諶英敏，王 賀，蘇 勤，趙 銳，宋海燕※

（1. 山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院，太谷 030801； 2. 南京農(nóng)業(yè)大學(xué)工學(xué)院，南京 210031）

0 引 言

蜜桃是一種典型的呼吸躍變型球類果實(shí)，采摘季節(jié)主要集中在炎熱多雨的6－8 月。在此期間，新鮮采摘的蜜桃含有大量田間熱，這導(dǎo)致果實(shí)較高的呼吸強(qiáng)度和乙烯釋放量，加速了新陳代謝和后熟速率，從而使蜜桃耐貯藏性較差和易腐爛[1]。有研究表明采后蜜桃延遲6 h 后冷卻會(huì)使多種營(yíng)養(yǎng)成分損失嚴(yán)重[2]，也會(huì)減慢果實(shí)移入冷藏庫(kù)后的冷卻速度[3]，而快速通風(fēng)預(yù)處理可減輕桃的擠壓機(jī)械傷強(qiáng)度[4]，也可提高貯運(yùn)品質(zhì)和抗氧化性[5]，其冷卻時(shí)間比低溫預(yù)冷少了1/3～4/5[6]。因此，為降低高田間熱對(duì)果實(shí)質(zhì)量的影響，成熟蜜桃采摘后在冷鏈物流前需進(jìn)行快速通風(fēng)預(yù)冷以最大程度提高產(chǎn)品商業(yè)經(jīng)濟(jì)價(jià)值。

計(jì)算流體力學(xué)（Computational Fluid Dynamics，CFD）可通過求解偏微分控制方程來(lái)模擬流固耦合現(xiàn)象，高精度觀測(cè)果實(shí)在預(yù)冷過程中的微觀變化。然而，預(yù)冷試驗(yàn)只能進(jìn)行現(xiàn)場(chǎng)測(cè)試以實(shí)現(xiàn)果實(shí)預(yù)冷效果的宏觀分析，而無(wú)法微觀監(jiān)測(cè)果實(shí)內(nèi)部傳熱傳質(zhì)及空氣流動(dòng)情況，而且物理試驗(yàn)的循環(huán)測(cè)試也會(huì)浪費(fèi)大量人力物力資源。由此，CFD 技術(shù)常用于果蔬采后預(yù)冷研究中，如Berry 等[7-9]采用該技術(shù)模擬了蘋果的對(duì)流換熱，但這些模型卻忽略了果實(shí)內(nèi)部熱源項(xiàng)對(duì)預(yù)冷流場(chǎng)的影響。Han等[10]發(fā)現(xiàn)在CFD數(shù)值計(jì)算中單個(gè)蘋果的呼吸熱對(duì)溫差的最大影響僅為0.033 K，建議蘋果內(nèi)部熱源可忽略不計(jì)。但對(duì)于蜜桃、草莓等易腐爛果實(shí)而言，其新陳代謝更旺盛，有研究表明在相同預(yù)冷環(huán)境下蜜桃呼吸熱約為蘋果的兩倍[11]，Nalbandi 等[12]發(fā)現(xiàn)在數(shù)值計(jì)算草莓預(yù)冷過程時(shí)蒸騰熱的加載可縮短31%的預(yù)冷時(shí)間。由此發(fā)現(xiàn)，呼吸熱和蒸騰熱這兩種熱源程序的同時(shí)加載對(duì)提高易腐爛果實(shí)預(yù)冷過程的預(yù)測(cè)精度非常關(guān)鍵。然而，目前學(xué)者主要分析了桃在冷藏過程中的貯藏時(shí)間和感官品質(zhì)[13-14]，卻較少建立蜜桃在強(qiáng)制風(fēng)冷過程中的傳熱傳質(zhì)動(dòng)力學(xué)數(shù)值模型，也甚少研究不同包裝工藝和預(yù)冷工況條件下蜜桃的預(yù)冷效果。此外，雖然通過CFD 數(shù)值模型可獲得高時(shí)空分辨率下的熱傳遞和氣流分布數(shù)據(jù)，但不能直觀顯示果實(shí)整體預(yù)冷均勻性和冷卻時(shí)間等預(yù)冷效果。不便于快速控制冷卻時(shí)間以實(shí)現(xiàn)果實(shí)及時(shí)有效冷藏轉(zhuǎn)移，從而增大了預(yù)冷能耗成本，延長(zhǎng)了果實(shí)跨區(qū)域銷售的周轉(zhuǎn)時(shí)間，也難以實(shí)時(shí)調(diào)控預(yù)冷環(huán)境參數(shù)以保障果實(shí)預(yù)冷品質(zhì)。

