编辑推荐：
来自西安理工大学和西安科技大学的研究人员为优化微藻压载浮选收获过程，开发多种 ML 模型，BPNN 模型表现最佳，为微藻产业提供技术支持。
微藻因富含蛋白质、脂质、碳水化合物和色素，在食品、生物燃料、化妆品和制药等领域备受关注。同时，微藻能从废水中回收氮、磷等营养物质，还能捕获太阳能和吸收 CO
2 ，助力可持续资源管理和应对气候变化。然而，微藻生物质的高效收获是该产业面临的重大挑战，其成本可占总生产成本的 30% 以上。这主要是因为微藻培养物具有浓度较低、细胞体积小、带负电荷以及细胞密度与水相近等特性，使得收获过程既耗能又昂贵。
压载浮选作为一种有前景的微藻生物质收获技术，与传统的溶气浮选相比，它利用低密度材料（LDMs）替代微气泡，降低了能耗。但该技术仍处于发展初期，优化收获过程面临诸多挑战。压载浮选的收获效率受多种因素影响，包括微藻特性（种类、浓度、悬浮特性）和 LDMs 的性质（成分、密度、直径）等，这些因素相互关联，使得在不同操作条件下实现高效收获变得复杂。目前，理解压载浮选机制和提高收获效率的方法主要依赖理论推测和多参数正交实验室规模实验。这些实验不仅需要完善的生化平台，而且耗时、成本高，还需要专业操作人员。此外，现有研究多聚焦于一种 LDMs 应用于一种或几种藻类，以及处理方法的变化（如 LDMs 的表面改性、微藻培养物的加热或絮凝剂的添加），难以建立所有影响变量与收获变量之间的可靠关联，同时受时间、成本和可行性限制，在单个实验中分析所有变量对收获效率的综合影响也不现实。鉴于现有压载浮选实验已积累大量数据，机器学习（ML）作为一种数据驱动的人工智能技术，为分析和理解影响收获效率的复杂因素提供了新途径。
ML 已展现出强大的预测能力，在微藻检测与分类、提高微藻生物能源转化效率、监测微藻生长和增加生物质产量、提升废水处理能力等方面都有成功应用。然而，利用 ML 预测不同处理条件下微藻收获效率的研究较少，尤其是在微藻生物质压载浮选收获方面，且缺乏对影响收获效率关键参数的研究，而这些参数有助于指导合适 LDMs 和操作条件的选择。
本研究建立了一个全面的微藻压载浮选数据库，将微藻培养物特性、低密度材料（LDMs）性质、操作条件和收获效率作为关键特征变量。为有效预测和分析压载浮选的收获效率，研究人员开发并评估了多种机器学习（ML）模型，筛选出性能最佳的模型进行进一步优化。随后，运用模型解释分析量化了压载浮选过程中输入变量对收获效率的贡献。最终，借助优化后的 ML 模型，研究实现了快速确定用于高效微藻收获的最佳 LDMs 和操作参数。
研究人员从过去二十年 Web of Science 上发表的同行评审文献的图表、表格和文本中收集压载浮选的相关数据，构建了包含 420 个样本数据的数据集。其中，输入变量有 11 个影响因素（LDMs、直径、LDMs 用量、絮凝剂、絮凝剂用量、藻类种类、微藻浓度、离子强度、pH、混合速率和温度），收获效率作为目标值。
研究人员为每个变量赋予一个分数（百分比），以显示其在预测收获效率中的重要性，分数越高表明影响越大。为直观呈现这些关系，绘制了弦图，每个变量分布在圆周围，通过弧线连接表示它们的相对重要性。分析结果显示，微藻浓度的得分最高。
研究人员开发了多种 ML 模型来预测微藻压载浮选的收获效率，其中 BPNN 模型表现最佳。敏感性分析表明，本研究采用的训练 - 测试分割比是合适的。经遗传算法（GA）优化后，BPNN 模型的性能得到提升，平均绝对误差（MAE）和均方根误差（RMSE）降低。SHAP 分析突出了影响收获效率的关键特征。模型预测结果与实验结果进行对比验证，证实了模型的有效性。
