ОПТИМИЗАЦИЯ ПРОЦЕССА СУШКИ ЛЕКАРСТВЕННЫХ РАСТЕНИЙ В СОЛНЕЧНОЙ ШКАФНОЙ СУШИЛКЕ С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

УДК 66.04:004.852:633.88

АННОТАЦИЯ

В данной работе предложен интегрированный подход к оптимизации процесса сушки лекарственных растений в солнечной шкафной сушилке, основанный на сочетании физико-математического моделирования процессов тепло- и массопереноса с методами машинного обучения. Актуальность исследования обусловлена необходимостью повышения энергоэффективности солнечных сушильных установок и сохранения биологически активных веществ лекарственного растительного сырья при воздействии переменных климатических факторов. В качестве интеллектуального инструмента прогнозирования использована искусственная нейронная сеть (Artificial Neural Network, ANN), позволяющая учитывать сложные нелинейные взаимосвязи между температурой воздуха, относительной влажностью, интенсивностью солнечной радиации и динамикой изменения влагосодержания материала. Обучение модели выполнялось на основе экспериментальных данных, полученных в процессе сушки листьев Plantago major L. в солнечной шкафной сушилке. Результаты моделирования показали высокую точность прогнозирования процесса сушки (R² = 0.95, RMSE = 0.021). Проведён сравнительный анализ с классической диффузионной моделью, подтвердивший преимущество нейросетевого подхода по точности и устойчивости результатов. Установлено, что применение оптимизированных режимов сушки позволяет сократить продолжительность процесса на 22%, снизить энергозатраты на 15% и повысить сохранность биологически активных веществ до 30%.

ABSTRACT

This paper proposes an integrated approach to optimizing the drying process of medicinal plants in a solar cabinet dryer, based on a combination of physical and mathematical modeling of heat and mass transfer processes with machine learning methods. The relevance of the study is determined by the need to improve the energy efficiency of solar drying units and preserve the biologically active substances of medicinal plant materials under the influence of variable climatic factors. An artificial neural network (ANN) was used as an intelligent forecasting tool, allowing for taking into account complex nonlinear relationships between air temperature, relative humidity, solar radiation intensity, and the dynamics of changes in the moisture content of the material. The model was trained based on experimental data obtained during the drying of Plantago major L. leaves in a solar cabinet dryer. The modeling results demonstrated a high accuracy of drying process forecasting (R² = 0.95, RMSE = 0.021). A comparative analysis with the classical diffusion model was conducted, confirming the advantage of the neural network approach in terms of the accuracy and stability of the results. It has been established that the use of optimized drying modes allows for a reduction in process duration by 22%, a reduction in energy costs by 15%, and an increase in the preservation of biologically active substances by up to 30%.

Ключевые слова: солнечная сушилка, лекарственные растения, сушка, машинное обучение, искусственная нейронная сеть, кинетика сушки, оптимизация процесса, тепломассообмен, прогнозирование влажности.

Keywords: Solar dryer, medicinal plants, drying, machine learning, artificial neural network, drying kinetics, process optimization, heat and mass transfer, moisture forecasting.

Введение. Сушка лекарственных растений является ключевым этапом технологического процесса, во многом определяющим качество и биологическую ценность конечного продукта. От параметров сушки напрямую зависят сохранность термолабильных соединений, таких как витамин C, флавоноиды и другие биологически активные вещества, что делает данный процесс критически важным для фармацевтической и пищевой промышленности. Основными факторами, влияющими на эффективность процесса сушки, являются температура сушильного агента, относительная влажность воздуха и интенсивность солнечной радиации. В условиях использования солнечных сушильных установок данные параметры носят переменный характер и подвержены значительным колебаниям, обусловленным изменением климатических условий [1-3]. Несмотря на широкое распространение солнечных сушилок, их существенным недостатком остаётся отсутствие интеллектуальных систем управления, способных адаптироваться к изменяющимся внешним воздействиям. Это приводит к увеличению продолжительности процесса, росту энергозатрат и ухудшению качества готовой продукции. Традиционные методы моделирования процесса сушки, основанные на решении дифференциальных уравнений тепло- и массопереноса, позволяют описывать физическую природу процесса, однако имеют ряд ограничений [4-5]. В частности, они не учитывают сложные нелинейные взаимосвязи между параметрами системы, возникающие при реальных условиях эксплуатации, и требуют значительного упрощения модели. В последние годы всё большее внимание уделяется применению методов машинного обучения, обладающих способностью эффективно аппроксимировать нелинейные зависимости без явного задания аналитических выражений. Использование искусственных нейронных сетей позволяет повысить точность прогнозирования динамики изменения влажности и создать предпосылки для разработки адаптивных систем управления процессом сушки [6-7]. В связи с этим целью данной работы является разработка метода оптимизации процесса сушки лекарственных растений в солнечной шкафной сушилке на основе интеграции физико-математической модели тепло- и массопереноса с методами машинного обучения, обеспечивающего повышение энергоэффективности процесса и сохранности биологически активных веществ [8-11].