因此，為了實(shí)現(xiàn)冷藏轉(zhuǎn)移時(shí)間的精準(zhǔn)監(jiān)控，提高多層裝蜜桃的預(yù)冷效果，減少現(xiàn)場(chǎng)試驗(yàn)循環(huán)測(cè)試成本，本文建立了包含襯墊和內(nèi)部熱源項(xiàng)的 CFD-WIHS（ Computational Fluid Dynamics-With Internal Heat Source）傳熱傳質(zhì)數(shù)值模型，并結(jié)合試驗(yàn)數(shù)據(jù)驗(yàn)證了該建模的準(zhǔn)確性，然后通過樣本數(shù)據(jù)，基于遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)（GA-BPNN，Genetic Algorithm-Back Propagation Neural Network）構(gòu)建了采后蜜桃預(yù)冷效果網(wǎng)絡(luò)預(yù)測(cè)模型。該模型為后續(xù)學(xué)者研究蜜桃預(yù)冷特性提供了建模依據(jù)，為中小型果園商業(yè)開發(fā)球類果實(shí)預(yù)冷決策自動(dòng)化監(jiān)測(cè)系統(tǒng)以降低預(yù)冷成本、實(shí)現(xiàn)果實(shí)快速冷藏轉(zhuǎn)移和保障果實(shí)預(yù)冷品質(zhì)提供理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

2020 年7－8 月期間，每天從山西省晉中市太谷區(qū)（112°55′E，37°43′N）采摘36 個(gè)直徑約為80 mm 的大久保蜜桃，并在采后2 h 內(nèi)進(jìn)行強(qiáng)制風(fēng)冷試驗(yàn)，如圖1 所示。蜜桃果肉半徑1/2 處溫度由溫度數(shù)字記錄儀（SSN-13E，深圳宇問加壹傳感系統(tǒng)有限公司生產(chǎn)）采集，監(jiān)測(cè)誤差為±0.3 ℃。在預(yù)處理前先啟動(dòng)超聲波加濕器（HS-05-3，中國(guó)無(wú)錫洛社華盛公司生產(chǎn)）使預(yù)冷裝置內(nèi)部空氣相對(duì)濕度保持在90%以上，然后通過操作溫度控制界面（冷凝機(jī)組由北京京輝源制冷設(shè)備有限公司組裝）動(dòng)態(tài)調(diào)控內(nèi)部流動(dòng)空氣溫度，風(fēng)道內(nèi)空氣震蕩幅度為±1 ℃；調(diào)整風(fēng)機(jī)頻率確定空氣流入速率，風(fēng)速值由風(fēng)速檢測(cè)儀（PR-3000-FSJT- V05）監(jiān)測(cè)，誤差為±0.3 m/s，精度為±0.1 m/s。

