《Biochemical Engineering Journal》：Unified Artificial Neural Network Modeling for Simultaneous Prediction of device Power Density and Pollutant Degradation rate in Microbial Fuel Cell
编辑推荐：
微生物燃料电池（MFC）技术兼具污染物降解和能量回收功能，但多参数耦合效应制约其性能。本研究通过整合457组实验数据，构建随机森林（RF）、人工神经网络（ANN）、XGBoost和支持向量机（SVM）四类模型，实现功率密度和污染物降解率的同步预测。ANN模型表现最优，功率密度预测R2达0.9888，降解率R2为0.9617，关键参数为最大电压和初始COD浓度。为MFC工程化提供数据驱动优化方案。
Jing Lu|Ge Guo|Yating Jia|Yang Song|Bin Hou
中国北方大学环境与安全工程学院，太原 030051，中国
摘要
微生物燃料电池（MFC）技术因其同时具备污染物降解和能量回收的能力而受到了广泛关注。然而，MFC系统的性能受到多参数耦合效应的限制。与传统实验优化方法相比，机器学习凭借其强大的非线性建模能力，能够快速且经济地实现MFC的多参数耦合优化。以往的研究主要集中在能量输出的单目标预测上，而忽视了对污染物降解能力的深入研究，更不用说同时预测功率密度和污染物降解率的双目标预测了。在这项工作中，基于已发布的MFC数据集开发了四种机器学习模型（随机森林RF、人工神经网络ANN、极端梯度提升XGBoost和支持向量机SVM），以同时预测功率密度和污染物降解率。在10折交叉验证下，ANN模型在双目标预测方面表现优异，功率密度的R2值为0.9888，污染物降解率的R2值为0.9617。特征重要性和SHAP分析表明，最大电压和初始化学需氧量（COD）是影响功率密度的关键因素，而最大电压和污染物浓度则主导了降解率。本研究为高性能MFC的设计提供了见解，并突显了机器学习在生物过程工程中的价值。
引言
微生物燃料电池（MFC）作为一种集成环境修复和能量回收的先进技术而出现[1]。通过利用微生物的催化活性，该技术可以直接将难降解有机污染物（如甲醛和苯酚）及含氮化合物的化学能转化为电能，实现污染物去除和能量生产的同步进行[2]。然而，其实际应用和推广受到功率密度不足和污染物去除率不稳定的限制[3]。MFC是一个复杂的非线性系统，其污染物去除和能量生产的性能受到多种参数（如pH值、温度、初始化学需氧量（COD）、污染物类型和浓度以及最大电压输出）及其复杂相互作用的影响[4]。现有研究表明，MFC的性能受电活性微生物代谢、底物降解途径和反应器操作参数的控制[5]。通过传统实验方法优化MFC参数存在耗时长和成本高的问题[6]。机器学习的进步为其提供了新的机会，因为它具有强大的非线性建模能力[7]。包括随机森林（RF）、人工神经网络（ANN）、极端梯度提升（XGBoost）和支持向量机（SVM）在内的算法在环境工程中的过程建模和性能预测方面展现了出色的潜力[8]。这些数据驱动的方法能够有效揭示复杂数据集中的隐藏模式，为MFC的操作优化提供可操作的见解[9]。
尽管以往的研究已经应用机器学习来分析MFC的性能因素，并使用实验室特定数据集实现了92-98%的预测精度（例如功率密度）[10]，但仍存在一些关键限制，如跨研究的通用性较差（外部验证中的性能下降58%[11]）、对双目标优化关注不足[12]，以及缺乏对污染物降解过程的系统数据整合[13]。不同污染物条件下生化反应动力学与操作参数之间的耦合效应仍不甚明了，这限制了模型的泛化能力[14]。因此，有必要通过汇编已发布的关于MFC介导的污染物降解性能的实验数据集来填补这些空白。
与传统实验优化方法相比，机器学习凭借其强大的非线性建模能力，能够快速且经济地实现MFC的多参数耦合优化。以往的研究主要集中在能量输出的单目标预测上，而忽视了对污染物降解能力的深入研究，更不用说同时预测功率密度和污染物降解率了。在这项工作中，开发了四种机器学习模型（RF、ANN、XGBoost和SVM）来进行功率密度（mW/m2）和污染物去除率（%）的双目标预测。研究确定了关键的影响参数。结果表明，ANN模型不仅在能量输出预测方面具有更高的精度，还在功率密度和污染物去除率的双目标预测方面取得了优异的结果（测试集R2值为0.9888，平均绝对误差MAE为11.7611）。它提供了一个经过验证且易于解释的框架，以加速MFC的设计和优化，最终促进其从实验室原型向可持续废水处理和分散式生物能源生产的实际应用的转变。我们的发现架起了机器学习与基础MFC电化学之间的桥梁，并为智能、数据驱动的环境生物技术的发展提供了新的见解。
数据建立
数据收集
通过系统地在Web of Science、Scopus和PubMed上搜索关键词“微生物燃料电池”、“甲醛降解”、“苯酚去除”、“反硝化”和“机器学习”，精心整理了相关数据集。本研究涵盖了2005年至2025年的全球研究成果，涵盖了多种MFC配置的80多项同行评审研究。经过严格的质量控制后，最终整合得到了457个经过实验验证的数据点。
模型在设备功率密度预测方面的性能比较
模型性能评估（表S2和图2）显示，SVM无法准确描述功率密度与降解率以及电压和COD浓度等参数之间的非线性关系，导致R2值仅为0.7997，且其ε-SVR损失函数对异常值敏感[32]。该模型受到本研究中保留的“生物学上合理的极端值”的干扰，超平面拟合效果较差，平均绝对误差（MAE）超过了50 mW/m2。XGBoost则表现出了显著的
结论
本研究考虑了现实世界的复杂性，包括极端情况（如高COD或低电压），系统地比较了四种机器学习模型（RF、ANN、XGBoost和SVM），构建了一个能够高效预测功率密度和污染物降解率的双目标模型，有效替代了传统的实验和数值方法。从结果来看，采用多层感知器架构的ANN模型表现最为出色
作者贡献声明
Bin Hou：撰写 – 审稿与编辑、监督、方法论。Yang Song：撰写 – 审稿与编辑、验证、软件开发。Yating Jia：撰写 – 审稿与编辑、方法论、研究、概念化。Ge Guo：撰写 – 初稿撰写、验证、软件开发、方法论、数据整理。Jing Lu：撰写 – 审稿与编辑、初稿撰写、方法论、研究、概念化。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
致谢
本研究得到了山西省自然科学基金（202303021221113, 202403021221128）和中国国家自然科学基金（42307340）以及山西省基础研究计划（202203021222023）的支持。
