《Journal of Environmental Sciences》:Data-driven optimization of volatile fatty acid production from food waste in mono- and sludge-integrated co-fermentation systems
编辑推荐:
•在单发酵和共发酵过程中,机械处理以及化学/热预处理起着主导作用。•R2值为0.86的XGBoost共发酵模型在VFA预测方面的表现优于R2为0.725的单发酵模型。•在单发酵过程中,VS/pH值是影响VFA生成的关键因素;而在共发酵过程中,NH??-N_mixed与sCarbs
- •
在单发酵和共发酵过程中,机械处理以及化学/热预处理起着主导作用。
- •
R2值为0.86的XGBoost共发酵模型在VFA预测方面的表现优于R2为0.725的单发酵模型。
- •
在单发酵过程中,VS/pH值是影响VFA生成的关键因素;而在共发酵过程中,NH??-N_mixed与sCarbs_m混合比例则是核心控制因素。
- •
采用GA-/PSO-XGBoost算法后,MoF工艺的VFA产量可提升6%,达到47克/升以上。
引言
全球食物浪费量不断增加,目前已达13亿吨,每年造成的经济损失超过1万亿美元,这给环境管理和资源利用带来了巨大挑战,也成为构建碳中和社会的瓶颈(Wu等人,2022年)。幸运的是,食物废料富含碳元素,其中碳含量为20%–45%,挥发性固体含量为80%–90%,脂质含量为10%–40%,蛋白质含量为5%–10%,非常适合用于生物转化处理,从而抵消垃圾填埋产生的甲烷以及化石化学品带来的碳排放问题(Karthikeyan等人,2016年;Strazzera等人,2021年)。通过厌氧发酵对食物废料进行转化,可生产出多种VFA,这些物质可作为可再生原料,用于生产聚羟基烷酸酯、中链脂肪酸,以及作为废水处理系统中的外部碳源(Zheng等人,2025年)。为了实现VFA产量的最大化,需要通过改进水解过程,产生更多可酸化的可溶性底物,而这一过程的优化取决于投料方式以及其他工艺控制参数(Wang等人,2014年)。不过,关于哪些参数能够有效提升VFA产量,目前仍存在争议。
由于全球市场对VFA的需求不断上升,2020年的需求量为1850万吨,同比增长3%,因此VFA不仅成为了生物塑料的生产原料,还可用作废水处理过程中的脱氮外部碳源(Kim等人,2017年;Veluswamy等人,2021年)。VFA的市场价值随其分子链长度的增加而显著上升,乙酸(C?)的价格为0.65美元/千克(Regis等人,2025年),而己酸(C?)的价格则可达2.58–3.58美元/千克(Shi等人,2026年)。因此,如何在厌氧发酵过程中获得更高浓度的VFA就显得极为重要。多项研究表明,采用水热处理和超声处理等方法对食物废料进行预处理,可以提升其sCOD FW值、蛋白质含量,增加还原糖含量,同时降低脂质含量,从而促进水解反应的进行(Jiang等人,2014年;Yu等人,2016年)。早期的研究主要探讨了发酵过程中的温度、pH值、ISR值、HRT值以及OLR值等影响因素,但大多只研究了其中一两个因素,未能充分考虑这些因素共同对食物废料转化为VFA效率的影响(Jiang等人,2013年)。对于混合菌群而言,最适宜的pH值在4–6之间;而将pH值调至9–10的碱性环境虽然能提升VFA的产量,使其达到7–37克/升,但却会增加工业应用的成本(Lukitawesa等人,2020年)。然而,直接对食物废料进行厌氧发酵生产VFA的效率仍然较低,其主要原因是发酵过程中pH值会急剧下降,甚至低于3(Zhang等人,2025年)。由于食物废料的C/N比较高,范围在14.7到36.4之间,这一比例会直接影响VFA的产量,但在食物废料与废水活性污泥共发酵的过程中,人们往往忽视了这种成分差异的影响(Zhang等人,2020a年)。
将食物废料与废水活性污泥一起进行共发酵,是一种提升系统稳定性和营养平衡的有效策略。废水处理厂通常会产生大量的废水活性污泥,这类污泥具有缓冲能力,还能提供多种微生物群落,有助于促进水解反应的进行,并调节氨含量(Vidal-Antich等人,2021年)。例如,当在pH值为6–9、温度为37℃的条件下,以72/28的比例将食物废料与废水活性污泥混合进行共发酵时,可得到0.65克CODVFA/克VS的产量,而在72℃下对食物废料进行预处理后,这一产量还会进一步提升,同时还能得到以丁酸为主的、稳定性较高的VFA溶液(Moretto等人,2020年)。不过,由于污泥成分存在天然差异,再加上季节性废水特性的变化以及工厂运营状况的不同,会导致VFA产量和发酵进程出现较大波动。如果固定循环比例,那么当原料特性发生变化时,就无法保证系统的长期稳定性(Micolucci等人,2020年)。为了在原料特性不断变化的情况下依然保持良好的发酵效果,就有必要采用机器学习等适应性预测模型,以此应对不同的废水活性污泥质量与发酵结果之间的复杂关系(Ye等人,2024a年)。
