南瓜片真空脈動干燥特性及含水率預測

白竣文，周存山，蔡健榮，肖紅偉，高振江，馬海樂

?

南瓜片真空脈動干燥特性及含水率預測

白竣文1，周存山1，蔡健榮1，肖紅偉2，高振江2，馬海樂1

（1. 江蘇大學食品與生物工程學院，鎮江 212013；2. 中國農業大學工學院，北京 100083）

為探索南瓜片真空脈動干燥特性，并實現干燥過程中南瓜的含水率預測，該文研究了不同常壓保持時間、真空保持時間、干燥溫度和切片厚度對南瓜干燥時間和速率的影響；利用溫度傳感器實時采集南瓜在干燥過程中的中心溫度，闡述壓力脈動過程對物料傳熱傳質的影響；建立了輸入層個數為5，隱藏層個數為11，輸出層為南瓜含水率，結構為“5-11-1”的BP神經網絡模型，實現對南瓜含水率實時預測。結果表明：真空保持時間和常壓保持時間均對南瓜干燥時間有顯著影響，干燥溫度60 ℃，切片厚度7 mm條件下，常壓保持時間10 min和真空保持時間9 min所用干燥時間最短，約為352 min；干燥溫度和切片厚度均對干燥時間有顯著影響，提高干燥溫度、減少切片厚度能夠有效縮短干燥時間。采用Levenberg-Marquardt算法為訓練函數，經過有限次訓練得到的BP神經網絡模型，其預測值與實測值之間的決定系數2為0.996 8，均方根誤差RMSE為0.017 3，能夠很好預測南瓜在真空脈動干燥過程中的含水率。研究結果為南瓜真空脈動應用以及含水率在線預測提供理論依據。

干燥；水分；預測；動力學；神經網絡；含水率預測

0 引 言

南瓜（）又稱金瓜、倭瓜等，是夏秋季節重要瓜菜，在全世界廣泛種植。南瓜營養豐富，除了含有淀粉、還原糖、氨基酸、維生素及礦物質等營養元素[1]外，還富含大量的胡蘿卜素、南瓜籽堿、葫蘆巴堿和果膠等生理活性物質[2]，具有治咳止喘、幫助消化、防治糖尿病等保健作用。南瓜是一種季節性蔬菜，一般于8-9月集中收獲、上市。南瓜由于其含水率很高，即使在低溫環境下也不能長期儲藏，容易發生腐爛變質而造成經濟損失。干燥是南瓜重要的加工方式，不僅能夠極大的延長其貨架期，其干制品也可作為原料進一步加工成其他產品。

目前，熱風干燥是南瓜最常見的干燥方式，其相關研究也較多[3-6]。熱風干燥具有操作簡單、易于控制等優點，但也存在干燥時間較長、褐變嚴重和營養成分流失大等問題。近年來，一些新的干燥技術如超聲-遠紅外輻射[1]，微波[7-8]，真空微波[9]等技術運用于南瓜干燥研究，取得了較好的進展。紅外干燥法具有物料升溫快、干燥效率高的特點，但難以對干燥溫度進行準確控制，導致干燥后期物料品質劣變嚴重，另外，同一物料由于正反面接收能量的差異也存在干燥不均勻的問題[10]。微波干燥具有很高的加熱速率，但在干燥后期由于物料內部水分不均勻導致的對微波能量吸收的差異，容易造成物料局部烤焦和品質不佳的現象[8]。因此，探索一種新型的南瓜干燥加工技術，以提高干燥效率和品質，具有非常重要的意義。

真空脈動干燥是一種新型干燥技術，指在1次干燥過程中連續進行“真空-常壓”壓力循環，直到達到物料的目標含水率。研究表明，循環變化的壓力不僅能夠不斷打破物料表面蒸汽壓平衡，還能使物料內部形成（或擴大）孔隙結構[11]，與連續真空干燥相比，具有干燥效率高，能耗低的優勢，另外，由于物料在干燥大部分干燥時間處于低氧的真空環境，能夠有效抑制在干燥過程中色澤的劣變和營養損失，特別適合于熱敏性和易氧化劣變的物料。近年來，真空脈動干燥技術已被用于葡萄[12]、茯苓[13]、花粉[14]等物料的干燥加工。

物料含水率是干燥中的重要參數，為干燥過程的預測和調控提供重要依據。干燥過程中物料含水率具有顯著的非線性和時變性，且物料的干燥過程由多種參數共同控制、影響，僅利用單一固定模型進行擬合，不可避免的存在適應性和預測精確性的局限[15]。近些年，神經網絡在預測食品干燥中含水率及其他一些物理、化學特性時，具有很強的適應性和良好的模擬效果[16]。Jafari等利用人工神經網絡預測了青椒在熱泵聯合流化床干燥中含水率預測[17]；Nadian等利用神經網絡模擬了蘋果片在干燥中色澤的動態變化[18]；Sarimeseli等利用人工神經網絡模擬了百里香葉在微波干燥中的動力學模型[19]；Boeri等在研究腌制鱈魚的干燥動力學模型時發現，人工神經網絡模型相比半經驗模型具有更好預測效果[20]。張麗麗等利用神經網絡對山藥在紅外干燥中溫度變化進行預測[15]；朱文學等利用BP神經網絡預測牡丹花在熱風干燥中的含水率[21]。

