基于可解释机器学习与敏感性分析的厌氧折板反应器交互驱动控制量化

《Process Safety and Environmental Protection》：Quantifying Interaction-Driven Control in Anaerobic Baffled Reactors Using Interpretable Machine Learning and Sensitivity Analysis

　　

•交互作用驱动的控制主导了ABR性能（交互作用占比高达44%）•隔室位置作为涌现变量，其作用具有条件依赖性•可解释机器学习解析了全局、局部及非线性控制因素•互信息揭示了Sobol'法/相关性分析所遗漏的代谢模式转变•机器学习的敏感性模式得到了微生物群落结构的支持引言工业废水的厌氧处理是一项成熟技术，能够通过沼气生产在减少环境污染的同时产生可再生能源（Trucchia和Frunzo，2021；Yousefzadeh等，2017）。然而，厌氧消化的优化仍然面临挑战，因为水解、产酸、产乙酸和产甲烷过程同时进行，并受到环境和操作条件的严格限制（Pasalari等，2020；Trucchia和Frunzo，2021）。这些系统的复杂性源于多步代谢途径、互养作用和相互关联的营养网络，这使得反应器性能高度敏感，难以进行系统性优化（Zhang等，2023）。这种复杂性在处理含有异质性和难降解有机成分的工业废水（如纸板厂废水）时进一步加剧。缓慢降解的固体物质和变化的底物组成会引发微生物活性和代谢途径主导性的非线性和时间依赖性转变（Trucchia和Frunzo，2021；Zhang等，2023）。因此，发酵性、互养性和产甲烷性群落不断适应变化的条件，强化了厌氧系统固有的非线性和动态特性，使得实现稳定优化运行变得更加复杂（Pasalari等，2020）。厌氧隔板式反应器（ABR）通过分隔化设计广泛应用于应对这一挑战，该设计促进了代谢阶段的空间分离并增强了过程稳定性。在这类系统中，上游隔室通常由发酵细菌和挥发性脂肪酸（VFA）生产主导，而下游隔室则有利于VFA消耗和甲烷生成，反应器长度方向上存在不同的微生物群落（Peng等，2013；Zhu等，2008；Ziganshin等，2019）。以往研究表明，运行参数如水力停留时间（HRT）、有机负荷率（OLR）和反应器配置显著影响ABR性能，包括COD去除率、VFA积累、气体产生和微生物演替。特别是，HRT的变化会影响COD去除效率、甲烷产率以及沿反应器隔室产乙酸型和氢营养型产甲烷菌之间的平衡（Zhang和Shi，2021），同时改变处理污水和有机废物隔板系统中的空间微生物群落结构（Gulhane等，2017；Zheng等，2023）。类似地，OLR和相关运行策略会改变ABR和混合厌氧隔板式反应器（HABR）系统中的隔室COD去除贡献、VFA分布和甲烷生产（Giordani等，2021；Sayedin等，2019），而反应器配置和腔室数量影响水力学特性，从而影响处理效率（Khalekuzzaman等，2018）。尽管取得了这些进展，大多数研究仍使用简化方法解释ABR行为，如一次一因素分析或逐隔室性能评估。这些方法隐含地假设过程变量独立作用，尽管水动力学和生化反应强烈相互依赖（Khalekuzzaman等，2018；Li等，2016）。实际上，系统性能源于水力条件、底物特性和空间梯度之间的非线性相互作用，这些相互作用共同控制着物质传递、微生物活性和代谢途径（Khalekuzzaman等，2018；Zhang和Shi，2021）。因此，ABR系统的潜在控制结构仅被部分理解。机器学习（ML）近年来成为一种强大的工具，用于模拟复杂和非线性的废水处理过程，特别是在传统机理模型难以校准或缺乏灵活性时（Jiang等，2024；Shao等，2023）。在这些方法中，梯度提升算法如XGBoost在水文和废水应用中表现出持续强大的预测性能，通常优于其他ML方法（Niazkar等，2024；Shao等，2023；Wang等，2022）。然而，其在过程工程中的应用仍受到可解释性不足的局限，因为黑箱预测模型无法提供关于系统行为控制机制的见解，也不能直接支持过程优化和控制决策（Dikmen等，2025；Wang等，2022）。为了解决这一局限性，已开发了可解释机器学习方法。SHAP（SHapley Additive exPlanations）量化了全局和局部（预测级别）尺度上的特征贡献，使得能够详细分析废水系统中运行变量的影响（Jiang等，2024；Wang等，2022）。与此同时，基于方差的全局敏感性分析（GSA），特别是Sobol'方法，将输出方差分解为各个变量及其交互作用的贡献，被广泛用于分析复杂的工程和生物模型（Sudret，2008；Tosin等，2020；Trucchia和Frunzo，2021）。这些方法特别适用于厌氧系统，因为非线性交互作用预计将主导系统行为（Trucchia和Frunzo，2021；Zhang等，2023）。然而，仍有两个关键局限性。首先，Sobol'敏感性指标通常在缺乏不确定性量化的情况下报告，尽管越来越多的认识表明置信区间和估计稳定性对于评估敏感性排名的可靠性是必要的（Mazo和Tournier，2024；Picard-Weibel等，2023；Trucchia和Frunzo，2021）。其次，SHAP和Sobol'分析通常仅从纯统计角度解释，而没有使用控制厌氧消化的微生物和代谢过程进行佐证（Wang等，2022；Zhang等，2023）。这揭示了当前研究中的一个根本差距：数据驱动建模与微生物生态学之间整合有限。