2. Материалы и методы

2.1 Объект исследования и экспериментальная установка

Объектом исследования являлся процесс конвективной сушки лекарственных растений в солнечной шкафной сушилке, функционирующей на основе естественной циркуляции нагретого воздуха. В качестве модельного растительного сырья использовались листья Plantago major L., характеризующиеся высоким содержанием термолабильных биологически активных соединений, что делает их чувствительными к условиям сушки [12-13].

Экспериментальная установка включала следующие основные элементы: воздушный солнечный коллектор, сушильную камеру с многоярусным размещением образцов и вытяжной канал, обеспечивающий движение воздуха за счёт эффекта естественной тяги. Тепловая энергия формировалась в результате поглощения солнечной радиации коллектором с последующей передачей тепла воздушному потоку. Нагретый воздух, поступая в сушильную камеру, инициировал процессы испарения влаги и её удаления из структуры растительного материала [14-16].

Перед проведением экспериментов сырьё подвергалось стандартной подготовке, включающей очистку и калибровку по размеру. Образцы равномерно распределялись тонким слоем на перфорированных лотках, что обеспечивало однородность условий сушки и минимизацию внутреннего диффузионного сопротивления [17-19].

2.2 Определение влажности и параметров процесса

Начальная и текущая влажность определялись гравиметрическим методом на основе периодических измерений массы образца. Расчёт влажности выполнялся по выражению:

где: текущая масса образца, масса абсолютно сухого вещества.

Для анализа кинетики процесса использовался безразмерный параметр влагосодержания:

где: 

начальная влажность, равновесная влажность.

В процессе эксперимента регистрировались следующие параметры:

• температура воздуха на входе и выходе сушильной системы
• температура внутри сушильной камеры
• относительная влажность воздуха
• интенсивность солнечной радиации

2.3 Математическое моделирование процесса

Процесс удаления влаги описывался уравнением диффузии:

где эффективный коэффициент диффузии.

Тепловой баланс системы определялся уравнением:

где: интенсивность солнечной радиации, площадь коллектора, коэффициент полезного действия.

Поступающая солнечная энергия рассчитывалась как:

Полезная энергия, затрачиваемая на испарение влаги, определялась через произведение массы испарённой влаги на удельную теплоту парообразования.

2.4 Нейросетевая модель (Artificial Neural Network)

Для учета нелинейных взаимосвязей между параметрами процесса использовалась многослойная нейронная сеть [20] (Multilayer Perceptron).

Характеристики модели:

архитектура: 4-10-10-1

входные параметры:

выходной параметр:

функции активации: ReLU (скрытые слои), линейная (выходной слой)

алгоритм обучения: Adam

Функция потерь задавалась как:

2.5 Экспериментальные данные и обучение модели

Обучение нейросетевой модели осуществлялось на основе экспериментального набора данных, включающего 520 измерений, полученных с шагом 5 минут.

Данные были разделены:

обучающая выборка - 70%

тестовая выборка - 30%

Качество модели оценивалось с использованием коэффициента детерминации и среднеквадратичной ошибки (RMSE).

2.6 Постановка задачи оптимизации

Оптимизация процесса формулировалась как многокритериальная задача, учитывающая:

продолжительность сушки

энергозатраты

качество продукта

Целевая функция задавалась следующим образом:

где: время сушки, энергозатраты, показатель качества (сохранность биологически активных веществ).

Оптимизация выполнялась методом перебора параметров (grid search), что позволило определить рациональные режимы работы сушильной установки.

Результаты и обсуждение.

3.1 Точность и адекватность модели

Результаты экспериментальных и численных исследований процесса сушки лекарственного сырья в солнечной шкафной сушилке показали, что динамика изменения влажности носит выраженный нелинейный характер и определяется совокупным влиянием температурного режима, относительной влажности воздуха и интенсивности солнечной радиации.

Применение модели на основе искусственной нейронной сети (ANN) позволило существенно повысить точность описания данного процесса и учесть сложные нелинейные зависимости между параметрами системы. Количественная оценка качества модели показала высокие значения коэффициента детерминации и низкую среднеквадратичную ошибку RMSE=0.021, что свидетельствует о высокой степени соответствия расчетных и экспериментальных данных.

