用于食品动力学建模的物理信息神经网络

本项目探索了物理信息神经网络（PINN）在食品加工和储藏过程中品质动力学建模中的应用。传统动力学模型依赖预设方程，纯数据驱动模型则常在外推时表现不稳。PINN 通过在训练中嵌入已知物理与动力学关系，结合两者优势。 在种子干燥、面包烘焙和猕猴桃软化等案例中，研究显示 PINN 在插值与外推任务上均优于经验模型，并在数据充足时与物理模型性能相当。PINN 还支持迁移学习，可用较少重训练快速适配新数据。 该研究也指出了局限：PINN 在多阶段加工或突变过程带来的不连续情形下仍具挑战。总体来看，PINN 是食品动力学现代建模的有前景框架，尤其适用于数据有限但物理知识可用的场景。