综述：机器学习辅助技术在外源性物质对厌氧消化影响预测方面的研究进展

《Bioresource Technology》：Research advances in machine learning-aided accurate prediction of the impact of exogenous substances on anaerobic digestion

外源物质（包括添加剂和污染物）对微生物活性、群落结构和代谢功能具有双重作用，现有数学模型在预测复杂机制时存在适应性差、结构复杂、参数标定难等问题，而机器学习（ML）在AD建模中展现出高效、精准的优势，可处理非线性、多因素耦合响应，为优化调控提供新方法。

　　

王楚桥|王志静|邓润杰|黄珊|胡玉英|李定昌|彭晓明|龙喜子|张家杰

华东交通大学土木工程学院，中国南昌330013

摘要

外源物质（包括添加剂和污染物）作为影响厌氧消化（AD）系统的关键因素，对微生物活性、群落结构和代谢功能产生双重影响。本文系统评估了现有数学模型在预测这些复杂机制方面的适应性和局限性。在此基础上，强调了机器学习（ML）在AD建模中的应用，并概述了ML在相关研究中的进展和预测性能。研究总结了数学模型在量化外源物质影响方面的局限性，系统回顾了将ML技术应用于AD领域中调节这些物质的分析框架，并明确了ML在预测外源物质效应方面的潜力和当前限制。这项工作为深入理解外源物质的机制以及构建智能预测模型提供了理论参考，同时也为AD过程的优化和调控提供了方法学支持。

引言

AD是一种通过微生物活动在厌氧环境中转化有机物的关键生化过程。AD反应需要四个关键阶段之间的平衡：水解、酸化、乙酸化和甲烷化。因此，这些阶段中任何参数的变化都可能影响厌氧系统的整体稳定性。

近年来，外源物质对AD过程的影响越来越受到关注。关于其在AD系统中的应用的研究主要集中在两个方向：首先，作为添加剂通过提高微生物活性（Jin等人，2022年）、缓解抑制条件（Cai等人，2022年）和增强传质效率（Jin等人，2022年）来提高甲烷产量和系统稳定性；其次，作为污染物通过抑制微生物群落丰富度和代谢酶活性（Shi等人，2022年；Wang等人，2025b；Wang等人，2024a；Wang等人，2025b）来破坏AD系统的稳定性和甲烷转化效率。

添加剂主要包括金属材料（如零价铁）、碳材料（如生物炭）和微量元素（如镍和钴）。零价铁通过促进丙酸盐氧化为乙酸盐并提供电子来提高甲烷产量，从而加速种间电子转移（DIET）（Liu等人，2024a）。生物炭通过吸附氨氮和挥发性脂肪酸（VFAs）来缓解抑制作用（Cai等人，2022年），而微量元素作为酶辅因子支持微生物代谢（Bardi和Aminirad，2020年）。相比之下，外源污染物如微塑料（MPs）、抗生素（ABX）、重金属和霉菌毒素通常随废物进入系统。小尺寸的MPs会减少关键功能性微生物和厌氧功能基因的数量，以及AD过程中关键酶的活性（Li等人，2022b）。ABX抑制甲烷生成代谢的功能活性（Aziz等人，2022年）。重金属（如高浓度的锌和铜）通过破坏微生物细胞膜、抑制关键酶活性和降低微生物群落多样性来抑制AD中的水解、酸化和甲烷化（Huang等人，2022年）。霉菌毒素（如黄曲霉素B1）在短水力停留时间内抑制甲烷生成，导致甲烷产量下降（Zhang等人，2021年）。

