响应面法与神经网络优化螺旋藻酸水解及乙醇发酵的建模研究

《Folia Microbiologica》：Modeling and optimization of acid hydrolysis for spirulina-based ethanol production by response surface methodology and neural network techniques

本研究针对螺旋藻生物乙醇生产中还原糖提取效率低的问题，通过微波辅助酸水解与响应面法（RSM）优化工艺参数（微波功率250–350 W、硫酸浓度1–7%、时间1–5 min），获得最高还原糖浓度3.8 mg/mL（R2=99.87%, p<0.0001）。进一步利用RSM与人工神经网络（ANN）对比发酵条件（温度30–40°C、接种量1–5 g/L、时间12–45 h），确定最优乙醇产量1.824 g/L（30°C, 5 g/L, 28.5 h），证实RSM模型更具预测优势（R2=97.42%, MSE=0.0065），为微藻生物燃料开发提供关键技术支撑。

　　

本研究旨在通过响应面法（RSM）和人工神经网络（ANN）技术，优化以螺旋藻为原料生产生物乙醇的酸水解工艺。研究人员采用微波辅助酸水解对螺旋藻进行预处理，重点考察微波功率（250–350 W）、硫酸浓度（1–7%）和处理时间（1–5 min）对还原糖得率的影响。结果表明，在最优条件下还原糖浓度可达3.8 mg/mL，方差分析（ANOVA）与确定系数（R²=99.87%）证实模型显著性极高（p<0.0001）。

在发酵阶段，研究进一步比较RSM与ANN对发酵工艺的优化效果，关键参数包括温度（30–40°C）、接种浓度（1–5 g/L）和发酵时间（12–45 h）。通过高效液相色谱分析发现，在30°C、接种浓度5 g/L、发酵28.5 h的最佳条件下，乙醇产量达到1.824 g/L。对比显示，RSM模型预测性能更优，其R²值达97.42%（p<0.0001），均方误差（MSE）低至0.0065，显著优于ANN模型。该研究为微藻生物燃料的高效转化提供了可靠的建模与优化策略。