本文通過試驗研究南瓜片在不同真空保持時間、常壓保持時間、干燥溫度和切片厚度下的干燥動力學，并利用BP人工神經網絡建立南瓜的含水率預測模型，為南瓜真空脈動干燥中含水率的在線預測提供理論依據和技術支持。

1 材料與方法

1.1 試驗原料

試驗原料購買自江蘇大學附近東風農貿市場，南瓜品種為蜜本南瓜。南瓜初始濕基含水率為（90.21±0.61）%[22]，試驗前將南瓜置于（4±1）℃的冰箱中保存至試驗前。

1.2 儀器設備

本試驗中所用真空脈動干燥設備見圖1，其主要由真空系統（主要包括：水環式真空泵，真空管路，干燥室等部分），加熱系統（主要包括：加熱水箱，溫度傳感器，循環水路以及加熱板等部分）和控制系統組成。該裝備能夠實現干燥溫度，真空保持時間（以真空度達到絕對壓力11 kPa開始計時）以及常壓保持時間的設定和控制。溫度控制系統采用FUZZY-PID（proportion integration differentiation，PID）自編程序控制，控制精度為±0.1 ℃。

1.真空泵 2.控制箱 3.溫度傳感器 4.加熱水箱 5.熱水管道 6.水泵 7.進水管路 8.壓力傳感器 9.干燥室 10.循環水路 11.支撐架 12.料盤13.物料 14.加熱板 15.真空管

其他儀器設備：ME2002E型電子天平，測量精度±0.01 g，美國梅特勒-托利多有限公司；CU-420電熱恒溫水槽，溫度控制精度±0.1 ℃，上海一恒科技有限公司；SS-250食品切片機，廣州天地人機械有限公司。

1.3 干燥試驗方法

取新鮮南瓜，清洗干凈后用菜刀削去表面硬皮；用食品切片機將南瓜沿橫截面切成不同厚度的圓形薄片，然后將圓形薄片沿其半徑方向分為3等份；將南瓜片平鋪在干燥料盤上，啟動真空脈動干燥設備進行干燥試驗。根據前期預實驗，南瓜真空脈動干燥參數設定范圍為：常壓保持時間（3，5，7和9 min）、真空保持時間（5，10，15和20 min）、干燥溫度（50，55，60和65 ℃）和切片厚度（5，7，9和11 mm）。按照參數范圍，對南瓜干燥進行單因素試驗，每組試驗重復3次。

1.4 干燥動力學曲線

在干燥過程中南瓜中水含量用水分比（MR, moisture ratio）來表示，物料中任意時間水分比由公式（1）表示[23]

其中M，M和M分別表示南瓜初始、平衡時和任意干燥時刻的干基含水率，g/g。由于南瓜的平衡含水率M遠遠的小于M和M，所以公式（1）可簡化為公式（2）[24-25]

干燥速率（DR, drying rate, g/(g·h)）的計算采用如下公式[26]

1.5 數據統計分析

采用MATLAB （版本7.80，R2009a）中NEWFF神經網絡工具箱對數據進行處理。采用決定系數2和均方根誤差RMSE作為擬合評價指標[27]，R越大、RMSE值越小，則擬合越好。

式中MRexp,i為干燥試驗實測的第個水分比；MRpre,i為利用神經網絡預測的第個水分比；為試驗測得數據的個數。

2 結果與討論

2.1 南瓜片真空脈動干燥特性研究

2.1.1 常壓保持時間對干燥曲線影響

根據預實驗，選取干燥溫度為60 ℃，切片厚度為7 mm，研究真空保持時間10 min，不同常壓保持時間下南瓜的干燥水分比曲線和干燥速率曲線見圖2。由圖2a可知，常壓保持時間分別3，5，7和9 min條件下，南瓜到達目標含水率的時間分別約為372、378、359、352 min，常壓保持時間9 min下所需干燥時間最短。經統計分析可知，常壓保持時間7和9 min下所需干燥時間顯著少于常壓保持時間為3和5 min（<0.05）。由圖2b可知，不同常壓保持時間下南瓜干燥速率隨干燥的進行逐漸降低，沒有恒速干燥段，整個干燥過程屬于典型降速干燥。大多數的農產物料的干燥都屬于降速干燥，這是由于水分在物料內部擴散速度低于表層蒸發速度所致[28]。根據干燥總時間和壓力脈動參數，計算出常壓保持時間分別為3，5，7和9 min下，完成干燥過程真空泵運行時間分別約為286.15、252.00、211.18、185.26 min。在試驗范圍內，雖然9 min常壓保持條件下干燥時間比3 min下僅縮短約5.38%，但在整個干燥過程中真空泵運行時間比3 min常壓保持時間下縮短約35.26%，大幅度減少了真空泵的運行時間，節省了能源。