1.2 建立CFD-WIHS 傳熱傳質(zhì)預(yù)冷模型

1.2.1 物理模型與網(wǎng)格劃分

經(jīng)過市場(chǎng)調(diào)研及文獻(xiàn)參考發(fā)現(xiàn)蘋果、番茄、蜜桃等球類水果，市場(chǎng)上常以瓦楞紙箱包裝為主來(lái)進(jìn)行通風(fēng)預(yù)冷[7-8,11,15-18]，開孔數(shù)主要為2、4、6 和9，開孔直徑范圍20～40 mm；而荔枝、枸杞等小型果實(shí)或杏鮑菇等蔬菜常以塑料筐包裝為主進(jìn)行冰水或真空等其他方式預(yù)冷[19-22]。因此，本文采用雙層加固型瓦楞紙箱，并結(jié)合實(shí)際市場(chǎng)應(yīng)用情況，針對(duì)開孔數(shù)2、4、6 和9 進(jìn)行物理建模。外包裝幾何規(guī)格為428 mm×300 mm×300 mm，厚度為7 mm，襯墊為368 mm×256 mm×4 mm 的單層瓦楞紙板，結(jié)構(gòu)如圖2所示。所有箱體側(cè)面開孔率范圍為0.70%～12.56%，占總包裝面積的0.18%～3.26%，遠(yuǎn)低于瓦楞紙箱通風(fēng)總面積要低于總包裝面積3%～5%的包裝結(jié)構(gòu)設(shè)計(jì)要求；該箱體長(zhǎng)寬比符合1.5∶1 的包裝工程要求[23-25]，這使瓦楞紙箱具有較強(qiáng)的機(jī)械強(qiáng)度和托盤穩(wěn)定性。

利用Meshing 軟件對(duì)箱內(nèi)蜜桃、箱體和流體部分進(jìn)行了非結(jié)構(gòu)化網(wǎng)格劃分，球體和其他區(qū)域空間步長(zhǎng)分別為5 和1 mm。瓦楞紙箱及襯墊壁面與果實(shí)之間要保持一定空隙以實(shí)現(xiàn)各計(jì)算域的連通性[26]。4 種開孔數(shù)包裝預(yù)冷模型總網(wǎng)格單元數(shù)量約為6.9×106，網(wǎng)格質(zhì)量檢測(cè)表明這4 種模型的網(wǎng)格質(zhì)量良好，整體偏斜度均低于0.9。

1.2.2 數(shù)值模型

1）控制方程

濕冷空氣自由流動(dòng)區(qū)域：采用雷諾平均數(shù)納維-斯托克斯方程對(duì)不可壓縮流體且瞬態(tài)自由氣流區(qū)域進(jìn)行求解。

連續(xù)方程：

式中Pps為蜜桃表面水蒸氣壓，Pa，當(dāng)Pa>Pps時(shí)mcon的計(jì)算公式如6 所示，否則，mcon為0。ka為空氣膜傳質(zhì)系數(shù)，kg/(m2·s·Pa)。

2）初始和邊界條件

初始條件：蜜桃采后均勻放置在開孔數(shù)2、4、6 和9且對(duì)應(yīng)開孔直徑為40、40、40 和20 mm 的包裝箱內(nèi)，并將1-1 號(hào)蜜桃所測(cè)量的初始溫度作為模擬仿真時(shí)的初始果溫，分別為22.3、25.3、25.9 和23.4 ℃。

邊界條件：將箱體迎風(fēng)面前500 mm 處設(shè)置為速度-入口邊界條件，背風(fēng)面1 500 mm 處設(shè)置為壓力-外流邊界條件。試驗(yàn)和模擬方案中，入口速率和濕冷空氣溫度分別設(shè)置為1.2 m/s 和2 ℃。

3）FLUENT 數(shù)值模擬方法

蜜桃表面、箱體內(nèi)外壁面及襯墊表面都設(shè)置為零粗糙度的防滑壁條件，垂直于壁的速率分量為0，沿著計(jì)算域兩側(cè)的法向梯度也是如此。仿真時(shí)采用SSTk-ω湍流模型，將動(dòng)量、能量、湍動(dòng)能和擴(kuò)散系數(shù)的離散格式均設(shè)置為二階迎風(fēng)格式，利用基于壓力的分離求解器進(jìn)行求解；壓力速度耦合方法采用SIMPLE 算法，時(shí)間步長(zhǎng)為20 s；連續(xù)性、動(dòng)量和湍流的收斂準(zhǔn)則設(shè)置為10-4，能量方程的收斂準(zhǔn)則設(shè)置為10-6。各物質(zhì)熱物性參數(shù)見表1。

