《Energy》：Machine learning and simulated annealing/Moth-flame based prediction-optimization for improving ultrasonication-assisted co-anaerobic digestion
编辑推荐：
本研究采用超声辅助厌氧共消化技术处理水牛粪便与食物垃圾，结合机器学习模型与元启发式优化算法，显著提升生物甲烷产量，验证了多技术融合在废弃物能源化中的应用潜力。
安·图安·黄（Anh Tuan Hoang）|魏欣（Wei-Hsin Chen）|M·奥尔加·格雷罗-佩雷斯（M. Olga Guerrero-Pérez）|恩里克·罗德里格斯-卡斯特利翁（Enrique Rodríguez-Castellón）|玛丽·克鲁兹·洛佩兹-埃斯卡兰特（Mari Cruz López-Escalante）|迪普·吴玉龙·胡英（Diep Ngoc Long Huynh）|宣芳·阮（Xuan Phuong Nguyen）|Thanh Hai Truong|Phuc Phat Pham
越南同奈技术大学（Dong Nai Technology University）能源-燃料技术及应用材料研究组（Energy-Fuel Technology and Applied Material Research Group）
摘要
本研究采用了一种新颖的混合方法，通过超声波辅助的厌氧共消化技术来提高水牛粪便和食物废弃物的生物甲烷产量。超声波预处理有效破坏了复杂的有机基质，促进了水解反应，加速了微生物降解，并增加了挥发性脂肪酸的合成。此外，还开发了一个模型预测-优化框架，该框架结合了机器学习（ML）方法（如XGBoost和决策树）以及响应面方法（RSM）、模拟退火（SA）和蛾火优化（MFO）等优化技术。结果表明，XGBoost在训练阶段的R2值为1，MSE值为0；而在模型测试阶段，其R2值为0.832，MSE值为6.139。相比之下，RSM在51.52°C和60.97分钟的条件下半甲烷产量可优化至69.36%；模拟退火方法在51.08°C和61.38分钟的条件下半甲烷产量为69.39%。蛾火优化方法在57.69°C和60.8分钟的条件下半甲烷产量为68.81%，虽然效率略低，但在相似的实验参数下表现出良好的稳定性。这种混合方法为废物转化为能源的系统提供了可扩展的解决方案，有助于将实验研究与计算建模相结合。对于下一代生物能源系统而言，这种方法在利用超声波强化工艺、机器学习进行预测分析以及多目标元启发式优化方面取得了显著进展。
引言
全球人口的快速增长、工业活动的增加以及对化石燃料的过度依赖，使得寻找替代燃料的研究变得至关重要[1]。目前全球人口约为76亿，预计到2030年将增加到86亿，到2050年将达到98亿，到2100年将达到112亿[2]，这给气候变化和全球变暖带来了严峻挑战[3]。据2020年的数据，化石燃料燃烧占全球二氧化碳排放量的93.22%，其中天然气占21.26%，石油占31.81%，煤炭占40.15%[4]。此外，工业生产和农业生产产生的废弃物激增也给废物管理带来了巨大压力[5]。因此，有必要减少对化石燃料的依赖，从而降低全球碳足迹，这可以通过使用可再生、环保的能源来实现[6][7]。各国正从“获取、制造和处置”的模式转向更加可持续的循环经济框架[8]，这意味着需要有效和负责任地利用资源[9][10]。事实上，循环经济提倡将可再生生物资源和有机废弃物转化为各种高价值产品，包括生物聚合物、生物基化学品、食品、动物饲料和可持续的生物能源[11][12][13]。