a. 水分比隨干燥時間的變化

a. Variation of moisture ratio with drying time

b. 干燥速率隨含水率的變化

b. Variation of drying rate with moisture content

注：干燥溫度為60 ℃，切片厚度7 mm；縮寫VD表示真空保持時間，min，其后數字表示具體時間，縮寫AD表示常壓保持時間，min，其后數字表示具體時間，下同。

Note: Drying temperature of 60 ℃ and thickness of 7 mm, acronym VD represents the vacuum duration and AD represents atmospheric pressure duration, min, the numbers behind is specific time, same as below.

圖2 不同常壓保持時間下南瓜干燥曲線

Fig.2 Drying curves of pumpkin under different atmospheric pressure duration

在真空條件下物料中水的沸點會大大降低，因此與常壓干燥相比，真空干燥具有更高的效率。在試驗范圍內，得到的結論卻是物料處于真空環境的相對時間越長其干燥效率可能反而越低。為了探究常壓保持時間對干燥的影響，以南瓜中心溫度為指標表征干燥過程中的傳熱傳質[12]。常壓保持時間為3和9 min條件下南瓜中心溫度變化由圖3所示。由圖3可知，南瓜首先經過約12 min的預熱階段從室溫升高到約37.5 ℃；然后隨著干燥的進行，南瓜中心的溫度總體上呈現波動上升趨勢；當南瓜干燥完成以后，南瓜中心最終溫度大約為55.0～57.5 ℃，小于加熱板溫度60 ℃。與熱風、紅外等干燥方式不同，南瓜中心溫度并非隨著干燥進行穩定上升，其隨著干燥室內的壓力變化呈現出“脈動式”高低變化的現象，其特點是：1）真空保持時間內，南瓜中心溫度隨著干燥的進行不斷降低；2）干燥室內環境恢復至常壓后，南瓜中心溫度快速升高；3）干燥前中期南瓜中心溫度的脈動變化幅度（5～11 ℃）要明顯大于干燥后期的變化幅度（小于5 ℃）。

南瓜中心溫度隨著干燥室內壓力呈現“脈動式”變化的原因分析：真空狀態下，南瓜中水分發生劇烈的汽化過程，使南瓜溫度下降；當干燥室內壓力恢復至常壓以后，水分沸點迅速升高，汽化速度變得十分緩慢，吸收熱量很少，物料在加熱板的作用下溫度持續升高。由圖3可知，在干燥的前中期，常壓保持時間為9 min下溫度上升幅度（約10.5 ℃）大于常壓保持時間3 min下溫度上升幅度（約6.5 ℃）。因此，在相同的真空保持時間和干燥溫度條件下，常壓保持時間決定物料在真空狀態結束后升溫的幅度，常壓保持時間越長升溫幅度越大。因此，采用較長的常壓保持時間，不僅能夠大幅減少真空泵運行時間，而且能夠使物料在真空泵暫停時獲得較高的中心溫度，有利于物料在環境壓力切換到真空狀態時獲得較高的干燥速率。

圖3 常壓保持時間3和9 min條件下南瓜中心溫度變化

2.1.2 真空保持時間對干燥曲線影響

根據預實驗，選取干燥溫度為60 ℃，切片厚度為7 mm，研究常壓保持時間9 min，不同真空保持時間下南瓜的干燥水分比曲線和干燥速率曲線見圖4。由圖4a可知，真空保持時間分別5，10，15和20 min條件下，南瓜達到目標含水率的時間分別約為398、352、361、362 min。真空保持時間10 min條件下所需時間最短，與真空保持時間為5 min下干燥時間有顯著性差異（<0.05），而與真空保持時間為15和20 min下干燥時間沒有顯著性差異。由圖4b可知，真空保持時間為10，15和20 min下南瓜干燥速率隨干燥的進行逐漸降低，整個干燥過程屬于降速干燥；真空保持時間為5 min條件下南瓜干燥速率在干燥前期有升速干燥段，到干燥含水率為8 g/g以后進入降速干燥階段，直到干燥結束。根據干燥總時間和壓力脈動參數，可計算出真空保持時間分別為5，10，15和20 min條件下，完成整個干燥過程真空泵運行時間分別約為142.14、185.26、225.62、249.66 min。雖然真空保持時間為10，15和20 min下，南瓜的干燥時間沒有顯著差異，但由于壓力脈動參數的差異，真空保持時間10 min條件下真空泵運行的總時間比常壓保持時間20 min下縮短了約25.80%。因此，在一定范圍內采取較短真空保持時間，不僅能夠保持較高干燥效率，而且能夠大幅度減少真空泵的運行時間。

a. 水分比隨干燥時間的變化

a. Variation of moisture ratio with drying time

b. 干燥速率隨含水率的變化

b. Variation of drying rate with moisture content

注：干燥溫度為60 ℃，切片厚度7 mm；縮寫VD表示真空保持時間，縮寫AD表示常壓保持時間，下同。

Note: Drying temperature of 60 ℃ and thickness of 7 mm. Acronym VD represents the vacuum duration and AD represents atmospheric pressure duration, same as below.