表1 蜜桃、空氣和瓦楞紙箱、襯墊的熱物性參數(shù)Table 1 Thermo-physical properties of peach, air, corrugated carton and tray

1.3 預(yù)冷效果評(píng)估參數(shù)

1.3.1 無(wú)量綱溫度

歸一化無(wú)量綱溫度Y用于評(píng)估果蔬冷卻速率，獲得特定預(yù)冷時(shí)間。當(dāng)Y=1/8 時(shí)，果實(shí)溫度基本達(dá)到預(yù)期要求，所用時(shí)間稱為7/8 冷卻時(shí)間（Seven-Eight Cooling Time，SECT）。園藝果蔬預(yù)冷7/8 冷卻時(shí)間后可將其轉(zhuǎn)移至冷藏設(shè)備中消除剩余熱負(fù)荷量，以降低預(yù)冷能耗成本[17]。因此，SECT 是用來(lái)比較冷卻速率差異性的可靠參數(shù)。

式中Yi,t為i號(hào)果實(shí)在t時(shí)刻的瞬時(shí)Y值；Ti,p,t為i號(hào)果實(shí)在t時(shí)刻的內(nèi)部溫度，K；Ti,p,0為i號(hào)果實(shí)初始溫度，K；Ta為空氣溫度，K。

1.3.2 整體預(yù)冷均勻性

與瞬時(shí)溫度異質(zhì)性指數(shù)相比[28]，本文整體異質(zhì)性指數(shù)值（Overall Heterogeneity Index，OHI）可以直觀判斷整個(gè)預(yù)冷過程的均勻效果[29]。OHI 值越低代表果實(shí)在整個(gè)預(yù)冷過程中的溫度分布越均勻，反之，果實(shí)溫度分布均勻性越差。

式中m為所測(cè)果實(shí)個(gè)數(shù)；Yavg,t是t時(shí)刻所有果蔬無(wú)量綱溫度Y的平均值；?Yi,t為i號(hào)果實(shí)在t時(shí)刻冷卻速率與整體平均冷卻速率的差值，當(dāng)?Yi,t>0 時(shí)表示冷卻速率超過整體平均冷卻速率，為熱點(diǎn)位置，反之，為冷點(diǎn)位置，?Ymax-P或?Ymin-N是?Y的最大正數(shù)值或最小負(fù)數(shù)值。

2 構(gòu)建GA-BPNN 預(yù)冷效果預(yù)測(cè)模型

2.1 建模流程

本文利用MATLAB 中Newff 函數(shù)初始化網(wǎng)絡(luò)，網(wǎng)絡(luò)模型訓(xùn)練函數(shù)為trainlm，隱含層和輸出層神經(jīng)元的傳遞函數(shù)分別為tansig 和purelin，遺傳算法進(jìn)化過程中迭代次數(shù)50，交叉概率0.4，變異概率0.01。GA-BPNN 預(yù)冷效果預(yù)測(cè)模型以送風(fēng)速率、預(yù)冷空氣溫度、果實(shí)初始溫度、箱體開孔直徑和開孔數(shù)為輸入因素，以SECT 和OHI為輸出因素，其構(gòu)建流程見圖3[30-31]。

2.2 獲取樣本數(shù)據(jù)

利用SPSS 軟件對(duì)影響蜜桃預(yù)冷的關(guān)鍵因素（送風(fēng)速率0.5～2.5 m/s、預(yù)冷空氣溫度0～8 ℃、果實(shí)初始溫度20～32 ℃和開孔直徑20～40 mm）進(jìn)行正交試驗(yàn)設(shè)計(jì)（見表2）以得到每種開孔數(shù)包裝的25 種不同預(yù)冷工況條件，然后將其應(yīng)用于這4 種不同開孔數(shù)中以獲取100 組CFD-WIHS 模擬仿真數(shù)據(jù)，并根據(jù)公式（7）～（10）得到其預(yù)冷效果值，如表3 所示。

