基于机器学习的畜禽废水厌氧消化中超声预处理优化与沼气预测

《Bioresource Technology》：Machine learning based optimization of ultrasonic pretreatment and biogas prediction in livestock wastewater anaerobic digestion

　　

• •
  集成响应面法-人工神经网络（RSM-ANN）框架优化了牲畜废水的厌氧消化过程。
• •
  优化后的超声条件使累计沼气产量提高了41%。
• •
  BFGS-ANN模型在未见过的盲测数据集上可靠地预测了沼气动态。
• •
  敏感性分析确定培养时间为最主要影响因素。
• •
  声学空化严重破坏了胞外聚合物（EPS），加速了水解过程。

各部分内容片段

引言

全球能源需求的不断攀升以及化石燃料依赖带来的严重环境后果，迫切要求加快向可再生的废物转化能源系统转型（Khan等人，2021年）。在循环生物经济范式下，厌氧消化（AD）技术是一种将有机废物流转化为可持续沼气的高效手段。国际能源署估计，全球可持续沼气的潜力约为每年1万亿立方米

材料与方法

为解决牲畜废水的水解限制并模拟其消化动力学，本研究实施了一套全面的多阶段顺序方法。如图1所示，集成框架涵盖四个主要阶段：（i）生物质准备及理化表征，（ii）超声空化结合中心复合设计-响应面法（CCD-RSM）进行热声预处理优化，（iii）最高产气量（BMP）试验以评估中温条件下的产甲烷活性，以及

空化的物理动力学与响应面法优化

超声预处理获得的实验结果列于表1，展示了所研究的操作参数对可溶性化学需氧量（sCOD）溶解度和破碎度（%S）的影响。超声暴露时间对生物质破碎效率表现出主导性作用。在US-7条件下（60%功率，13分钟，1.75% w/v），破碎度达到11%，表明通过超声预处理改善了基质的溶解效果。这一结果

结论

本研究开发了一种集成RSM-ANN方法，以解决牲畜废水厌氧消化过程中的水解速率限制障碍。RSM确定超声暴露时间为主要参数（占49%的方差），而固体浓度对空化裂解产生非线性抑制效应。在优化条件下（US-16：93.6%功率，13分钟暴露，2.29% w/v总固体含量），生物质溶解度达到12.4%，累计沼气产量峰值为568 ± 36 mL/g TCOD（较对照提高41%

生成式人工智能使用声明

在准备本工作期间，作者使用Gemini AI进行英文翻译、改善语言可读性和结构格式。此外，还使用ChatGPT辅助创建图形摘要的布局和插图。在使用这些工具后，作者审阅并编辑了所有必要的内容和视觉元素，并对出版物的内容承担全部责任。

CRediT作者贡献声明

Ay?enur ??nar：撰写——初稿，可视化，调查研究，数据整理。Ebru Koca Akkaya：撰写——审阅与编辑，监督指导，方法论设计，构思。

资金支持

本工作由伊兹迪克技术大学科学研究项目管理办公室支持（项目编号：FYL-2023-5653）。

利益冲突声明

作者声明他们不存在已知的竞争财务利益或个人关系，这些关系可能会影响本文所报告的工作。

致谢

本工作得到了伊兹迪克技术大学科学研究项目管理办公室的支持，项目编号为FYL-2023-5653。

Ay?enur ??nar|Ebru Koca Akkaya