有机食物废弃物中生物甲烷潜力的实验分析与机器学习预测：实验室规模和半试点规模的研究方法

《International Journal of Sustainable Engineering》：Experimental analysis and machine learning prediction of biomethane potential from organic food waste: lab-scale and semi pilot-scale approaches

生物甲烷潜力预测：通过机器学习模型（SLR、QSVM、BT、M-GPR）优化实验室和半工业厌氧消化系统参数，最佳接种比例1:2.5使实验室BMP达82.96 ml/g VS，半工业10%固体含量时产气量最高3174.6 ml，M-GPR模型R2达0.999，误差最小。

　　在当今社会，随着城市化进程、工业发展和生活方式的改变，有机废弃物的处理与资源化利用变得愈发重要。食品废弃物（FW）和污水（WW）作为市政固体废弃物的重要组成部分，其处理不仅关系到环境保护，还与能源回收和可持续发展密切相关。为了提升这些废弃物的处理效率，研究人员越来越多地关注如何通过先进的技术手段，如机器学习（ML），来预测和优化厌氧消化（AD）过程中的甲烷产量和沼气生成量。本文通过实验研究和机器学习模型的应用，探讨了在实验室和半试点规模下，如何利用不同的输入参数对甲烷产量进行有效预测，从而支持更高效、可持续的生物沼气生成。

### 实验设计与数据采集

实验过程中，研究人员首先收集了来自两个大学食堂的食品废弃物，并对其进行了分类与处理。实验样本包括蔬菜废弃物、水果废弃物和茶渣，这些材料在实验室条件下被混合并研磨，以减少颗粒大小，确保样品的均匀性。通过这一过程，研究人员获得了具有代表性的混合样本，其总固体（TS）含量为21%-22%，略高于厌氧消化的推荐范围（15%-20%）。然而，该样本的挥发性固体（VS）含量高达90%-94%，表明其富含有机物质，适合进行生物沼气生产。此外，样品的碳氮比（C/N）为32%-35%，提示需要补充氮元素以优化厌氧消化过程。与此同时，样品的pH值为6.2-6.4，略低于最佳范围（6.5-6.8），表明需要调整pH值以提高厌氧过程的效率。

为了更全面地评估这些废弃物的处理效果，研究人员还分析了污水样本，发现其pH值稳定在7.3，处于厌氧消化的最佳范围（6.5-8）。同时，污水中的生化需氧量（BOD）和化学需氧量（COD）分别为70 mg/L和124 mg/L，表明其有机负荷较低，适合进行有效的处理。此外，污水中未检测到氯、油或脂肪等可能影响环境的有害物质，这降低了潜在的环境风险。然而，污水中含有的硫酸盐（>126 mg/L）可能在厌氧过程中生成硫化氢（H?S），从而影响沼气质量和消化过程的稳定性。此外，污水中的铵含量较低（1.3 mg/L），可能不足以满足微生物所需的氮营养。这些发现表明，尽管存在一些潜在问题，如硫酸盐浓度和氮含量，食品废弃物和污水仍具备适合厌氧消化的特性。

### 机器学习模型的应用

在本研究中，研究人员使用了四种机器学习算法：逐步线性回归（SLR）、二次支持向量机（QSVM）、提升树（BT）和Matern 5/2高斯过程回归（M-GPR）。这些算法被用于预测甲烷产量和沼气生成量，其输入变量包括接种物与食品废弃物的比例（In:FW）、实验运行次数、消化天数、温度、pH值、TS、VS、C/N比和COD。实验结果表明，在实验室条件下，最佳的In:FW比例为1:2.5，此时生物化学甲烷潜力（BMP）达到82.96 ml/g VS添加。而在半试点规模的实验中，当固体含量调整为8%、10%和12%时，10%的TS含量获得了最高的气体体积（3174.6 ml）和BMP（30.56 ml/g VS添加）。这表明，在半试点规模下，固体含量的优化对沼气产量和BMP具有显著影响。

### 模型性能分析

在所有机器学习模型中，M-GPR表现出最高的预测准确性，其R2值在实验室规模下达到0.999，在半试点规模下达到0.996，同时其均方根误差（RMSE）和平均绝对误差（MAE）分别为7.70-9.69和4.69-6.99。这表明，M-GPR在处理非线性生物过程时具有极强的适应性和准确性。相比之下，SLR也表现优异，QSVM则表现出中等水平的准确性，而BT则在预测能力上相对不足。这些结果表明，M-GPR和SLR在处理实验室和半试点规模下的生物沼气生成数据时具有更高的可靠性和适用性，而QSVM在处理部分非线性关系时存在一定的局限性，BT则由于其对连续数据的适应性不足，导致预测效果不佳。

在实验室规模的实验中，研究人员发现，随着食品废弃物与接种物比例的增加，甲烷产量显著提高。例如，当比例为1:2.5时，平均BMP达到82.96 ml/g VS添加，而当比例为1:1时，平均BMP仅为72.79 ml/g VS添加。这一现象表明，食品废弃物的浓度对厌氧消化过程的效率具有重要影响。高浓度的食品废弃物提供了更多的有机物质供微生物分解，从而促进了甲烷的生成。此外，实验中还发现，pH值的升高（从6.2到7.1）与甲烷产量的增加存在正相关，这表明在厌氧过程中，pH值的优化对于提高甲烷生成效率至关重要。