圖4 不同真空保持時間下南瓜干燥曲線

Fig.4 Drying curves of pumpkin under different vacuum pressure duration

由圖4b可知，當南瓜干基含水率在2 g/g以下時，不同真空保持時間下南瓜的干燥速率幾乎重疊，干燥速率的差異主要集中于從新鮮到干基含水率2 g/g（南瓜水分比約為0.22）之間的過程，即從初始到干燥時間約200 min的過程。選取干燥時間相差最大的真空保持時間5和10 min為研究對象，干燥時間前200 min的南瓜中心溫度變化曲線見圖5所示。由圖5可知，南瓜經過前期預熱階段由室溫升溫到約35.0～37.5 ℃，然后其中心溫度開始隨著干燥時間和壓力的變化，呈現“脈動式”的高低變化；在常壓時間結束之后，真空保持時間10 min的溫度下降幅度（約11.5 ℃）大于真空保持時間5 min的下降幅度（約7.5 ℃）。真空保持時間10 min條件下，南瓜在真空環境下溫度變化可分為兩個階段：1）溫度迅速下降段，下降幅度為10～12 ℃，時間持續約為4 min；2）恒溫段或緩慢變化段，持續時間約為6 min。在第一階段，由于物料經過常壓階段的升溫后期中心溫度較高，切換到真空狀態后物料中水分迅速汽化脫水，吸收大量的熱量，導致溫度快速下降；第二階段，由于物料中心溫度降低，物料脫水速率降低，脫水過程吸收的熱量約等于加熱板傳導的熱量，物料維持恒溫或緩慢變化狀態。在恒溫段，物料吸收的熱量全部消耗于水分蒸發，水分直線降低，干燥速率維持較高水平[29]。在真空保持時間為5 min時，由于真空時間較短，溫度的下降主要集中在第一階段，沒有出現恒溫段或緩慢下降段。在該條件下，雖然保持較快的脈動頻率，但由于缺少恒溫段，導致了整體干燥速率偏低。因此，綜合干燥效率和真空泵運行時間，南瓜干燥較優的壓力脈動參數是：真空保持時間10 min，常壓保持時間9 min。

圖5 真空保持時間5和10 min條件下南瓜中心溫度變化

2.1.3 干燥溫度對干燥曲線影響

不同干燥溫度下南瓜的干燥水分比曲線和干燥速率曲線見圖6。

a. 水分比隨干燥時間的變化

a. Variation of moisture ratio with drying time

b. 干燥速率隨含水率的變化

b. Variation of drying rate with moisture content

注：真空保持時間10 min，常壓保持時間9 min，切片厚度7 mm。

Note: The vacuum duration of 10 min, atmospheric pressure duration of 9 min and thickness of 7 mm.

圖6 不同干燥溫度下南瓜干燥曲線

Fig.6 Drying curves of pumpkin under different drying temperatures

由圖6a可知，干燥溫度分別為50，55，60和65 ℃條件下，南瓜到達目標含水率的時間分別約為533、412、352、232 min，干燥溫度為65 ℃條件下所用干燥時間比50 ℃條件下縮短約56.47%。經統計學分析可知，各干燥溫度下所用干燥時間有顯著性差異，提高干燥溫度能夠顯著縮短干燥時間，提高干燥效率。由圖6b可知，南瓜的干燥速率隨干燥的進行逐漸降低，整個過程屬于降速干燥，南瓜的干燥速率從高到低依次為：干燥溫度65 ℃>60 ℃>55 ℃>50 ℃。對于真空干燥而言，干燥溫度也是影響干燥效率的重要因素。本試驗所用的干燥裝置其真空度可達9 kPa左右，南瓜中水分（以純水記）其沸點大約在45 ℃左右，溫度越高其沸騰越劇烈，干燥速率越快，干燥溫度65 ℃條件下，雖然所需要的干燥時間最短，但南瓜會產生較嚴重的褐變，并產生不良的風味。因此，綜合干燥效率和產品感官品質，選取60 ℃為較優的干燥溫度。

2.1.4 切片厚度對干燥曲線影響

根據預實驗，在真空保持時間10 min，常壓保持時間9 min，干燥溫度60 ℃下，研究不同切片厚度下南瓜的干燥水分比曲線和干燥速率曲線見圖7。

a. 水分比隨干燥時間的變化

a. Variation of moisture ratio with drying time

b. 干燥速率隨含水率的變化

b. Variation of drying rate with moisture content

注：真空保持時間10 min，常壓保持時間9 min，干燥溫度60 ℃。

Note: Vacuum duration of 10 min, atmospheric pressure duration of 9 min and drying temperature of 60 ℃.

