苹果渣水解液中细菌多聚半乳糖醛酸酶生产的优化及其在生物能源转化中的机器学习预测模型

本研究创新性地将机器学习（ML）模型应用于木质纤维素生物质（如Sida cordifolia和Ipomoea repens）的还原糖产量预测，通过对比证据神经网络（ENN）、高斯过程回归-贝叶斯优化（GPR-BO）、支持向量机-粒子群优化（SVM-PSO）和人工神经网络-粒子群优化（ANN-PSO）等模型性能，证实ENN在不确定性数据管理（基于Dempster-Shafer理论）和预测精度（MAPE=0%）上的显著优势，为生物乙醇生产的工业化优化提供了AI驱动的可靠框架。

　　

Highlight

本研究通过对比多种机器学习模型，揭示了证据神经网络（ENN）在预测木质纤维素生物质（如Sida cordifolia（SC）和Ipomoea repens（IR））还原糖产量中的卓越性能。ENN凭借其独特的Dempster-Shafer理论框架，实现了对数据不确定性的精准量化，最终达成零平均绝对百分比误差（MAPE=0%）的完美预测。

Input Variable Dependence Analysis

输入变量依赖性分析显示，SC的还原糖产量（RSY-SC）与反应时间相关性最高（0.256），而IR的产量（RSY-IR）则更依赖酸浓度（0.275）。这一发现为两种生物质的差异化水解工艺优化提供了关键依据——SC需优先控制时间参数，而IR需重点调节酸浓度。

Conclusion

结论表明，ENN与元启发式优化（如遗传算法GA或粒子群PSO）的结合，显著提升了生物质转化过程的预测可靠性。未来应推动该模型在实时AI生物精炼系统中的应用，并整合生命周期评估（LCA-TEA）以加速可持续生物能源技术的工业化落地。