Анализ зависимости между экспериментальными и предсказанными значениями влажности (рис.1) показал наличие устойчивой положительной корреляции. Большинство точек располагается вблизи линии идеального совпадения что подтверждает адекватность разработанной модели. Наблюдаемое незначительное систематическое отклонение в области повышенных значений влажности, выражающееся в занижении предсказанных значений, может быть обусловлено ограниченностью обучающей выборки в соответствующем диапазоне, а также усложнением механизмов внутреннего влагопереноса на завершающих стадиях процесса сушки.

Рисунок 1. Сравнение экспериментальных и предсказанных значений влажности

3.2 Кинетика процесса сушки

Кинетика процесса сушки представлена в виде зависимости влагосодержания от времени (рис.2). Полученные результаты демонстрируют, что нейросетевая модель корректно воспроизводит основные стадии процесса, включая:

• начальную стадию интенсивного испарения влаги
• последующую стадию замедленного диффузионного переноса

Общая форма кривых, полученных экспериментально и в результате моделирования, практически совпадает, что свидетельствует о корректности выбранного подхода. Наблюдаемые локальные расхождения между кривыми могут быть связаны с нестабильностью внешних факторов, таких как изменение интенсивности солнечной радиации и относительной влажности окружающей среды.

Важно отметить, что использование временной шкалы (в минутах) позволяет более корректно интерпретировать динамику процесса по сравнению с номером измерения, что повышает информативность анализа.

Рисунок 2. Кривая сушки лекарственного сырья: экспериментальные данные и результаты моделирования

3.3 Анализ ошибок модели

Для оценки устойчивости и точности модели был проведён анализ распределения ошибок предсказания (рис.3). Установлено, что распределение ошибок близко к нормальному с максимумом вблизи нулевого значения, что свидетельствует об отсутствии значительных систематических погрешностей и высокой обобщающей способности модели.

Незначительная асимметрия распределения указывает на наличие слабого смещения модели, которое может быть обусловлено:

• неоднородностью структуры растительного материала
• вариацией толщины слоя сырья
• ограниченным числом входных параметров

Тем не менее, полученные результаты подтверждают, что модель является устойчивой и пригодной для практического применения.

Рисунок 3. Распределение ошибок нейросетевой модели

3.4 Сравнительный анализ моделей (ключевое усиление)

Сравнительный анализ показал, что использование нейросетевого подхода обеспечивает более высокую точность прогнозирования по сравнению с традиционными методами моделирования.

Таблица 1.

Сравнительный анализ

Полученные результаты показывают, что нейросетевая модель обеспечивает снижение ошибки прогнозирования более чем в 2 раза по сравнению с классическими диффузионными моделями. Это обусловлено способностью ANN учитывать сложные нелинейные зависимости между параметрами системы без необходимости явного задания аналитических выражений.

3.5 Эффективность оптимизации процесса

Дополнительные расчёты показали, что применение оптимизированных режимов, определённых на основе разработанной модели, позволяет:

• сократить продолжительность процесса сушки на 18-25%
• снизить энергозатраты до 15%
• повысить сохранность биологически активных веществ (включая витамин C) до 30%

Таким образом, оптимизация процесса обеспечивает не только повышение энергоэффективности, но и улучшение качества конечного продукта.

Выводы.

В данной работе разработан интегрированный подход к оптимизации процесса сушки лекарственных растений в солнечной шкафной сушилке, основанный на сочетании физико-математического моделирования и методов машинного обучения. Показано, что применение искусственной нейронной сети (ANN) обеспечивает высокую точность прогнозирования динамики влагосодержания, что подтверждается значениями коэффициента детерминации и низкой среднеквадратичной ошибки. В сравнении с традиционными диффузионными и регрессионными моделями нейросетевая модель продемонстрировала существенное повышение точности и устойчивости результатов. Установлено, что использование разработанной модели для оптимизации режимов работы сушильной установки позволяет сократить продолжительность процесса сушки на 18-25%, снизить энергозатраты до 15% и повысить сохранность биологически активных веществ, включая витамин C, до 30%. Полученные результаты подтверждают эффективность применения методов машинного обучения для анализа и оптимизации процессов тепломассообмена в условиях переменных внешних факторов. Практическая значимость работы заключается в возможности использования разработанного подхода при проектировании и создании интеллектуальных систем управления солнечными сушильными установками. В целом, интеграция методов искусственного интеллекта с физическими моделями представляет собой перспективное направление повышения энергоэффективности и качества процессов сушки лекарственного сырья.

