基于物理信息的机器学习在植物基食品微观干燥中的应用：计算模型与实验研究的系统综述
机器学习
2025-01-17 v1 生物物理
计算物理
摘要
本综述检阅了关于植物基食品材料（PBFM）干燥过程中微观细胞变化的最新研究，特别强调计算建模方法。综述 addresses（综述）了在微观尺度上的细胞变化研究中对先进计算方法的关键需求。我们系统性地分析了PBFM干燥中的实验研究，概述了其贡献及其在捕捉细胞层面现象方面的局限性，包括在不同干燥条件下数据获取和测量精度的挑战。详细考察了PBFM干燥中微观结构调查的计算模型演进，从传统数值方法到当代最先进的方法，特别关注其处理植物细胞材料复杂非线性属性的能力。特别关注数据驱动模型的兴起及其在预测PBFM干燥过程中微观细胞行为方面的局限性，尤其关注数据集获取和模型泛化性的挑战。综述提供了对物理信息机器学习（PIML）框架的深入分析，考察其理论基础、相关领域的当前应用，以及将物理原理与神经网络架构相结合的独特优势。通过全面评估，我们识别了现有方法中的关键缺口，评估了不同建模方法之间的权衡，并为改进我们对PBFM干燥过程中细胞层面转换的理解提供了见解。综述 concludes（总结）提出了将实验与计算方法相结合以推动食品保存技术发展的建议。
引用
@article{arxiv.2501.09034,
title = {Physics-Informed Machine Learning for Microscale Drying of Plant-Based Foods: A Systematic Review of Computational Models and Experimental Insights},
author = {C. P. Batuwatta-Gamage and H. Jeong and HCP Karunasena and M. A. Karim and C. M. Rathnayaka and Y. T. Gu},
journal= {arXiv preprint arXiv:2501.09034},
year = {2025}
}