根据联合国环境计划和世界银行（2024年）的预测，全球废物产生量正在以惊人的速度增长，到2050年每年将达到近34亿吨。这种增长主要由城市化进程加快和消费者驱动的生活方式所推动，对环境可持续性、公共卫生和经济增长构成了严重威胁。有机废物占废物总量的很大比例，其管理不善会导致温室气体排放、生态系统退化以及宝贵资源的损失。这一挑战的紧迫性促使废物管理方式向可持续和资源高效的方向转变[1]。
包括厌氧消化（AD）、堆肥和焚烧在内的多种先进技术已被越来越多地采用，作为传统填埋处理的替代方案[2]。其中，AD特别受到关注，因为它不仅能够稳定有机物，还能产生富含甲烷的生物气体和富含营养的消化物，适合作为肥料。因此，AD同时支持废物减少、可再生能源生成和循环生物经济原则。尽管有这些优势，AD的性能经常受到操作效率低下的限制。主要挑战包括预处理不足、生物质降解效率低以及对原料变化、环境变化和微生物失衡的敏感性。由于AD是一个复杂的多阶段生物过程，原料组成或微生物活动的微小波动都可能引发不稳定甚至过程失败。
如今，对可持续生物能源的需求不断增加，这就需要寻找能够避免“食物与燃料冲突”的原料。像甜高粱（Sorghum bicolor）这样的作物因其生长周期短、耐半干旱环境以及投入要求低而具有很大潜力[3]。然而，高粱生物质的复杂木质纤维素结构限制了其在AD中的微生物降解能力，因此预处理变得必不可少。一种有前景的方法是利用柑橘加工废弃物（CPW）——印度主要的农业工业副产品——作为生产生物酶（BE）的原料[4,5]。这些发酵液体富含降解木质纤维素的酶和有益微生物，提供了一种环保且低成本的预处理方法，可以增强高粱的分解并提高AD中的生物气体产量。
预处理方法和预测建模的应用已被广泛研究，以改善AD的性能。数学模型（理论模型、分析模型和统计模型）如AD Model 1已被广泛用于模拟AD性能。然而，它们的准确性常常受到复杂校准需求、高数据需求以及难以适应动态原料条件的限制[3,6,7]。这些限制突显了需要能够更好地处理非线性、不确定性和时间依赖性变化的预测方法。在这种情况下，机器学习（ML）作为一种强大的工具应运而生，它能够捕捉大型数据集中的隐藏关系，实现AD过程的实时估计和自适应控制，而无需显式的物理化学公式[2]。
对于小麦和稻草等木质纤维素原料，结合动力学模型（如改进的Gompertz模型（MG）和非线性动力学模型（NLK）的预处理已被证明可以提高生物气体产量的预测能力[8,9]。同样，使用响应面方法（RSM）和人工神经网络（ANN）等工具优化过的香蕉皮碱性预处理也被证明可以通过调整操作参数（如浓度、时间和温度）来提高产量[10]。
针对甜高粱渣，Machineni和Anupoju[11]通过结合人工神经网络（ANN）和粒子群优化（PSO）的方法优化了生物甲烷产量，凸显了甜高粱作为生物能源作物的潜力。最近的研究还扩展到了混合方法，其中ML与基于物联网的发酵监控相结合，实现了实时过程控制，显著提高了产量预测的准确性[12]。其他研究采用了集成ML模型（如梯度提升机（GBM）、随机森林（RF）和XGBoost（XGB）来共同处理各种农业废弃物，并在多变条件下实现了高预测准确性[13,14]。最近的研究[15]比较了ML模型（ANN、SVM）与传统的动力学模型（MG、一阶模型、逻辑模型）在酸处理原料的中温AD中的应用，结果显示ML模型在捕捉复杂动力学方面表现同样好或更好。总体而言，这些研究强调了ML在优化预处理和预测AD性能方面的作用日益重要。然而，大多数研究仍然依赖于单一算法模型和传统的预处理方法。尽管基于BE的预处理与混合ML框架相结合具有提高可扩展性和韧性的潜力，但相关研究仍然有限：
尽管已经使用ML工具进行了生物气体预测的研究，但尚未开发出基于混合模型的AD操作框架，也未对不同预处理浓度在甜高粱异质原料上的多日影响进行适当研究，并根据它们的比较生物气体生产策略进行评估。目前现有的生物气体预测模型存在显著局限性：纯ML方法缺乏可靠的推断机制，而基于物理的模型无法充分捕捉不同生产阶段的复杂底物-处理相互作用。最近在物理信息神经网络方面的进展为生化系统带来了希望，混合建模方法在可再生能源应用中表现出更好的性能。然而，现有方法采用静态集成策略，无法适应AD的阶段依赖性动态变化。我们提出的新型阶段自适应混合框架通过根据每个生产阶段的主导机制动态调整模型组件，实现了整个生物气体生产周期内的最佳预测准确性。此外，先前开发的模型主要使用简单的ML或ANN模型，而AD过程的性能可能更适合依赖早期时间步长的混合模型模拟。由于原料、过程条件和微生物活动的高度可变性，这仍然是一个具有挑战性的任务。传统的经验模型往往难以处理数据的复杂性和变异性，导致预测结果不佳。这种建模可以通过应用混合ML模型在不同地理和温度条件下增强生物气体预测。尽管最近在废物管理领域开发了智能和决策框架，但之前的研究要么没有基于混合模型开发AD操作框架，要么没有对不同预处理浓度在甜高粱异质原料上的多日影响进行适当研究，并根据它们的比较生物气体生产策略进行评估。•不同的BE预处理浓度如何影响木质纤维素生物质（如甜高粱）的生物降解性和生物气体产量？如何开发和训练混合ML模型，以准确预测动态AD条件下的生物气体产量？哪些ML方法最适合捕捉过程参数（如温度、停留时间、底物组成）与生物气体产量之间的复杂非线性关系？目前对AD中的阶段依赖性动态（滞后阶段、指数阶段和稳态阶段）了解有限，也不清楚不同模型在这些阶段的表现如何。需要全面评估消化时间、温度、生物酶浓度、底物特性和累积生物气体产量等关键变量之间的相互作用。目前尚不存在一个将基于生物酶的预处理与阶段自适应混合ML模型相结合的综合性框架，以实现准确和可扩展的生物气体预测。受这些缺点的启发，本研究提出了一个阶段自适应混合建模框架，该框架将机制动力学模型与集成ML预测器结合使用，通过阶段特定的逆误差加权进行动态调整。该框架旨在根据生物生产阶段动态调整模型贡献，从而提高预测的稳健性，同时保持可解释性。
因此，本研究旨在：（1）应用基于BE的预处理来提高甜高粱生物质的生物降解性并增加甲烷产量；（2）构建包含操作变量（如消化时间、温度、预处理时间、生物质类型和BE浓度）的结构化数据集；（3）通过结合机制动力学模型和集成ML模型来开发混合建模框架；（4）实施阶段自适应建模，根据AD阶段动态调整模型贡献；（5）进行相关性和比较分析，以了解关键过程变量及其对生物气体产量的影响；（6）在异质条件下评估模型性能，确保预测的稳健性和可扩展性。