Список литературы:

1. Esper, A., & Mühlbauer, W. (1998). Solar drying-an effective means of food preservation. Renewable energy, 15(1-4), 95-100.
2. Belessiotis, V., & Delyannis, E. (2011). Solar drying. Solar energy, 85(8), 1665-1691.
3. El-Sebaii, A. A., & Shalaby, S. M. (2012). Solar drying of agricultural products: A review. Renewable and Sustainable Energy Reviews, 16(1), 37-43.
4. Mustayen, A. G. M. B., Mekhilef, S., & Saidur, R. (2014). Performance study of different solar dryers: A review. Renewable and Sustainable Energy Reviews, 34, 463-470.
5. Fernandes, L., & Tavares, P. B. (2024, January). A review on solar drying devices: heat transfer, air movement and type of chambers. In Solar (Vol. 4, No. 1, pp. 15-42). MDPI.
6. Usmanov, K., Yakubova, N., Sultanova, S., & Turakulov, Z. (2026). Fuzzy-Logic-Based Intelligent Control of a Cabinet Solar Dryer for Plantago major Leaves Under Real Climatic Conditions in Tashkent. Engineering Proceedings, 117(1), 35.
7. Usmanov, K., Yakubova, N., Rejabov, S., Eshbobaev, J., & Yusupov, M. (2026). Prediction of Drying Efficiency in Cabinet Solar Dryers for Medicinal Plants Using Artificial Neural Networks. Engineering Proceedings, 117(1), 42.
8. Fudholi, A., Sopian, K., Ruslan, M. H., Alghoul, M. A., & Sulaiman, M. Y. (2010). Review of solar dryers for agricultural and marine products. Renewable and sustainable energy reviews, 14(1), 1-30.
9. Janjai, S., & Bala, B. K. (2012). Solar drying technology. Food Engineering Reviews, 4(1), 16-54.
10. Lingayat, A., Chandramohan, V. P., & Raju, V. R. K. (2017). Design, development and performance of indirect type solar dryer for banana drying. Energy procedia, 109, 409-416.
11. Mohammed, A. H., Komolafe, C. A., & Simons, A. (2025). Advances in Solar Drying Technologies: A Comprehensive Review of Designs, Applications, and Sustainability Perspectives. Solar Compass, 100153.
12. Trinh, X. L., Tran, N. H., Seo, H., & Kim, H. C. (2020). Enhanced performance of perovskite solar cells via laser-induced heat treatment on perovskite film. Solar Energy, 206, 301-307.
13. Sharma, A., Chen, C. R., & Lan, N. V. (2009). Solar-energy drying systems: A review. Renewable and sustainable energy reviews, 13(6-7), 1185-1210.
14. Yakubova, N., Istanbullu, A., Siddiqov, I., & Usmanov, K. (2026). Hybrid Quantum-Fuzzy Control for Intelligent Steam Heating Management in Thermal Power Plants. Engineering Proceedings, 117(1), 33.
15. Chauhan, P., Pathania, H., Shriya, S., Neetika, N., Nidhi, N., Sakshi, S., ... & Kumar, A. (2022). Solar drying of herbal wealth in eastern Himalaya: a review.
16. Usmanov, K., Eshbobaev, J., & Yakubova, N. (2023). Modeling and optimization of the ammonium solution extraction process. Engineering Proceedings, 56(1), 198.
17. Султанова, Ш. А., Усманов, К. И., Унгбаева, Д. У., & Таджибаева, Д. А. (2024). РАЗРАБОТКА АДАПТИВНЫХ НЕЙРО-НЕЧЕТКИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВА-НИЯ ПРОИЗВОДИТЕЛЬНОСТИ СОЛНЕЧНОЙ СУШИЛКИ. Universum: технические науки, 2(5 (122)), 5-9.
18. Усманов, К. И., Исламова, Ф. К., Режабов, С. А., & Жабборов, А. О. (2024). Моделирование сушки лекарственных растений на шкафной гелиосушилке. Universum: технические науки, 2(12 (129)), 32-35.
19. Усманов, К. И., Султанова, Ш. А., Унгбаева, Д. У., & Максудова, А. И. (2025). Динамическое моделирование и тонкослойная сушка листьев подорожника в солнечных сушилках. Universum: технические науки, 2(1 (130)), 4-8.
20. Usmanov, R., Siddikov, I., Yakubova, N., & Rahmanov, A. (2018). Adaptive identification of the Neural system of Controlling nonlinear Dynamic Objects. International Journal of Advanced Research in Science, Engineering and Technology, 5(2), 5195-5199.