圖7 不同切片厚度下南瓜干燥曲線

Fig.7 Drying curves of pumpkin under different slice thickness

由圖7a可知，切片厚度分別為5，7，9和11 mm，南瓜到達目標含水率的時間分別約為292、352、472、652 min，切片厚度5 mm所用干燥時間比11 mm切片厚度縮短約55.21%。經統計學分析可知，各切片厚度下南瓜干燥時間有顯著性差異（<0.05），減少切片厚度能夠顯著縮短干燥時間，提高干燥效率。由圖7b可知，南瓜的干燥速率隨干燥的進行逐漸降低，整個過程屬于降速干燥，南瓜的干燥速率從高到低依次為：5 mm>7 mm> 9 mm>11 mm。在干燥初期，相同干燥溫度下切片薄的物料比厚的物料更易獲得較高的平均溫度；干燥的中后期，外界因素條件對干燥過程的影響不斷減弱，內部水分向表面遷移的時間決定干燥速度，遷移路徑隨著切片厚度的增加而增加，速率變慢，因此物料的干燥時間隨著切片厚度的增大而增加，綜合干燥效率和產品口感等感官品質，選取厚度為7 mm為較優的切片厚度參數[30]。

2.2 BP神經網絡擬合

2.2.1 數據采集

采集南瓜在不同真空保持時間、常壓保持時間、干燥溫度和切片厚度下，水分比MR從初始到干燥完成共計142組數據。從142組數據中隨機選取120組數據作為網絡訓練數據，其余22組數據作為網絡測試數據。由于輸入數據的量綱和范圍差異，在進行神經網絡擬合之前，要對數據進行歸一化處理，使其在[-1，1]范圍內。

2.2.2 神經網絡結構設計

BP神經網絡是1種典型的多層向前型網絡，主要由輸入層、隱藏層和輸出層3部分組成。在南瓜的真空脈動干燥過程中，真空保持時間、常壓保持時間、干燥溫度、切片厚度和干燥時間是干燥的重要參數，均對物料含水率有重要影響，因此選取上述5個參數作為輸入向量層，輸入層神經元個數即為5個。輸出層是南瓜的實時含水率，因此輸出神經元個數即為1個。

隱藏層節點數會影響到網絡精度和訓練過程的長短。隱藏層的節點數一般采用經驗公式和多次嘗試的方式獲得，根據Kolmogorov定理[31]（隱藏層=2×輸入層個數+1）和多次嘗試，隱藏層節點數為11時有最優的訓練效果。綜合以上分析，采用5-11-1結構的BP神經網絡模型對南瓜含水率進行預測，網絡模型結構圖見圖8所示。

圖8 預測南瓜含水率的神經網絡模型結構圖

2.2.3 傳遞函數和訓練函數的選擇

BP神經網絡中常用的傳遞函數一般有3種，即線性傳遞函數purelin，對數S型傳遞函數logsig以及雙曲正切S型傳遞函數tansig。輸入層與隱含層之間的傳遞函數為正切S型函數，隱含層與輸出層的傳遞函數為線性傳遞函數可以進行任意精度的逼近，因此本研究選擇tansig-purelin組合作為該網絡的傳遞函數。

常用的訓練函數包括最速梯度下降函數traingd和Levenberg-Marquardt（LM）訓練函數trainlm等。LM算法訓練函數可以避免傳統BP神經網絡訓練到一定程度時出現的網絡麻痹現象，可實現網絡的快速收斂速度。因此，本研究采用LM算法的trainlm作為網絡訓練函數。

2.2.4 網絡訓練與測試

按照上述神經網絡結構和參數，將隨機選擇的120組數據作為訓練樣本，經過12次訓練停止，均方誤差值達到0.003 1。將余下的22組數據對所得到模型進行測試，南瓜實測含水率與預測含水率回歸結果見圖10。經對比，預測含水率與實測含水率最大偏差為0.049 3，決定系數2為0.998 6，均方根誤差RMSE為0.008 4。

圖9 南瓜測試組含水率預測

2.2.5 模型驗證

為了進一步驗證模型的準確性，選取干燥條件常壓保持時間8 min，真空保持時間13 min，干燥溫度為62 ℃，切片厚度8 mm，測量南瓜從初始到干燥完成的干燥曲線，并與BP神經網絡預測值進行對比，見圖11。從圖中可以看出，除干燥初始預測值與實測值有稍大偏差外，其余預測值（特別是干燥后期）幾乎與實測值重合。經計算，預測值與實測值之間的決定系數2為0.996 8，均方根誤差RMSE為0.017 3，可見BP神經網絡具有很高的預測精度，能夠很好的預測南瓜在真空脈動干燥過程中的含水率。