表2 預(yù)冷試驗(yàn)因素水平表Table 2 Precooling test factor level table

表3 不同開孔參數(shù)和預(yù)冷工況條件下單箱蜜桃的7/8 冷卻時(shí)間SECT 和整體預(yù)冷均勻度OHITable 3 The seven-eight cooling time and overall uniformity of the peach at different opening parameter and precooling conditions

2.3 選取網(wǎng)絡(luò)參數(shù)

通過公式（11）可知隱含層節(jié)點(diǎn)數(shù)B的優(yōu)選范圍為4～12[32]，并將B從4 調(diào)整到12 來(lái)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，以分析SECT 和OHI 預(yù)測(cè)模型的均方根誤差（Root Mean Square Error, RMSE）和平均絕對(duì)百分比誤差（Mean Absolute Percentage Error, MAPE）[17]，由表4 可知B=4的預(yù)冷性能預(yù)測(cè)效果較佳。

表4 通過網(wǎng)絡(luò)訓(xùn)練優(yōu)化選擇最佳隱含節(jié)點(diǎn)數(shù)Table 4 Though the network training for getting the optimal selection of hidden nodes

式中N和M分別為輸入層和輸出層神經(jīng)元個(gè)數(shù)，A為1～10 之間的常數(shù)。

為確定合適的種群規(guī)模，本文對(duì)20～100[33]內(nèi)的種群規(guī)模數(shù)目進(jìn)行了多次測(cè)試，發(fā)現(xiàn)當(dāng)B=4 時(shí)，種群規(guī)模為30 或80 或90 所對(duì)應(yīng)的RMSE 和MAPE 值較?。ㄒ姳?），但由于種群規(guī)模越大代表同時(shí)處理的數(shù)據(jù)會(huì)更多，致使該算法運(yùn)行時(shí)間得到了延長(zhǎng)，因此，種群規(guī)模取30 較合適。

表5 遺傳算法參數(shù)中種群規(guī)模的優(yōu)化選擇Table 5 Optimal selection of population size in genetic algorithm parameter settings

3 結(jié)果與分析

3.1 CFD-WIHS 傳熱傳質(zhì)數(shù)值模型的驗(yàn)證分析

本文計(jì)算了4 種不同開孔數(shù)包裝箱內(nèi)1-1 號(hào)蜜桃在預(yù)冷75 min 內(nèi)果溫和SECT 的誤差值，其中測(cè)量值與CFD-WIHS 預(yù)冷模型的果溫預(yù)測(cè)值間的最大RMSE 和MAPE 值分別為1.668 ℃和13.65%，而SECT 的最大相對(duì)誤差值（Relative Error，RE）為19.23%，見表6。數(shù)據(jù)顯示單箱三層蜜桃CFD-WIHS 傳熱傳質(zhì)數(shù)值模型在不同開孔參數(shù)下預(yù)測(cè)果溫的RMSE 值均低于2 ℃，而SECT的最大RE 值均低于20%。這與前人構(gòu)建的CFD 數(shù)值模型預(yù)測(cè)果溫誤差值相差不大[8-9,12,15,17,22]，如Han 等[15]所構(gòu)建的單箱多層裝蘋果CFD 數(shù)值模型與實(shí)測(cè)果溫間的最大MAPE 值為18.69%，朱文穎等[8]所構(gòu)建包含隔板的單箱一層裝蘋果CFD 數(shù)值模型與實(shí)測(cè)果溫間的最大RMSE 和ARD 值（Average Relative Deviation，平均相對(duì)誤差）分別為1.73 ℃和13.80%。由圖4 可知，不同開孔參數(shù)下利用CFD-WIHS 數(shù)值模型所預(yù)測(cè)的果溫與實(shí)測(cè)溫度變化趨勢(shì)基本一致且兩者結(jié)果基本吻合，其中開孔數(shù)為9 時(shí)整體預(yù)測(cè)誤差較小，RMSE 值為0.819 ℃，MAPE 值為7.91%。

