机器学习驱动的气液搅拌生物反应器传质性能预测与优化研究

针对气液搅拌生物反应器中传质系数(kLa)预测的复杂性问题，研究人员采用CatBoost和XGBoost等机器学习模型，整合结构参数、流变特性与操作变量，实现牛顿/非牛顿流体kLa的高精度预测（AARD=18.84%），突破传统经验公式的局限性，为生物反应器智能化设计提供新范式。

　　

在生物发酵工业中，氧气传质效率如同生命线般决定着微生物的生死存亡。气液搅拌生物反应器作为主流生产设备，其核心指标体积传质系数(k_La)却受困于复杂的"多参数迷宫"——从反应器结构、搅拌桨设计到流体流变特性，任何细微变化都可能引发传质性能的蝴蝶效应。更棘手的是，传统经验公式如同"量身定制的西装"，一旦遇到不同规模的设备或新型流体便束手无策。这种预测瓶颈直接制约着生物制药、食品发酵等领域的工艺优化，迫使研究人员在实验试错中耗费大量资源。

南京工业大学的研究团队另辟蹊径，将机器学习(ML)这把"智能钥匙"插入k_La预测的复杂锁芯。他们构建的303组多维数据库如同"反应器基因图谱"，涵盖从牛顿流体到剪切稀化型非牛顿流体的广谱样本。研究采用两阶段优化策略：先通过SHAP分析剔除冗余特征，再用四种ML模型进行"算法擂台赛"。结果显示，CatBoost在牛顿流体预测中展现出18.84%的平均相对偏差，较传统公式精度提升显著；而XGBoost凭借对流变参数（稠度系数K、幂律指数n）的精准捕捉，成功破解非牛顿流体的"剪切密码"。特征重要性分析更揭示出转速与液高的"双冠王"地位，2D偏依赖分析则绘制出关键参数的优化区间地图。

关键技术方法包括：基于SHAP值和排列重要性的特征筛选、CatBoost/XGBoost算法优化、二维偏依赖分析(PDP)可视化。研究数据来源于公开文献和实验测量，涵盖12类结构参数和5种操作变量。

【Dataset statistical analysis】
半箱线图分析揭示牛顿与非牛顿流体在反应器结构上的显著差异：非牛顿体系更倾向采用较大高径比(H/D)，这与其复杂的流变行为直接相关。搅拌桨参数中，叶片数(m)和安装高度(z/H)呈现双峰分布，暗示特定组合可能产生协同效应。

【Conclusions】
该研究构建的ML框架如同"数字孪生实验室"，不仅实现k_La预测精度突破，更通过特征解耦揭示出转速-流变特性的非线性耦合规律。对于牛顿流体，CatBoost模型将适用场景从单一水体系扩展到多元溶液；在非牛顿领域，XGBoost对K-n参数的敏感性分析为剪切敏感型发酵工艺提供量化调控依据。这项发表于《Chinese Journal of Chemical Engineering》的成果，标志着生物反应器优化从"经验试错"迈向"算法驱动"的新纪元。

研究意义深远：首先，ML模型突破传统公式的"尺寸枷锁"，使小型实验数据可直接指导工业放大；其次，特征重要性排序为关键参数调控提供优先级指南；最后，PDP图谱建立的"参数安全区"概念，可有效规避高剪切损伤区。正如通讯作者Liwen Mu强调的，这种"结构-流变-操作"三位一体的智能预测体系，为生物制造领域的数字化升级铺设了关键技术轨道。