圖10 南瓜含水率預測值與實測值比較

3 結 論

1）真空保持時間和常壓保持時間均對南瓜干燥時間有顯著影響，干燥溫度60 ℃，切片厚度7 mm條件下，脈動參數常壓保持時間10 min和真空保持時間9 min，干燥時間最短約為352 min；在一定范圍內，采用較長常壓保持時間和較短真空保持時間，不僅能夠提高干燥效率，還能夠大幅度減少干燥過程真空泵的運行時間，節省了能源；干燥溫度和切片厚度對干燥時間有顯著影響，提高干燥溫度、減少切片厚度能夠有效縮短干燥時間。

2）與熱風、紅外等干燥方式不同，南瓜中心溫度隨干燥室內的壓力變化呈現“脈動式”高低變化，其特點是：真空保持時間內，南瓜中心溫度隨著干燥的進行不斷降低；干燥室內環境恢復至常壓后，南瓜中心溫度快速升高；干燥前中期南瓜中心溫度的脈動變化幅度要明顯大于干燥后期的變化幅度。

3）構建了結構為“5-11-1”的BP神經網絡模型，選擇tansig-purelin組合為傳遞函數，LM為訓練函數，結果表明BP神經網絡能夠很好的預測南瓜在真空脈動干燥過程中的含水率。BP神經網絡能夠將干燥過程中所有影響因素包含于1個網絡模型中，在便捷性和準確性等方面具有優勢。

[1] 劉云宏，李曉芳，苗帥，等. 南瓜片超聲-遠紅外輻射干燥特性及微觀結構[J]. 農業工程學報，2016，32(10)：277－286.

Liu Yunhong, Li Xiaofang, Miao Shuai, et al. Drying characteristics and microstructures of pumpkin slices with ultrasound combined far-infrared radiation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(10): 277－286. (in Chinese with English abstract)

[2] 王軍，程晶晶，余壘. 南瓜片熱風-微波聯合干燥特性及品質評價[J]. 食品工業，2016，37(4)：84－88.

Wang Jun, Cheng Jingjing, Yu Lei. Characteristics of combined hot-air and microwave drying for pumpkin slice and quality evaluation[J]. The Food Industry, 2006, 37(4): 84－88. (in Chinese with English abstract)

[3] Hashim Norhashila, Daniel Onwude, Rahaman Ezdalina. A preliminary study: Kinetic model of drying process of pumpkins (Cucurbita Moschata) in a convective hot air dryer[J]. Agriculture and Agricultural Science Procedia, 2014, 2(2): 345－352.

[4] Teferi Z, Workneh T S, Woldetsadik K. Thin-Layer drying of pumpkin fruit slices[J]. Advanced Materials Research, 2013, 824: 283－292.

[5] Guiné Raquel Pinho F., Henrriques Francisca, Jo?o Barroca Maria. Mass transfer coefficients for the drying of pumpkin (Cucurbita Moschata) and dried product quality[J]. Food and Bioprocess Technology, 2012, 5(1): 176－183.

[6] 黃枝梅. 南瓜熱風干燥特性與動力學模型[J]. 包裝與食品機械，2014，32(1)：23－27.

Huang Zhimei. Hot-air drying characteristics and kinetics model of pumpkin slices[J]. Packaging and Food Machinery, 2014, 32(1): 23－27.(in Chinese with English abstract)

[7] 王志艷，林毅雄，林河通，等. 南瓜片微波真空干燥特性[J]. 真空科學與技術學報，2014，34(5)：510－516.

Wang Zhiyan, Lin Yixiong, Lin Hetong, et al. Microwave- vacuum drying characteristics of pumpkin slices[J]. Chinese Journal of Vacuum Science and Technology, 2014, 34(5): 510－516. (in Chinese with English abstract)

[8] 熊濤，龍嬌. 南瓜脆片微波干燥工藝研究[J]. 安徽農業科學，2011，39(26)：16437－16440.

Xiong Tao, Long Jiao. Study on the microwave drying technique of pumpkin crisp chip[J]. Journal of Anhui Agricultural Sciences, 2011, 39(26): 16437－16440. (in Chinese with English abstract)

[9] 汪小娉，宋江峰，李大婧，等. 真空微波干燥對南瓜片主要類胡蘿卜素的影響[J]. 食品科學，2016，37(21)：91－96.

Wang Xiaoping, Song Jiangfeng, Li Dajing, et al. Effect of vacuum microwave drying on the main carotenoids of pumpkin[J]. Food Science, 2016, 37(21): 91－96. (in Chinese with English abstract)

[10] 鄭霞，肖紅偉，王麗紅，等. 紅外聯合氣體射流沖擊方法縮短哈密瓜片的干燥時間[J]. 農業工程學報，2014，30(1)：262－269.

Zheng Xia, Xiao Hongwei, Wang Lihong, et al. Shorting drying time of Hami-melon slice using infrared radiation combined with air impingement drying[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(1): 262－269. (in Chinese with English abstract)

[11] 錢婧雅，張茜，王軍，等. 三種干燥技術對紅棗脆片干燥特性和品質的影響[J]. 農業工程學報，2016，32(17)：259－265.