将各种废弃物（如牲畜粪便、农业残余物、城市固体废物和塑料废物）转化为能源具有双重效益：既能缓解废物处理问题，又能解决能源短缺问题[14][15]。厌氧消化（AD）是一种在无氧条件下进行的废物转化为能源的过程，主要产生甲烷[16][17]。经过适当处理后，这种生物气体可以作为天然气的可行替代品。然而，AD将生物质转化为能源的效率仍然有限。为了提高其效率，通常会采用厌氧共消化（ACD）技术，该技术通过处理具有互补特性的多种底物来增强协同效应，从而提高生物气产量[18][19][20][21]。ACD不仅提高了微生物活性和营养平衡，还增强了工艺稳定性，同时减少了温室气体排放和运营成本[22]。ACD的最大优势在于能够提高甲烷产量。其他显著的好处还包括提高工艺韧性、减少抑制性化合物的形成、改善消化器内的水分调节、降低环境排放、增加可生物降解有机物的负荷，以及由于资源利用优化而带来的经济效益[23][24][25]。除了生物气生产外，ACD还会产生富含氮和磷等必需营养素的消化物，这些消化物可作为优质的土壤改良剂，并可用于多种用途，如牲畜垫料、肥料和其他可生物降解产品。
文献中提到，ACD通过消化具有相似特性的多种原料成为提高生物气产量的有效方法。然而，要最大化生物甲烷产量，还需要进一步改进工艺[26][27]。预处理方法、工艺优化、微生物增强和反应器设计改进都被视为提高生物甲烷产量的手段[28]。预处理方法有助于提高底物的可生物降解性，从而改善水解和整体消化效率。重要的预处理技术包括物理、化学、热处理和生物处理[29]。物理预处理方法如超声波处理、研磨等可以增加微生物作用的表面积；化学预处理可以通过酸性、碱性或氧化处理分解复杂的聚合物[30][31][32]；热处理中的高温有助于破坏原料的结构完整性，从而加速水解过程。生物预处理，即使用微生物菌群或酶促水解，可以在消化前分解难处理的物质，从而提高甲烷产量[33][34]。生物甲烷生成的工艺优化受到工艺参数（如pH值、温度、水力停留时间和有机负荷率）的显著影响。响应面方法（RSM）和机器学习（ML）方法（如XGBoost和决策树）等先进建模方法被广泛用于寻找最佳条件以获得最大甲烷产量[35]。这些方法能够基于数据了解各种操作参数之间的关系，从而提高AD系统的效率和可靠性[19][36][37]。添加某些微生物菌株或共底物也有助于提高分解过程和甲烷产量。事实上，微生物菌群工程通过改善多种微生物物种之间的代谢途径已被广泛研究。此外，钴、铁和镍等微量元素也被证明可以增强对甲烷生成至关重要的酶的活性[38][39]。此外，使用生物炭和纳米颗粒可以提高工艺稳定性，缓冲pH变化，促进微生物附着，从而优化消化过程[40][41]。除了生物气生产外，ACD还能产生富含氮和磷等必需营养素的消化物，这些消化物可作为优质的土壤改良剂，并可用于多种用途。
在文献中，ACD被报道为通过消化具有相似特性的多种原料来提高生物气产量的有效方法。然而，要最大化生物甲烷产量，还需要进行更多的工艺改进[26][27]。预处理方法、工艺优化、微生物增强和反应器设计改进都被视为提高生物甲烷产量的途径[28]。物理预处理方法（如超声波处理）可以增加底物的可生物降解性，从而改善水解和整体消化效率。重要的预处理技术包括物理、化学、热处理和生物处理[29]。通过降低颗粒大小，物理预处理方法（如超声波处理、研磨等）可以增加微生物作用的表面积；化学预处理可以通过酸性、碱性或氧化处理分解复杂的聚合物[30][31][32]。热处理中的高温有助于破坏原料的结构完整性，从而加速水解过程。生物预处理（如微生物菌群或酶促水解）可以在消化前分解难处理的物质，从而提高甲烷产量[33][34]。生物甲烷生成的工艺优化受到工艺参数（如pH值、温度、水力停留时间和有机负荷率）的显著影响。响应面方法（RSM）和机器学习（ML）方法（如XGBoost和决策树）等先进建模方法被广泛用于寻找最佳条件以获得最大甲烷产量[35]。这些方法有助于基于数据了解各种操作参数之间的关系，从而提高AD系统的效率和可靠性[19][36][37]。添加某些微生物菌株或共底物也有助于提高分解过程和甲烷产量。事实上，微生物菌群工程通过改善多种微生物物种之间的代谢途径已被广泛研究。此外，钴、铁和镍等微量元素也被证明可以增强对甲烷生成至关重要的酶的活性[38][39]。此外，使用生物炭和纳米颗粒可以帮助提高工艺稳定性，缓冲pH变化，促进微生物附着，从而优化消化过程[40][41]。此外，提高工艺效率和甲烷产量在很大程度上取决于反应器布局的改进。
