软计算方法在厌氧消化中用于模拟生物质共消化过程，以提高沼气产量

《Biomass and Bioenergy》：Soft computing approach for modeling co-digestion of biomasses in anaerobic digestion for enhanced biogas production

本研究通过响应面法（RSM）、人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）优化生物塑料与猪粪协同厌氧消化的工艺参数，发现最优产气率达99%，最佳条件为含49.64%生物塑料、水解1:1配比、19天水力停留时间及pH 6.03。验证了软计算模型在工艺优化中的有效性。

　　

N. Ude Callistus|E.C. Ugwu|I.E. Ahaneku|Jia Duo|Collins Chimezie Elendu|B.U. Ngene|E.I. Ugwu|L.I. Nwobia|C.F. Ngwueche|Oluwadamilola Oluwatoyin Hazzan

尼日利亚阿比亚州乌穆迪克迈克尔·奥克帕拉农业大学化学工程系

摘要

生物塑料废弃物对环境的影响仍然是一个严重的问题，然而通过厌氧消化进行有效处理和资源回收的研究却相对有限。本研究旨在通过探索生物塑料废弃物与猪粪的厌氧共消化来填补这一空白，利用响应面方法（RSM）、人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）进行工艺实验设计、建模和优化。将不同比例的生物塑料废弃物和猪粪按1:1的比例进行水解后，放入50升的厌氧消化器中。这些软计算工具系统地设计并优化了关键工艺参数，包括生物塑料废弃物的比例（FBW）、水力停留时间（HRT）和pH值。对原料的分析显示，其中含有大量对生物气生产至关重要的成分，最终产甲烷的体积分数达到了99%。在各种软计算模型中，ANN表现出最佳的预测能力，最小平方误差为0.348，累积生物气产量的拟合度最高，为0.985。最优的累积生物气产量分别为83.99%（RSM）和84%（ANFIS），对应的条件为：生物塑料废弃物比例49.64%（RSM）和50%（ANFIS），水力停留时间19天（RSM）和20天（ANFIS），pH值分别为6.03（RSM）和6（ANFIS）。这些结果突显了生物塑料废弃物与猪粪混合作为生物气生产原料的巨大潜力，同时也证明了软计算技术在厌氧共消化工艺建模中的有效性。