Qian Jingya, Zhang Qian, Wang Jun, et al. Effects of three drying technologies on drying characteristics and quality attributes of jujube crisps[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(17): 259－265. (in Chinese with English abstract)

[12] 白竣文. 無核白葡萄干燥動力學及防褐變機理研究[D]. 北京：中國農業大學，2014. Bai Junwen. Drying Kinetics and Anti-browning Mechanism of Thompson Seedless Grapes[D]. Beijing: China Agricultural University, 2014. (in Chinese with English abstract)

[13] 張衛鵬，高振江，肖紅偉，等. 基于Weibull 函數不同干燥方式下的茯苓干燥特性[J]. 農業工程學報，2015，31(5)：317－324. Zhang Weipeng, Gao Zhenjiang, Xiao Hongwei, et al. Drying characteristics of poria cocos with different drying methods based on Weibull distribution[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 317－324. (in Chinese with English abstract)

[14] 方小明，張曉琳，王軍，等. 荷花粉真空脈動干燥特性和干燥品質[J]. 農業工程學報，2016，32(10)：287－295.

Fang Xiaoming, Zhang Xiaolin, Wang Jun, et al. Vacuum pulsed drying characteristics and quality of lotus pollen[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(10): 287－295. (in Chinese with English abstract)

[15] 張麗麗，王相友，張海鵬. 山藥切片紅外干燥溫度神經網絡預測[J]. 農業機械學報，2014，45(11)：246－249.

Zhang Lili, Wang Xiangyou, Zhang Haipeng. Temperature prediction of yam under infrared drying based on neural networks[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(11): 246－249. (in Chinese with English abstract)

[16] Poonnoy Poonpat, Tansakul Ampawan, Chinnan Manjeet. Artificial neural network modeling for temperature and moisture content prediction in tomato slices undergoing microwave-vacuum drying[J]. Journal of Food Science, 2007, 72(1): E42－E47.

[17] Jafari S M, Ghanbari V, Ganje M, et al. Modeling the drying kinetics of green bell pepper in a heat pump assisted fluidized bed dryer[J]. Journal of Food Quality, 2016, 39(2): 98－108.

[18] Nadian Mohammad Hossein, Rafiee Shahin, Aghbashlo Mortaza, et al. Continuous real-time monitoring and neural network modeling of apple slices color changes during hot air drying[J]. Food and Bioproducts Processing, 2015, 94: 263－274.

[19] Sarimeseli Ayse, Coskun Mehmet Ali, Yuceer Mehmet. Modeling microwave drying kinetics of thyme (Thymus Vulgaris L.) leaves using ANN methodology and dried product quality[J]. Journal of Food Processing and Preservation, 2014, 38(1): 558－564.

[20] Boeri Camila, Neto Da Silva Fernando, Ferreira Jorge, et al. Predicting the drying kinetics of salted codfish (Gadus Morhua): Semi-empirical, diffusive and neural network models[J]. International Journal of Food Science & Technology, 2011, 46(3): 509－515.

[21] 朱文學，孫淑紅，陳鵬濤，等. 基于BP神經網絡的牡丹花熱風干燥含水率預測模型[J]. 農業機械學報，2011，42(8)：128－130.

Zhu Wenxue, Sun Shuhong, Chen Pengtao, et al. Moisture content prediction modeling of hot-air drying for pressed peony based on BP neural network [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(8): 128－130. (in Chinese with English abstract)

[22] 衛生部食品衛生監督檢驗所. 食品中水分的測定： GB/T 5009.3－2010[S]. 北京：中國標準出版社，2010.

[23] Xie Long, Mujumdar Arun S., Fang Xiao-Ming, et al. Far-infrared radiation heating assisted pulsed vacuum drying (FIR-PVD) of wolfberry (Lycium barbarum L.): Effects on drying kinetics and quality attributes[J]. Food and Bioproducts Processing, 2017, 102: 320－331.

[24] 巨浩羽，肖紅偉，鄭霞，等. 干燥介質相對濕度對胡蘿卜片熱風干燥特性的影響[J]. 農業工程學報，2015，31(16)：296－304. Ju Haoyu, Xiao Hongwei, Zheng Xia, et al. Effect of hot air relative humidity on drying characteristics of carrot slabs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 296－304. (in Chinese with English abstract)

[25] 肖紅偉，張世湘，白竣文，等. 杏子的氣體射流沖擊干燥特性[J]. 農業工程學報，2010，26(7)：318－323.

Xiao Hongwei, Zhang Shixiang, Bai Junwen, et al. Air impingement drying characteristics of apricot[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 318－323. (in Chinese with English abstract)

[26] Doymaz ?brahim, Karasu Salih, Baslar Mehmet. Effects of infrared heating on drying kinetics, antioxidant activity, phenolic content, and color of jujube fruit[J]. Journal of Food Measurement and Characterization, 2016, 10(2): 283－291.

