析技术预测了食品材料的丝状物可挤出性。Maldonado-Rosas等人（2025年）开发了一种ML模型，可以根据淀粉浓度和打印温度预测基于淀粉的食品浆料的可挤出性和形状稳定性。以前在3D食品打印中应用的ML主要集中在某些流变特性的影响上，例如食品油墨的屈服应力对打印性能的影响。现在的挑战是将这种方法扩展到包括其他流变和力学特性（如杨氏模量和硬度）的各种参数，以实现整体打印性能的预测。此外，对ML模型行为的解释相对较少，这对于验证预测结果和深入了解食品打印过程的潜在机制非常有用。
我们的团队一直使用基于螺旋的3D食品打印机生产食品，使用由农产品制成的浆料作为食品油墨（Kamata & Nei，2024年；Kozu等人，2024年，2025年；Nei & Sasaki，2023年；Umeda等人，2024年）。在之前的研究中，通过将米粉或蔬菜片与水混合来制备浆料；当面粉/片状物含量过高时，丝状物在挤出过程中会断裂；当面粉/片状物含量过低时，打印出的食品会变平。适当的面粉/片状物含量范围取决于米粉的成分类型和/或颗粒大小。这归因于所制备食品油墨的流变和力学特性的差异。然而，尚未系统地理解这一现象。使用ML可以直接根据所制备浆料的流变和力学特性预测打印性能，而不论成分的类型或颗粒大小如何。
本研究旨在利用基于机器学习的方法，根据用作食品油墨的农产品衍生物浆料的流变和力学特性来预测螺旋式3D食品打印的打印性能。浆料是通过向米粉等农产品中加水制备的，这些农产品具有不同的颗粒大小、南瓜/土豆/胡萝卜片和大豆粉。米粉是日本常用的代表性农产品。南瓜、土豆、胡萝卜片和大豆粉是营养价值高的代表性蔬菜。3D打印实验基于之前研究中使用的米粉浆料，并在相同条件下进行了蔬菜浆料的实验（Kamata & Nei，2024年）。此外，还获得了之前不可用的某些浆料的流变和力学特性的数据。这使我们能够为53种不同成分和面粉/片状物含量的浆料的流变和力学特性以及3D打印结果创建一个统一的数据集。使用这些数据集作为输入，我们评估了基于树的ML模型（随机森林、XGBoost和LightGBM）是否能够准确估计打印性能。我们进一步分析了模型解释，以确定有影响力的参数并提供机制洞察。
材料
从当地市场购买的粳稻（Oryza sativa L. cv. Koshihikari）使用喷射磨机（IDS-2，Nippon Pneumatic Mfg. Co., Ltd.，日本）和锤磨机（1018-S-3，Yoshida Seisakusyo，日本）进行粉碎，筛网直径分别为0.7毫米、1毫米和3毫米，方法如之前的研究所述（Kamata & Nei，2024年）。米粉的中值粒径（D50）在10.5至156.0微米之间（Kamata & Nei，2024年）。南瓜片从Saroma Agricultural购买
浆料的流变和力学特性
图1a-c显示了来自流动曲线、应力扫描和频率扫描测试的代表性流变曲线。图1d显示了从力学特性测量中获得的代表性应力-应变曲线。每个图表显示了每种浆料的代表性片状物/面粉含量。所有浆料的图表数据提供在补充材料图S1-4中。
在流动曲线测试中，剪切应力增加（图1a），表观粘度随之降低
总结、局限性和展望
可以使用基于39种不同农产品类型和面粉/片状物含量的浆料的流变和力学特性的训练有素的ML模型来预测螺旋式3D打印的打印性能。当结合流变和力学特性时，获得了最佳的预测性能。PFI和SHAP分析表明多个特征对预测有全面的贡献。本研究的新发现如下：1）打印性能的预测
结论
本研究证明，可以使用基于农产品衍生物浆料（米粉、南瓜、土豆、胡萝卜和大豆）的流变和力学特性的ML直接预测螺旋式3D食品打印的打印性能。数据集是为具有不同成分和面粉/片状物含量的浆料构建的，结合了标准化的流变/力学特性和二值化的3D打印结果。应用了基于决策树的ML模型，包括随机森林
作者贡献声明
小津宏之（Hiroyuki Kozu）：写作——审阅与编辑、监督、资源管理、项目管理、调查、概念化。小林勇（Isao Kobayashi）：写作——审阅与编辑、验证、方法论。金田龙树（Tatsuki Kamata）：写作——原始草稿、验证、方法论、调查、正式分析、数据管理、概念化。内井大辅（Daisuke Nei）：写作——审阅与编辑、验证、方法论。梅田卓美（Takumi Umeda）：写作——审阅与编辑、验证、方法论
未引用的参考文献
Fawcett, 2006; Liu等人，2024; Ma和Zhang，2022; Ong等人，2022; Rahmani Dabbagh等人，2022; Ranellucci等人，无日期; Ukwaththa等人，2024; Yanev等人，无日期。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
利益冲突声明
? 作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
作者感谢NARO食品研究所的Tomoko Sasaki提供流变仪，以及NARO食品研究所的Miku Nagaya提供质地分析仪。