引言

塑料在现代社会中扮演着重要角色，广泛应用于包装和建筑等多个工业领域[1]。由于其优异的特性——尤其是耐物理和化学因素、重量轻以及成本效益高——塑料的年产量稳步增长，到2019年已达到3.68亿吨[2]。然而，传统的石油基塑料大多不可生物降解，导致其在环境中积累，对人类生活质量和生态系统产生负面影响[3]。焚烧和填埋等塑料废弃物处理方法会释放大量温室气体（GHGs）和有害物质，这些方法对环境极为不友好[4]。 鉴于塑料废弃物处理面临的困难以及环境问题，人们对生物塑料（BPs）作为传统塑料替代品的兴趣显著增加。生物塑料通常由可再生资源或生物质制成，在好氧堆肥条件下几周内可分解超过90%，从而有助于缓解传统塑料带来的部分环境问题[5]。其中，聚乳酸（PLA）和聚羟基烷酸酯（PHA）是两种知名的生物降解型生物塑料。PLA由乳酸单体通过微生物发酵制成，占全球生物塑料产量的13.9%，是产量第二大的生物塑料类型，在生物塑料行业中具有重要地位[6]。相比之下，PHA由细菌在其细胞结构中产生，分解更为容易。例如，在37°C的厌氧条件下，PHA的聚羟基丁酸酯（PHB）大约可在十天内分解90%，而PLA则需要九十天[7]。 生物塑料可以通过多种方法进行处理，每种方法对环境的影响各不相同。厌氧消化利用微生物在无氧环境下分解生物塑料，产生可用于能源的生物气[8]。机械回收包括分类、清洗、粉碎并将废弃物重新加工成新的颗粒，但其效果取决于生物塑料的类型和基础设施[9]。化学回收将塑料分解成可再利用的分子成分，但这需要专门的设施[10]。焚烧会产生热能，但同时会释放有害于健康和环境的温室气体和污染物[11]。堆肥适用于可生物降解的生物塑料，能将其转化为有机物并减少排放[12]。对于像淀粉或PLA这样的专门设计用于堆肥的生物塑料来说，堆肥是一种常见的处理方法[13]。最佳处理方法取决于生物塑料的类型、当地基础设施和环境因素，因此需要加强收集、标注和消费者意识。 随着生物塑料生产和消费量的增加，人们开始关注在全球范围内高效管理和处理生物塑料废弃物的方法。虽然传统的塑料废弃物处理技术仍被广泛使用，但科学家们正在研究生物塑料的生物处理替代方案。尽管堆肥已被研究作为主要的好氧废弃物处理策略，但对于生物塑料废弃物（尤其是PLA）来说，在工业堆肥设施中完全分解仍然具有挑战性[14]。此外，在家庭堆肥条件下，多种塑料在31周内的降解程度很低[15]。由于生物塑料主要由碳（C）组成，氮（N）和磷（P）含量较低，其作为堆肥原料的适用性存在疑问[16]。使用富含碳的生物塑料可能会因直接释放二氧化碳（CO₂）和增加能源消耗而加剧温室气体排放，而非提高副产品的质量和产量[17,18]。相比之下，厌氧消化（AD）可能是一种更有效的方法，可将生物塑料中的碳转化为甲烷（CH₄）。厌氧消化过程包括水解、酸生成、乙酸生成和甲烷生成三个阶段[19]。水解通常是该过程的瓶颈，因此开发了多种策略来提高生物降解性[20]。 在生物质进行厌氧消化之前，会应用多种预处理技术，如热处理、化学处理、物理处理或它们的组合[21]。例如，在150°C下进行热处理时，甲烷产量（MPY）可达0.405±0.1 m³ CH₄/kg挥发性固体（VS），生物降解率最高可达75%[22]。与对照组相比，热化学预处理（温度在35至90°C之间，pH值为10–12）可提高PHB和PLA产生CH₄的能力高达100%[23]。然而，为了避免阻碍厌氧消化过程，过高的温度和pH值需要额外的处理措施。 单独应用机械预处理也能取得成功。例如，当颗粒尺寸从500–1000 μm减小到100–250 μm时，生物塑料的厌氧降解率提高了40.5%[24]。减小颗粒尺寸有助于提高CH₄的产量并缩短反应延迟时间[25]。尽管结合预处理技术的厌氧消化过程可以产生CH₄，但长期维持稳定的消化器运行可能具有挑战性。使用富含碳的生物塑料作为原料可能会破坏理想的碳氮（C/N）比例（通常为20:1至30:1），从而导致消化产物浓度升高[26]。因此，生物塑料经常与其他有机生物质废弃物（如畜禽粪便、蔬菜残渣和食物废弃物（FW）一起进行消化[27]。FW是一种优良的厌氧消化原料，因为它具有高能量潜力且分解速度快[28]。生物塑料与FW的共消化已在实际应用中得到广泛研究[29]。生物塑料与FW共消化每年产生的甲烷产量（MPY）因所用生物塑料类型而异，范围为0.05至0.41 m³ CH₄/kg VS[30]。然而，关于生物塑料与猪粪等生物质共消化的协同效应尚未得到充分探索。值得注意的是，以往关于生物塑料共消化的研究大多忽略了操作温度对其微生物群落和代谢活动的重要影响[31]。因此，操作温度的变化可能会显著影响共消化的协同效应。 随着寻找最佳生物处理条件的需求增加，利用响应面方法（RSM）、人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）等技术进行工艺参数建模、预测和优化的研究也越来越多[32]。RSM通过分析线性、交互作用和二次因素来确定特定过程的最佳操作条件[33]。尽管RSM在生物柴油生产研究中得到应用，但它存在一些局限性，如无法处理复杂变量以及不适用于实验范围之外的外推[34,35]。相比之下，ANN和ANF等软计算方法在处理不确定性、复杂非线性问题或信息不完全的情况下具有更好的预测能力[30,36]。当问题涉及不确定性、复杂非线性或信息不完整时，它们比传统优化方法更为有效，能够提供灵活、稳健且实用的解决方案[37]（Onyelowe等人，2023年）。ANN模仿人脑功能，在预测非线性复杂过程方面表现出色[38]。多项研究利用ANN对生物燃料和可再生能源生产过程进行建模[39]，结果表明ANN通常优于RSM。ANFIS结合了模糊逻辑和神经网络方法，能够进行全面分析，包括不确定性评估并简化学习过程[40]。此外，研究人员还有效利用ANFIS建模来提高生物柴油产量[41]。 利用软计算技术进行生物气生产的研究仍然较少。目前尚未研究生物塑料与猪粪的厌氧共消化，也未比较RSM、ANN和ANFIS在工艺优化方面的有效性。本研究的目的是利用软计算方法模拟生物塑料与猪粪厌氧共消化产生的生物气。

材料

猪粪来自尼日利亚阿比亚州乌穆迪克迈克尔·奥克帕拉农业大学（MOUAU）的养猪场，生物塑料则来自同一地区的垃圾填埋场。纯化试剂和分析级试剂购自尼日利亚埃努古州Ogbete的De Integrated Chemicals Ltd.。消化器由尼日利亚阿比亚州乌穆迪克迈克尔·奥克帕拉农业大学机械工程车间提供。

底物表征

3展示了不同比例底物的初步分析结果。结果显示，所有样品都含有丰富的碳、蛋白质、脂肪和粗纤维等成分。表1中设计的样品1（0:100，BP: PD）的这些成分含量最高，而样品5（100:0，BP: PD）的含量最低。这表明需要将生物塑料（BP）与猪粪进行共消化。

结论

本研究探讨了生物塑料废弃物通过厌氧共消化与猪粪生产生物气的潜力，以及响应面方法（RSM）、人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）等建模技术在优化厌氧消化过程中的有效性。实验表明，所用底物含有适合生物气生成的成分，产甲烷的体积分数达到了99%。

CRediT作者贡献声明

N. Ude Callistus：概念构思、数据整理、正式分析、方法研究、软件开发、初稿撰写。 E.C. Ugwu：概念构思、数据整理、正式分析、方法研究、软件开发、初稿撰写。 I.E. Ahaneku：数据整理、正式分析、方法研究、软件开发、验证。 Jia Duo：资金筹措、研究监督、结果可视化。 Collins Chimezie Elendu：资金筹措、研究监督、结果可视化。 B.U. Ngene：

致谢

作者感谢高等教育信托基金（TETFund）、尼日利亚阿比亚州乌穆迪克迈克尔·奥克帕拉农业大学通过“基于机构的研究”（IBR）项目（TETF/DR&D/CE/UNVUMUDIKE/RG/2022/VOL1）以及新疆维吾尔自治区的“科学技术计划”（编号XJRC-2025-KJ-KJQY-010/2024TSYCCX0057）提供的财政支持。