在预处理技术中，超声波能量作为一种提高生物甲烷产量的有效工具受到了关注[42]。高频声波会破坏生物质的结构完整性，从而促进微生物消化。超声波处理具有几个主要优点[43]：首先，超声波产生的空化气泡剧烈破裂，破坏微生物细胞和复杂聚合物，从而增加水解作用；其次，超声波的机械和热效应有助于溶解颗粒有机物，产生更多的挥发性脂肪酸，从而提高甲烷生成；此外，超声波处理还可以缩短消化时间，因为经过处理的底物比未经处理的底物分解得更快，从而缩短了停留时间；最后，超声波处理可以减少抑制性化学物质的产生，有助于分解阻碍微生物作用的有害分子，从而提高工艺稳定性。最后，超声波处理还可以降低污泥的含水量，从而改善污泥管理，减少处理成本[46][47]。
上述分析表明，由于涉及多个处理因素，ACD工艺复杂且非线性。利用现代ML方法和元启发式方法进行建模和参数优化可以帮助克服传统方法面临的挑战。将基于超声波的预处理与先进的建模和优化方法相结合的研究仍然不足。尽管现有研究通常集中在利用超声波改进工艺或使用ML进行预测建模上，但关于元启发式算法如何优化消化条件的了解仍然有限，特别是模拟退火和蛾火优化方法在提高甲烷产量方面的应用。通过填补这些空白，可以更全面地了解优化、建模和超声波如何相互作用以影响AD性能。为了提高生物甲烷产量，本研究提出了一种结合超声波、响应面方法、ML和元启发式优化的多种技术。与传统研究不同，它采用了一种混合计算框架，其中模拟退火和蛾火优化技术用于微调关键工艺参数以获得最佳性能，而ML模型则根据这些变量预测生物甲烷产量。此外，这项工作通过提供ML方法在预测生物甲烷产量方面的相对分析，弥合了实验研究和计算优化方法之间的差距。
部分内容片段
原料选择
本研究采用ACD工艺，利用水牛粪便和酒店食物废弃物生产生物甲烷。水牛粪便从养牛场获取，并收集在20升的塑料容器中。随后进行充分搅拌以确保成分均匀。收集后，通过机械处理减小颗粒大小。然后在4°C的冷藏条件下保存最多三周，以保持其微生物活性。
优化算法和模型预测框架
本研究采用了一种综合的混合方法来应对复杂的非线性ACD工艺中的优化问题。将机器学习（ML）与响应面方法（RSM）和元启发式优化方法相结合，利用了模拟退火的概率全局搜索效率、RSM的统计建模能力、ML的预测能力以及元启发式算法的基于自然的局部优化潜力。
结果与讨论
使用基于Python的开源库开发和分析生物甲烷产量的回归模型。实验数据集使用pandas和NumPy进行处理，然后使用scikit learn的train_test_split函数将数据集分为80%的训练数据和20%的测试数据。决策树回归（Decision Tree Regression）和XGBoost回归（XGBoost Regression）分别使用scikit learn库中的Decision_Tree_Regressor类和XGBRegressor类实现。
结论
本研究采用了超声波预处理、优化和基于机器学习的预测建模等多种方法来预测和优化生物甲烷产量。实验收集的数据用于模型开发和优化。XGBoost在模型训练阶段的R2值为1，MSE值可忽略不计；在模型测试阶段的R2值为0.832，MSE值为6.139。
CRediT作者贡献声明
魏欣（Wei-Hsin Chen）：撰写 – 审稿与编辑、项目监督、研究调查、资金获取、数据分析。安·图安·黄（Anh Tuan Hoang）：撰写 – 初稿撰写、项目监督、研究调查、资金获取、数据分析、概念构思。宣芳·阮（Xuan Phuong Nguyen）：撰写 – 审稿与编辑、研究调查、数据分析。迪普·吴玉龙·胡英（Diep Ngoc Long Huynh）：撰写 – 审稿与编辑、研究调查、数据分析。Phuc Phat Pham：撰写 – 审稿与编辑
利益冲突声明
作者声明没有已知的利益冲突或个人关系可能影响本文的研究结果。
致谢
我们感谢西班牙科学与创新部（Ministerio de Ciencia e Innovación）的支持（项目编号TED2021-130756B-C31/MCIN/AEI/10.13039/501100011033）以及欧盟的“NextGenerationEU/PRTR”计划的支持。作者还感谢台湾地区国家科学技术委员会（National Science and Technology Council）在NSTC-114-2218-E-006-013和NSTC-114-2218-E-002-020合同下的财政支持。
