循环水养殖系统中氨氮动态的数学建模与生物能量学优化研究

为解决传统氨氮(TAN)监测方法成本高、维护频繁且易漂移的问题，中国农业大学团队以施氏鲟(Acipenser baerii)为对象，构建了融合生物能量学与质量平衡的TAN预测模型。通过贝叶斯优化(BO)校准关键参数，模型在未参与训练的数据中表现出良好预测性能，为循环水养殖系统(RAS)的精准管理提供新工具。

　　

氨氮监测的困境与突破
水产养殖业正面临氨氮管理的重大挑战。作为鱼类代谢的主要产物，总氨氮(TAN)包含毒性显著的NH₃和相对温和的NH₄⁺，其浓度超标会导致鱼类呼吸困难、生长停滞甚至死亡。传统监测依赖昂贵的光谱传感器或耗时的人工检测，而新兴的LSTM机器学习模型又面临"黑箱"困境。更棘手的是，现有数学模型多忽略鱼体生物能量学过程与水质参数的动态耦合，例如Kamali模型未考虑氨挥发，Tanveer模型遗漏饲料溶解影响。

中国农业大学国家数字渔业创新中心团队独辟蹊径，选择具有经济价值的施氏鲟(Acipenser baerii)为研究对象，在52天的实验室规模循环水养殖系统(RAS)实验中，开创性地将鱼类生物能量学原理与氨氮质量平衡方程相结合。这项发表于《Aquacultural Engineering》的研究，通过七步关键技术路径实现突破：建立包含鼓式过滤器和生物过滤器的RAS实验系统；采集pH、溶解氧(DO)、温度等多参数水质数据；构建考虑温度三阈值(T_min/T_opt/T_max)的鱼类生长模型；开发整合饲料转化、鳃排泄、尿液水解的TAN动态方程；采用局部敏感性分析(LSA)筛选出m(净合成指数)等7个关键参数；应用贝叶斯优化(BO)进行参数校准；最终通过独立数据集验证模型效能。

关键发现层层递进
实验系统设计
系统包含500L鱼缸、20μm精度的鼓式过滤器及移动床生物反应器(MBBR)，水温维持在18±1℃。特别设计的数据采集模块每10分钟记录一次DO、pH等参数，为模型提供高时序分辨率数据支撑。

敏感性分析突破
研究发现DO_crit(临界溶解氧)对模型输出影响最大，灵敏度指数达0.47。温度参数呈现非线性响应，T_opt(最适温度)在18℃时使氨氮产生速率最大化，这与施氏鲟的生理特性高度吻合。

模型验证成果
优化后的模型在预测鱼体生物量时R²达0.93，TAN浓度预测误差低于15%。特别值得注意的是，模型成功捕捉到投喂后6-8小时的氨氮峰值延迟现象，这源于对饲料蛋白质水解动力学的精确刻画。

理论实践双重价值
该研究首次实现了生物能量学与物理化学过程的跨尺度耦合，破解了传统模型"重水质轻生理"的局限。通过揭示m(净合成指数)与DO_crit的协同效应，为不同生长阶段的投喂策略优化提供量化依据。实践层面，模型仅需常规水质传感器输入即可实现TAN实时估算，使小型养殖场也能负担精准化管理。作者Lingwei Jiang在讨论中指出，该框架可扩展至其他鲟科鱼类，但需针对具体物种调整BO的先验分布参数。

这项研究的创新性还体现在方法学层面：将LSA与BO结合，既避免高维参数空间的"维度灾难"，又通过概率采样提升全局最优解概率。正如通讯作者Daoliang Li强调的，这种"机理模型打底、数据驱动调参"的混合建模思路，为水产数字孪生系统开发树立了新范式。未来研究可进一步整合硝化细菌动力学，使模型能同步预测亚硝酸盐等次级产物的积累动态。