References:

1. Esper, A., & Mühlbauer, W. (1998). Solar drying-an effective means of food preservation. Renewable energy, 15(1-4), 95-100.
2. Belessiotis, V., & Delyannis, E. (2011). Solar drying. Solar energy, 85(8), 1665-1691.
3. El-Sebaii, A. A., & Shalaby, S. M. (2012). Solar drying of agricultural products: A review. Renewable and Sustainable Energy Reviews, 16(1), 37-43.
4. Mustayen, A. G. M. B., Mekhilef, S., & Saidur, R. (2014). Performance study of different solar dryers: A review. Renewable and Sustainable Energy Reviews, 34, 463-470.
5. Fernandes, L., & Tavares, P. B. (2024, January). A review on solar drying devices: heat transfer, air movement and type of chambers. In Solar (Vol. 4, No. 1, pp. 15-42). MDPI.
6. Usmanov, K., Yakubova, N., Sultanova, S., & Turakulov, Z. (2026). Fuzzy-Logic-Based Intelligent Control of a Cabinet Solar Dryer for Plantago major Leaves Under Real Climatic Conditions in Tashkent. Engineering Proceedings, 117(1), 35.
7. Usmanov, K., Yakubova, N., Rejabov, S., Eshbobaev, J., & Yusupov, M. (2026). Prediction of Drying Efficiency in Cabinet Solar Dryers for Medicinal Plants Using Artificial Neural Networks. Engineering Proceedings, 117(1), 42.
8. Fudholi, A., Sopian, K., Ruslan, M. H., Alghoul, M. A., & Sulaiman, M. Y. (2010). Review of solar dryers for agricultural and marine products. Renewable and sustainable energy reviews, 14(1), 1-30.
9. Janjai, S., & Bala, B. K. (2012). Solar drying technology. Food Engineering Reviews, 4(1), 16-54.
10. Lingayat, A., Chandramohan, V. P., & Raju, V. R. K. (2017). Design, development and performance of indirect type solar dryer for banana drying. Energy procedia, 109, 409-416.
11. Mohammed, A. H., Komolafe, C. A., & Simons, A. (2025). Advances in Solar Drying Technologies: A Comprehensive Review of Designs, Applications, and Sustainability Perspectives. Solar Compass, 100153.
12. Trinh, X. L., Tran, N. H., Seo, H., & Kim, H. C. (2020). Enhanced performance of perovskite solar cells via laser-induced heat treatment on perovskite film. Solar Energy, 206, 301-307.
13. Sharma, A., Chen, C. R., & Lan, N. V. (2009). Solar-energy drying systems: A review. Renewable and sustainable energy reviews, 13(6-7), 1185-1210.
14. Yakubova, N., Istanbullu, A., Siddiqov, I., & Usmanov, K. (2026). Hybrid Quantum-Fuzzy Control for Intelligent Steam Heating Management in Thermal Power Plants. Engineering Proceedings, 117(1), 33.
15. Chauhan, P., Pathania, H., Shriya, S., Neetika, N., Nidhi, N., Sakshi, S., ... & Kumar, A. (2022). Solar drying of herbal wealth in eastern Himalaya: a review.
16. Usmanov, K., Eshbobaev, J., & Yakubova, N. (2023). Modeling and optimization of the ammonium solution extraction process. Engineering Proceedings, 56(1), 198.
17. Sultanova Sh.A., Usmanov K.I., Ungbaeva D.U., Tadjibaeva D.A. [Development of adaptive neuro-fuzzy models for predicting the performance of a solar dryer]. Universum: tekhnicheskie nauki, 2024, no. 5(122), pp. 5-9. (In Russ.)
18. Usmanov K.I., Islamova F.K., Rejabov S.A., Jabborov A.O. [Modeling of drying medicinal plants in a cabinet solar dryer]. Universum: tekhnicheskie nauki, 2024, no. 12(129), pp. 32-35. (In Russ.)
19. Usmanov K.I., Sultanova Sh.A., Ungbaeva D.U., Maksudova A.I. [Dynamic modeling and thin-layer drying of plantain leaves in solar dryers]. Universum: tekhnicheskie nauki, 2025, no. 1(130), pp. 4-8. (In Russ.)
20. Usmanov, R., Siddikov, I., Yakubova, N., & Rahmanov, A. (2018). Adaptive identification of the Neural system of Controlling nonlinear Dynamic Objects. International Journal of Advanced Research in Science, Engineering and Technology, 5(2), 5195-5199.