尽管外源物质对AD系统有显著影响，但其作用机制复杂，难以通过传统实验方法完全量化。已经开发了诸如厌氧消化模型1（ADM1）（Ashraf等人，2022年）、Gompertz模型（Ge等人，2025年）、一级动力学（Mousa和Silwadi，2024年）、传递函数（Polina等人，2022年）和逻辑函数（Alharbi和Alkathami，2024年）等数学模型来从机制角度描述AD过程。然而，这些模型仍存在一些局限性，包括普遍适应性较差、模型结构复杂、参数校准困难、对环境因素变化的响应不足以及忽视了外源物质的影响（Xu等人，2021b）。具体来说，ADM1可以相对详细地描述AD过程机制，但其应用往往受到其复杂结构、大量参数以及在不同操作条件下参数识别和校准难度的限制（Mo等人，2023年）。相比之下，Gompertz模型、一级动力学和逻辑函数模型通常适用于拟合累积甲烷产量，但它们主要描述整体趋势，在捕捉动态波动、多阶段生物相互作用和多种外源因素的影响方面能力有限（Ge等人，2025年；Lafratta等人，2021年）。传递函数模型可用于描述动态系统中的输入-输出关系，但它主要依赖于系统线性化，因此难以完全描述AD系统的高度非线性和异质性响应特征（Guo和Wang，2025年）。总体而言，传统的数学和动力学模型通常依赖于简化的假设和预定义的功能关系，难以准确描述不同外源物质引起的非线性相互作用、多因素耦合效应和异质性响应。因此，需要开发更合适、准确和实用的模型来预测外源物质对AD的影响。

近年来，由于机器学习（ML）方法具有高效、准确和成本效益高的优势，其在预测、调控和优化AD过程中的应用日益增加（Meng等人，2023年）。与传统数学模型相比，ML可以减少对ADM1等模型所需的明确机制假设和繁琐参数校准的依赖；克服Gompertz模型、一级动力学和逻辑函数的局限性，这些模型主要限于拟合累积产量曲线；并且在处理非线性、多变量和异质系统行为方面比传递函数模型具有更大的灵活性（Ge等人，2025年；Guo和Wang，2025年）。因此，ML更适合捕捉复杂的非线性输入-输出关系、多因素耦合效应以及由操作条件和外源物质共同影响产生的高维特征相互作用，尤其是在潜在机制尚未完全理解的情况下。ML能够从有限的数据集中提取关键特征，并建立输入参数和输出指标之间的映射关系，为调控含有外源物质的AD系统提供新的见解。本文旨在回顾现有数学模型在AD研究中的局限性，系统概述该领域中ML的建模程序，总结其在预测外源物质方面的应用进展和预测性能，并强调ML技术的潜力和当前限制。该综述可能为相关领域的研究人员提供理论和实践支持。

数学模型的优点和局限性

开发用于AD参数和整个过程的数学模型已被证明是一种可行的策略。这些模型已被用于研究影响气液传质的因素（De Crescenzo等人，2024年）、模拟AD过程（Donoso-Bravo等人，2020年）、预测沼气产量（Ozyildiz等人，2023年）以及评估各种外源物质（如营养补充剂（George等人，2024年）和多孔吸附剂）的调节机制（

ML模型的发展

近年来，数据驱动模型，特别是以ML为代表的模型，已成为预测AD性能（Park等人，2021年；Sakiewicz等人，2020年）和甲烷产量（?enol，2021年）的广泛应用方法。作为强大的数据分析工具，ML能够高效处理和分析大型数据集以提取有价值的信息。它已广泛应用于各个领域，包括污泥预测（Ekinci等人，2023年）、废水回收

外源添加剂

目前，常见的外源添加剂主要包括生物炭、导电材料和微生物代谢调节剂（如微量元素和氧化还原调节剂）。由于它们的作用机制不同以及调节过程的复杂性，近年来应用ML技术来阐明这些复杂机制已成为该领域的研究热点。因此，本章将重点回顾与这三种类型添加剂相关的研究进展

结论与展望

外源物质对AD过程的影响长期以来具有高度复杂性，给精确控制和优化带来了挑战。本文系统回顾了最近在应用ML预测外源物质对AD性能影响方面的进展。文献分析表明，各种ML模型（如ANN、GBR、RF和XGBoost）已在该领域得到广泛应用，尽管ANN在预测建模中占主导地位，但仍存在某些

CRediT作者贡献声明

王楚桥：撰写——初稿，形式分析，概念化。 王志静：撰写——原始草稿，形式分析，概念化。 邓润杰：可视化，研究，数据管理。 黄珊：可视化，研究，数据管理。 胡玉英：撰写——审稿与编辑，验证，研究。 李定昌：撰写——审稿与编辑，验证，研究。 彭晓明：项目管理。 龙喜子：项目管理。 张家杰：撰写——审稿与编辑，监督。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

作者衷心感谢江西省自然科学基金（资助编号：20242BAB25318、20253BAC280100、20252BAC240329、20232BAB203077）的财政支持。