基于机器学习优化辅助剂强化奶酪乳清暗发酵生物制氢的研究

《International Journal of Hydrogen Energy》：Boosting biohydrogen yield from cheese whey through machine learning optimization of supplement-a?ssisted dark fermentation

本综述系统探讨了通过响应面法-中心复合设计（RSM-CCD）与随机森林-遗传算法（RF-GA）机器学习模型优化飞灰（FA）、生物炭（BC）和地质聚合物（GP）等辅助剂对奶酪乳清暗发酵（DF）生物制氢的协同增强作用。研究证实优化后的工艺显著提升氢气产率（RSM-CCD: 285.61 ml H2/g VSadded；RF-GA: 307.66 ml H2/g VSadded），并有效缩短发酵时间、抑制产甲烷过程，为可再生能源开发提供创新策略。

　　

Section snippets

Substrate and inoculum

本研究采用奶酪乳清粉（CWP）溶液模拟废水环境。CWP源自葡萄牙阿威罗附近奶酪工厂，经筛分确保颗粒尺寸小于0.5毫米。其核心特性为总固体（TS）含量91.93%和挥发性固体（VS）含量83.08%（以干重计）。厌氧消化污泥作为产氢初始菌种，取自当地污水处理厂。

Experimental results of designed runs

如图2所示，不同实验组的氢气产量存在显著差异。图表以绿色方块标注排名前7的最高产量组，红色三角标注排名后7的最低产量组，蓝色圆圈标注中等产量组（排名8-14）。这种可视化标记便于清晰对比不同产量层级。值得注意的是，最高产量达266.14 ml H₂/g VS_added，凸显了优化参数的巨大潜力。

Discussion

暗发酵制氢的核心挑战在于微生物转化效率低、代谢途径复杂导致竞争性副产物（如挥发性脂肪酸VFAs）积累，以及氢气分压过高抑制菌群活性。通过辅助剂优化体系，可稳定微生物群落并加速电子传递，从而突破产氢瓶颈。

Conclusions

本研究通过RSM-CCD和RF-GA双模型优化奶酪乳清暗发酵工艺，RF-GA模型展现出更优的预测能力（产氢量307.66 ml H₂/g VS_added）。辅助剂的协同作用不仅提升产氢效率，更将发酵周期从72小时缩短至48小时，为生物能源规模化应用提供关键技术支撑。