表6 不同開孔參數(shù)下果溫和SECT 的模擬與試驗(yàn)數(shù)據(jù)Table 6 Simulated and tested data of fruit temperature and seven-eight cooling time on different opening parameters

綜上可判斷，CFD-WIHS 建模方法可用于預(yù)測(cè)不同開孔參數(shù)下單箱三層蜜桃的強(qiáng)制對(duì)流換熱過程，這保障了后續(xù)預(yù)冷效果模型構(gòu)建中樣本數(shù)據(jù)的有效性及其預(yù)測(cè)精度。存在偏差的主要原因?yàn)椋好厶医r(shí)理想為等體積球體且無(wú)核，與試驗(yàn)中大久保蜜桃的形狀存在差異；其次是預(yù)冷箱內(nèi)風(fēng)道系統(tǒng)出現(xiàn)內(nèi)部空氣與外部溫暖空氣對(duì)流換熱及濕冷空氣滲透至預(yù)冷設(shè)備外部的現(xiàn)象，導(dǎo)致預(yù)冷空氣從通風(fēng)孔進(jìn)入箱內(nèi)的溫度存在波動(dòng)。

當(dāng)開孔直徑在20～40 mm 時(shí)，不同預(yù)冷工況條件下開孔數(shù)6 和9 的OHI 值大部分低于其他開孔數(shù)模型（見表3），并在相同預(yù)冷環(huán)境下實(shí)測(cè)SECT 值較開孔數(shù)4 分別少了17和15 min，較開孔數(shù)2 少了50 和48 min（見表6）。由此發(fā)現(xiàn)，開孔數(shù)為6 和9 時(shí)更適合蜜桃快速均勻預(yù)冷，主要原因是各層通風(fēng)孔的均勻分布可減緩上下兩層之間的湍流干擾，使冷空氣能通過襯墊與箱體間隙均勻流動(dòng)。但開孔數(shù)6 和9 的預(yù)冷效果相差較小，因此，考慮包裝箱的機(jī)械搬運(yùn)強(qiáng)度，本文建議當(dāng)開孔直徑范圍為20～40 mm 時(shí)，單箱三層果實(shí)采后預(yù)冷的較佳開孔數(shù)為6。

3.2 預(yù)冷效果預(yù)測(cè)模型誤差分析

在100 組樣本數(shù)據(jù)中，隨機(jī)選擇20 組作為測(cè)試集，80 組作為BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，網(wǎng)絡(luò)學(xué)習(xí)樣本數(shù)據(jù)先歸一化，再經(jīng)多次迭代，使試驗(yàn)數(shù)據(jù)的網(wǎng)絡(luò)訓(xùn)練誤差值逐步收斂。本文利用GA-BP 和BP 神經(jīng)網(wǎng)絡(luò)這兩種算法對(duì)單箱三層蜜桃的SECT 和OHI 進(jìn)行測(cè)試以獲取較佳結(jié)果。結(jié)合圖5 和表7 發(fā)現(xiàn)，這2 種算法對(duì)SECT 和OHI 的預(yù)測(cè)與實(shí)測(cè)值具有良好的擬合相關(guān)度，其中GA-BPNN 的決定系數(shù)R2值分別為0.962 5 和0.863 8，BP 神經(jīng)網(wǎng)絡(luò)的決定系數(shù)R2值分別為0.925 3 和0.815 9。這兩種算法預(yù)測(cè)SECT 的決定系數(shù)R2值均高于0.90（見表7）。由此發(fā)現(xiàn)，這2 種算法預(yù)測(cè)SECT 時(shí)更為準(zhǔn)確，這可能是由于整體預(yù)冷均勻度OHI 值的數(shù)量級(jí)較小，受到歸一化與反歸一化過程對(duì)測(cè)試和預(yù)測(cè)數(shù)據(jù)的“磨損”現(xiàn)象影響較為嚴(yán)重。