虽然ML模型能够准确预测系统性能并识别影响变量，但所得特征重要性排名在很大程度上仍是现象学的，除非与微生物群、空间群落结构和代谢途径联系起来（Jiang等，2024；Wang等，2022）。相反，使用下一代测序（NGS）和定量聚合酶链反应（qPCR）的微生物生态学研究提供了关于厌氧反应器中群落组成、空间组织和演替的详细见解（Gulhane等，2017；Pasalari等，2020；Zhang和Shi，2021；Zheng等，2023；Ziganshin等，2019），但很少量化运行变量如何控制这些生态模式或将它们与系统级性能联系起来。因此，统计重要性与伦理解释仍然脱节：ML得出的排名缺乏机理基础，而微生物组观测结果并未嵌入预测和控制导向的框架中（Zhang等，2023）。尽管2023至2026年间相关工具快速扩展，但这些工具本身沿三条 largely 独立的轨道发展，这一差距仍然存在。第一条是用于出水、沼气和VFA预测的预测机器学习，越来越多地与基于SHAP的解释相结合（Boqi等，2025；Chen等，2024；Dikmen等，2025；Zhan等，2023）。第二条是厌氧消化模型的基于方差和贝叶斯全局敏感性与不确定性分析（F.S. Delory等，2025；Mazo和Tournier，2025；Panaro等，2024；Picard-Weibel等，2023；Vuillod等，2023）。第三条是间隔化厌氧反应器的微生物组表征（Zhang等，2024；Zheng等，2023）。这些轨道很少在单一框架内结合，该框架能够实现交互作用解析和不确定性感知。本研究正是在此基础上有所区别，超越了（i）无法解析交互作用的一次一因素或逐隔室分析，（ii）缺乏机理归因的黑箱预测报告，以及（iii）孤立进行的敏感性或可解释AI研究。通过整合这些工具并使用空间微生物生态学数据佐证所得控制结构，该框架提供了对ABR行为更具机理基础的解释。为了解决这些差距，本研究开发了一个集成分析框架，结合了可解释机器学习、不确定性感知全局敏感性分析、非线性依赖分析和微生物生态学。该框架整合了贝叶斯优化的XGBoost建模、基于SHAP的解释、具有基于自举法不确定性量化的Sobol' GSA、互信息（MI）分析以及基于NGS/qPCR的微生物表征。本研究的目标是：(i) 使用贝叶斯优化的XGBoost开发六个关键ABR性能指标的预测模型，(ii) 使用具有不确定性量化的Sobol' GSA量化全局控制层级和交互作用结构，(iii) 使用SHAP和互信息识别非线性和非单调依赖关系，(iv) 通过与NGS和qPCR微生物群落数据整合解释所识别的控制模式。通过将统计分析与伦理联系起来，本研究建立了一个具有机理可解释性的框架来理解ABR性能，支持复杂厌氧处理系统的改进过程诊断、设计和优化。章节摘要实验系统、废水特性及来源数据集本研究开发的分析框架使用两个互补数据集构建，这两个数据集来自处理实际纸板厂废水（PMW）的同一实验室规模ABR（Farghaly等，2018；Farghaly和Tawfik，2017）。反应器由四隔室配置组成，有效工作体积为30 L，设计用于促进不同水力条件下相分离的厌氧转化。反应器配置示意图见图X。XGBoost模型性能与预测可靠性贝叶斯优化的XGBoost模型的预测性能总结于表3。在所有目标上，模型均达到高精度，R2值范围为0.872至0.961，Nash–Sutcliffe效率（NSE）超过0.86，表明预测与观测响应之间高度一致。COD去除效率（Y4）获得了最高预测精度（R2 = 0.961，RMSE = 2.84%），其次是VFA浓度（Y3）（R2 = 0.948，RMSE = 18.7 mg/L），反映了废水处理ML应用中的预测性能在废水处理ML应用背景下，贝叶斯优化的XGBoost代理模型达到了高精度（R2 = 0.872–0.961；NSE = 0.867–0.959），其性能处于废水和厌氧系统建模中报告的上限范围。鉴于该框架同时预测六个相互依赖的输出，涵盖生物能源生产、中间代谢、处理效率和反应动力学，而非专注于单一出水，这一精度水平尤为显著。结论通过对两项长期ABR研究数据进行重新分析，在单一可解释框架内，本研究显示报告的反应器行为更适合用强交互作用驱动的控制结构来描述，而非一组独立变量效应。虽然HRT和C/N比仍然是主要驱动因素，但隔室位置被证明是一个涌现变量，其效应是通过与水力和化学计量条件耦合而产生的，而不是结论未引用参考文献（Farghaly和Tawfik，2016；Granados等，2023）致谢作者感谢沙特麦加大学研究生院与科学研究院通过项目编号（R-2025-2168）提供资金支持。CRediT作者贡献声明Ahmed Farghaly：撰写初稿、可视化、调查研究、资金获取、形式分析、数据管理。Ahmed Tawfik：资源、项目管理。生成式AI及AI辅助技术声明在撰写过程中，作者使用了ChatGPT、Manus AI和Consensus来优化措辞、图表并核查相关文献。在使用这些工具后，作者根据需要审查并编辑了内容，并对发表文章的内容承担全部责任。利益冲突声明所有作者证明他们与任何组织或实体没有财务利益或非财务利益（如酬金、教育资助、演讲者事务局参与、会员资格、雇佣关系、咨询、股票所有权或其他股权利益，以及专家证词或专利授权安排），或与研究主题或材料没有个人职业关系、关联、知识或信念上的利益关系。致谢作者感谢沙特麦加大学研究生院与科学研究院资助本研究。机构审查委员会声明不适用。知情同意声明不适用。Ahmed Farghaly | Ahmed Tawfik