在半试点规模的实验中，研究人员通过调整固体含量（8%、10%、12%）来观察其对沼气产量的影响。实验结果显示，当固体含量为10%时，沼气产量最高，达到3174.6 ml，对应的BMP为30.56 ml/g VS添加。而当固体含量增加到12%时，沼气产量显著下降，仅为2279.2 ml，BMP也降低至18.28 ml/g VS添加。这表明，过高的固体含量可能会影响厌氧消化过程，导致粘度增加和质量传递效率下降。相比之下，当固体含量为8%时，沼气产量虽然略低于10%的水平，但仍然接近于较高的产量，表明较低的固体含量有助于提高BMP，但可能无法达到最优的沼气产量。

此外，研究人员还分析了不同固体含量对厌氧消化过程的影响。例如，10%的固体含量在半试点实验中表现出最佳的生物沼气生成能力，而8%和12%的固体含量则表现出一定的不足。这一结果提示，在进行厌氧消化时，固体含量的优化是提高沼气产量和BMP的关键因素。因此，研究人员建议在实际应用中，应根据不同的操作条件和原料特性，对固体含量进行精确调整，以实现更高的沼气产量和生物甲烷潜力。

### 模型的性能比较

在机器学习模型的性能比较中，研究人员发现，M-GPR在预测生物甲烷潜力（BMP）方面具有显著优势。其R2值在实验室和半试点规模下分别达到0.999和0.996，同时其RMSE和MAE值分别为7.70-9.69和4.69-6.99。这一表现表明，M-GPR在处理非线性数据时具有更高的准确性和鲁棒性，能够捕捉生物过程中的复杂趋势。相比之下，SLR虽然在某些情况下表现良好，但其预测精度略低于M-GPR，RMSE和MAE值分别为10.47-13.62和8.40-10.99。QSVM在处理非线性关系时表现出中等水平的准确性，但其预测误差较高，RMSE和MAE分别为16.81-14.71和14.08-13.19。BT则表现出较差的预测性能，其R2值仅为0.757-0.818，RMSE和MAE分别为50.99-53.87和41.90-45.18。这一结果表明，BT在处理连续数据时存在一定的局限性，而M-GPR和SLR则能够更好地捕捉实验室和半试点规模下的沼气生成趋势。

### 实验结果与讨论

实验结果表明，不同的输入变量对厌氧消化过程的效率和沼气产量具有显著影响。例如，在实验室规模的实验中，随着食品废弃物与接种物比例的增加，甲烷产量显著提高。当比例为1:2.5时，甲烷产量达到82.96 ml/g VS添加，而当比例为1:1时，甲烷产量仅为72.79 ml/g VS添加。这一结果表明，食品废弃物的浓度对甲烷产量具有重要影响，同时也验证了在厌氧消化过程中，微生物对有机物质的分解能力与甲烷产量之间存在正相关。

在半试点规模的实验中，研究人员发现，固体含量的调整对沼气产量和BMP具有显著影响。当固体含量为10%时，沼气产量最高，达到3174.6 ml，对应的BMP为30.56 ml/g VS添加。而当固体含量增加到12%时，沼气产量显著下降，仅为2279.2 ml，BMP也降低至18.28 ml/g VS添加。这一现象表明，固体含量的优化是提高沼气产量和BMP的关键因素。此外，实验还发现，随着消化时间的延长，沼气产量逐渐增加，并在后期达到峰值。这表明，厌氧消化过程具有一定的持续性和累积性，能够通过时间的推移实现更高的产量。

### 未来研究方向

尽管本研究在实验室和半试点规模下取得了显著成果，但仍有一些方面需要进一步探索。例如，研究人员建议未来应扩大数据集的规模，以提高模型的泛化能力。此外，应考虑不同原料的化学成分，以优化模型的预测性能。同时，实验应在多种操作条件下进行，以验证模型在不同环境下的适用性。通过这些改进，研究人员希望进一步提升机器学习在厌氧消化过程中的应用价值，从而支持更高效、可持续的生物沼气生成。

此外，研究人员还提到，机器学习在处理复杂生物过程时具有显著优势。例如，在实验室规模的实验中，M-GPR能够捕捉生物过程中的非线性趋势，从而实现更高的预测精度。而在半试点规模的实验中，M-GPR同样表现出良好的性能，能够有效处理连续数据。这些发现表明，机器学习在生物沼气生成中的应用具有广阔的前景，能够为厌氧消化过程的优化和规模化提供强有力的支持。

综上所述，本研究通过实验和机器学习模型的应用，探讨了食品废弃物和污水在厌氧消化过程中的处理效果。实验结果表明，不同输入变量对甲烷产量和沼气生成具有显著影响，而机器学习模型在预测这些变量时表现出良好的性能。未来的研究应进一步优化数据集的规模和操作条件，以提高模型的预测能力和适用性，从而支持更高效、可持续的生物沼气生成。