表7 對(duì)比分析各預(yù)測(cè)模型的MAPE、RMSE 和R2 值Table 7 Compare and analyze the mean absolute percentage error,root mean square error and decisive coefficient values of each prediction model

由圖6 發(fā)現(xiàn)，利用GA-BPNN 預(yù)測(cè)SECT 時(shí)各測(cè)試樣本的RE 值均低于10%，且預(yù)測(cè)OHI 時(shí)，其誤差超出10%以上的樣本數(shù)量少于BP 模型。利用GA-BPNN 預(yù)測(cè)SECT和OHI 時(shí)相對(duì)應(yīng)的RMSE 值分別為3.81 min 和1.39%，其MAPE 值分別為3.66%和4.82%，與BP 神經(jīng)網(wǎng)絡(luò)模型相比，基于GA-BPNN 預(yù)測(cè)SECT 和OHI 時(shí)的RMSE 值分別低了30.22%和21.91%，其對(duì)應(yīng)的MAPE 值也降低了32.84%和39.45%。這是因?yàn)镚A-BPNN 算法可顯著提高樣本的適應(yīng)度值，使樣本數(shù)據(jù)的離散度明顯變小以獲取BP 網(wǎng)絡(luò)各層之間最佳的權(quán)閾值。因此，GA 遺傳算法的優(yōu)化有利于避免BP 神經(jīng)網(wǎng)絡(luò)全面尋優(yōu)時(shí)陷入局部極小值，從而能在較短時(shí)間內(nèi)達(dá)到預(yù)定誤差[34]，可應(yīng)用于實(shí)現(xiàn)蜜桃預(yù)冷策略的智能化決策選擇，及時(shí)預(yù)估不同預(yù)冷工況條件下的預(yù)冷效果。

4 結(jié) 論

1）建立了箱內(nèi)含有襯墊層和果實(shí)內(nèi)部熱源項(xiàng)的計(jì)算流體熱力學(xué)(Computational Fluid Dynamics-With Internal Heat Source，CFD-WIHS)傳熱傳質(zhì)數(shù)值模型，并試驗(yàn)驗(yàn)證了該建模方法的可行性和通用性，測(cè)量與模擬果溫的最大均方根誤差（Root Mean Square Error，RMSE）和平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）分別為1.668 ℃和13.65%，預(yù)測(cè)7/8 冷卻時(shí)間（Seven-Eight Cooling Time，SECT）的最大相對(duì)誤差（Relative Error，RE）為19.23%，并發(fā)現(xiàn)開孔直徑為20～40 mm 時(shí)適合單箱三層果實(shí)預(yù)冷的較佳開孔數(shù)為6。

2）遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)（Genetic Algorithm-Back Propagation Neural Network，GA-BPNN）采后蜜桃SECT 和OHI 預(yù)測(cè)模型的RMSE 和MAPE 值較BP 模型分別低了30.22%、32.84%以及21.91%、39.45%，這表明GA-BPNN 比BP 神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度，更能有效預(yù)估果實(shí)采后預(yù)冷效果。

3）構(gòu)建了以送風(fēng)風(fēng)速（0.5～2.5 m/s）、預(yù)冷空氣溫度（0～8 ℃）、蜜桃初始溫度（20～32 ℃）、開孔直徑（20～40 mm）及開孔數(shù)（2、4、6 和9）為輸入因素，以SECT 和OHI 為輸出因素的采后蜜桃預(yù)冷效果預(yù)測(cè)平臺(tái)，該平臺(tái)可作為采后蜜桃在線監(jiān)控預(yù)冷均勻性和冷藏轉(zhuǎn)移時(shí)間以便于果實(shí)快速流入市場(chǎng)銷售和降低預(yù)冷成本、提高果實(shí)預(yù)冷效果的新方法，也為中小型果園商業(yè)開發(fā)球類果實(shí)智能化預(yù)冷決策監(jiān)控系統(tǒng)提供了理論參考依據(jù)。