[27] 白竣文，田瀟瑜，馬海樂. 基于BP神經網絡的葡萄氣體射流沖擊干燥含水率預測[J]. 現代食品科技，2016，32(12)：198－203.

Bai Junwen, Tian Xiaoyu, Ma Haile. BP neural network modeling for predicting moisture content of grapes under air impingement drying[J]. Modern Food Science & Technology, 2016, 32(12): 198－203. (in Chinese with English abstract)

[28] Xiao Hongwei, Pang Changle, Wang Lihong, et al. Drying kinetics and quality of Monukka seedless grapes dried in an air-impingement jet dryer[J]. Biosystems Engineering, 2010, 105(2): 233－240.

[29] 朱文學. 食品干燥原理與技術[M]. 科學出版社，2009：220－224.

[30] Doymaz ?brahim. Influence of blanching and slice thickness on drying characteristics of leek slices[J]. Chemical Engineering & Processing, 2008, 47(1): 41－47.

[31] 林喜娜，王相友，丁瑩. 雙孢蘑菇遠紅外干燥神經網絡預測模型建立[J]. 農業機械學報，2010，41(5)：110－114.

Lin Xina, Wang Xiangyou, Ding Ying. Experiment on neural network prediction modeling of far infrared radiation drying for agaricus bisporus[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(5): 110－114. (in Chinese with English abstract)

Vacuum pulse drying characteristics and moisture content prediction of pumpkin slices

Bai Junwen1, Zhou Cunshan1, Cai Jianrong1, Xiao Hongwei2, Gao Zhenjiang2, Ma Haile1

(1.,,212013,;2.,,100083,)

Pumpkin is one of the most important vegetable crops grown in the world because of its nutritional qualities. Pumpkin is a kind of seasonal vegetable, which is generally harvested from August to September. Due to its high moisture content, pumpkin cannot be stored for a long time even in low temperature environment. Drying is one of the most important processing processes for pumpkin, which can greatly prolong the shelf life. At present, the most common drying method of pumpkin is hot air drying. Hot air drying is relatively simple and easy to control, but it also has some problems such as long drying time, browning seriously and loss of nutrient. Vacuum pulse drying is a new type of drying technology, which has high drying efficiency and is very suitable for heat-sensitive materials. The aim of this study was to investigate the drying characteristics and to predict the moisture content of pumpkin slices during the vacuum pulse drying process. The effect of atmospheric pressure duration (AD), vacuum duration (VD), drying temperature and slice thickness on the drying rate and drying time of pumpkin slices was studied. The effect of pressure pulsation process on heat and mass transfer of pumpkin slices was expounded on the basis of core temperatures which were gathered by temperature sensor during drying process. The BP (back propagation) neural network model was established with the architecture of “5-11-1” which included 5 input layers of AD, VD, drying temperature, slice thickness and drying time, 11 hidden layers and single output layer of moisture content. The results demonstrated that AD and VD showed a significant impact on drying time. In a certain range, the application of longer AD time and shorter VD time not only can improve the drying efficiency, but also can significantly reduce vacuum pump running time during the drying process. The shortest drying time was about 352 min with the AD of 10 min and the VD of 9 min under drying temperature of 60 ℃ and slice thickness of 7 mm. The drying temperature and slice thickness both showed a significant impact on drying rate and drying time, and higher drying temperature and thinner thickness would result in higher drying rate. Unlike the hot air or infrared drying method, the core temperature of pumpkin presented an alternate ‘high-low-high-low’ phenomenon. During the VD, the core temperature decreased rapidly due to the endothermic process of moisture evaporation, and after the drying chamber pressure returned to atmospheric pressure, the core temperature was raised rapidly due to the heating effect by electrical heating plate. In the early period of drying process, the change range of core temperature between AD and VD phase was greater than that of the late drying period. The BP neural network model was trained for finite iteration calculation with Levenberg-Marquardt (LM) algorithm as the training function and tansig-purelin as the network transfer function. The determination coefficient (2) and root mean squared error (RMSE) between the predicted and measured values were 0.996 8 and 0.017 3, respectively. The results will provide theoretic reference and technical supports for the application of vacuum pulse drying and the on-line prediction of moisture content in pumpkin drying process.

drying; moisture; prediction; kinetic; neural networks; moisture content prediction

10.11975/j.issn.1002-6819.2017.17.038

TS255.1; TP183

A

1002-6819(2017)-17-0290-08

2017-04-10

2017-08-29

國家自然基金資助項目（31601578）；國家重點研發計劃項目（2017YFD0400905）；江蘇省自然科學基金項目（BK20160504）；國家博士后基金面上項目（2016M591789）；江蘇大學高級人才科研啟動基金（15JDG060）

白竣文，河南漯河人，博士，助理研究員，主要從事農產品（食品）干燥裝備和技術。鎮江 江蘇大學食品與生物工程學院，212013。Email：bjw@ujs.edu.cn