基于机器学习的污泥与餐厨垃圾厌氧共消化工艺建模与优化研究

本研究针对厌氧共消化(An-CoD)工艺中复杂微生物相互作用导致的产甲烷预测难题，开发了基于随机森林(RF)、XGBoost和人工神经网络(ANN)的机器学习模型。通过整合多源数据构建通用框架，以混合比例作为核心变量，在固定消化器条件下实现甲烷产量(R2=0.86)和工艺参数的精准预测。结合双退火算法优化，揭示了不同底物特性下最佳混合比例(0.99-88%VS)，为污水处理厂有机废弃物协同处理提供了智能化决策工具。

　　

随着全球有机废弃物年产量预计在2050年达到34亿吨，其中46%为有机废物，厌氧共消化(Anaerobic Co-digestion, An-CoD)技术因其能同时处理多种有机废弃物、提高甲烷产量和系统稳定性，成为废弃物资源化的关键解决方案。然而，由于底物特性差异大、微生物相互作用复杂，传统动力学模型难以准确预测工艺表现。特别是在实际污水处理厂中，核心操作参数通常固定不变，如何仅通过调节污泥与餐厨垃圾(FW)的混合比例实现甲烷产量最大化，成为工程实践中的突出难题。

加拿大女王大学化学工程系废物与废水生物精炼实验室(Waste & Wastewater Biorefinery Lab, WWBL)的Maryam Ghazizade-Fard和Ehssan H. Koupaie团队在《Journal of Environmental Management》发表研究，通过机器学习方法建立了适用于不同底物特性的通用预测模型。研究整合了30项研究、750个数据点，涵盖挥发性固体(VS)、碳氮比(C/N)等20个特征参数，重点开发了可反映实际设施限制的混合比例优化框架。

研究采用三种机器学习算法：随机森林(RF)、XGBoost和人工神经网络(ANN)，通过网格搜索和L2正则化技术优化模型性能。数据预处理包括异常值保留、缺失值插补（缺失率<10%）和标准化处理。特征重要性分析采用SHAP方法，并耦合双退火算法(Dual Annealing)进行全局优化。

3.1 混合比例对甲烷产量的影响

通过分析污泥与餐厨垃圾特性（VS、C/N等）及混合比例，发现保留时间是最关键因素（贡献度>30%）。正则化ANN模型表现最优，测试集R²达0.86，均方根误差(NRMSE)为0.31。特征分析显示VS/TS比值对产甲烷的敏感性高于温度或工艺类型。

3.2 混合底物特性与甲烷产量关系

当以混合底物整体特性为输入时，VS/TS和VS含量对甲烷产量的解释度达45%，显著高于C/N比（15%）。XGBoost模型在此场景下预测精度最高（R²=0.92），证实有机物含量是产甲烷潜力的决定性因素。

3.5 优化结果验证

在7个典型案例的优化中，模型预测与实验值高度吻合。高VS含量（VS_WAS=24.9 g/L，VS_FW=189 g/L）的连续中温消化系统可获得510 mL/gVS的峰值产量，而含无机物的低VS污泥（VS/TS=0.58）仅产出134 mL/gVS。特别值得注意的是，当共消化无协同效应时（如候选点5），模型自动识别纯餐厨垃圾消化的最优性，与实验发现的单消化最优现象一致。

该研究突破了传统单一设施数据建模的局限性，首次建立了适用于不同底物特性的通用预测框架。通过将机器学习与全局优化算法结合，实现了在固定反应器条件下仅通过调节混合比例最大化甲烷产量的目标。这不仅为污水处理厂提供了操作决策工具（最佳混合比例0.99-88%VS），更揭示了底物质量（VS含量）与工艺强度（连续vs批次）对产能的耦合影响规律。研究提出的方法学框架可扩展至其他有机废弃物的协同处理，对推动循环经济和碳中和目标具有重要实践意义。