目前,人们普遍使用厌氧消化模型1来模拟发酵动力学,但该模型需要大量数据来进行校准,而且难以准确描述非线性的生化反应以及原料特性的变化情况(Batstone等人,2015年)。相比之下,近年来将机器学习技术应用于厌氧发酵领域后,发现其在预测VFA产量方面具有较好的性能。在条件相对稳定的情况下,梯度提升算法能够实现很高的预测精度,XGB和SVR算法在处理基于污泥的底物时,其R2值可达到0.93–0.95(Li等人,2023年;Zhai等人,2024年)。不过,当面临特征较少或原料结构较为复杂的场景时,这些算法的预测性能就会下降。例如,将XGB算法应用于实际规模的食物废料厌氧消化装置时,其CV-R2值仅为0.64(Choi等人,2022年)。近期有一些新的机器学习方法被应用于食物废料与废水活性污泥的共发酵过程,其中CatBoost算法在经过电化学预处理且处于实际生产条件下的情况下,其R2值可达到0.71–0.98(Jiang等人,2025年;Zou等人,2024年)。但这些研究所使用的都是来自单一来源或单一设施的数据集,因此其结果的通用性较差,难以推广到不同类型的原料上。另外,也有研究将可解释的机器学习方法与进化优化技术相结合,用于预测仅使用废水活性污泥进行发酵时的VFA产量并优化发酵过程,所采用的框架包括SVR–PSO和XGBoost–SHAP–GA/PSO(Li等人,2023年;Zhai等人,2024年)。不过,这些框架尚未被应用于食物废料发酵过程,也没有被用来系统地比较单发酵与共发酵两种工艺的效果。此外,目前针对食物废料与废水活性污泥系统的机器学习研究大多侧重于甲烷产量的提升,而对于产酸型VFA的积累则关注不足(Ghazizade-Fard & Koupaie,2025年),因此,那些以VFA产量为目标的、能够跨不同发酵配置进行对比分析的方法至今仍未被开发出来。
本研究旨在通过分析多个不同研究项目中的数据,明确影响单发酵和共发酵过程中VFA产量的主要因素以及系统限制条件。首先对各种原料、预处理方法以及工艺操作参数进行了筛选,找出其中起主导作用的因素,随后建立了可解释的机器学习模型。最后,将性能最佳的模型与优化算法相结合,确定出能够在保障发酵过程稳定的前提下提升VFA产量的最佳操作条件。总体而言,这项研究为提高VFA的产量提供了理论依据,有助于更高效地实现食物废料的资源化利用。
章节要点
数据收集与预处理
为了收集2010年至2025年间发表的关于食物废料厌氧发酵过程的同行评审研究资料,我们进行了全面的文献综述。通过Scopus和Web of Science数据库,使用诸如“(‘厌氧发酵’ OR ‘产酸发酵’ OR ‘厌氧共发酵’)AND(‘厨房食物废料’ OR ‘餐饮废料’ OR ‘餐厅食物废料’ OR ‘食堂食物废料’ OR ‘家庭厨房”
不同发酵系统中的特性与操作差异
目前关于食物废料发酵的研究大多在中国开展,其中单发酵案例中有74.1%来自中国,共发酵案例中有91.9%来自中国(见图2a)。在食物废料的来源中,当地的咖啡馆/餐厅以及大学食堂是最常被使用的来源,在单发酵案例中分别占27.3%,在共发酵案例中则分别占48.6%和21.6%。模拟厨房废料、当地市场以及当地超市也是较为常见的食物废料来源。至于发酵菌种方面
4.1 VFA产生的机理分析、调控机制以及机器学习应用前景
在厌氧发酵过程中,VFA的积累受底物供应、营养物质释放以及抑制作用等多种因素的共同影响。通过对比分析不同发酵模式的结果可以发现,无论是在单发酵系统中还是共发酵系统中,这些因素之间的平衡关系都有所不同。这两种发酵系统并非简单的工艺变体,而是遵循不同的调控机制,这些机制决定了它们的性能上限和稳定性
结论
本研究构建了一个基于数据的统一分析框架,用于对比分析不同发酵系统中的VFA产量。在单发酵系统中,挥发性固体的浓度是影响发酵过程的关键因素,当固体浓度较低时,系统对pH值的敏感性较高;而当固体浓度升高时,系统则更受水解反应和物质传递效率的限制。而在共发酵系统中,VFA的产量则主要受氨元素与碳元素的相互作用影响,可溶性碳水化合物的含量也会对这一过程产生重要影响
CRediT作者贡献说明
Fangnon Firmin Fangninou:负责撰写原始稿件、制作可视化图表、验证研究结果、开展相关调查、进行正式分析、整理数据、构建理论模型、争取研究资金支持。Zhengguo Li:负责审阅和编辑稿件、对研究工作进行指导。Zhan Yu:负责审阅和编辑稿件。Guodong Yang:负责审阅和编辑稿件。Dan Yu:负责审阅和编辑稿件。Shuling Chen:负责审阅和编辑稿件、对研究工作进行指导、确定研究方法、争取研究资金支持。
关于写作过程中使用生成式人工智能及人工智能辅助技术的情况说明
在撰写本论文的过程中,作者使用了ChatGPT工具,以此提升 manuscript的语言表达水平、清晰度以及可读性。在使用该工具之后,作者对内容进行了必要的审核和修改,并对最终发表的内容承担全部责任。
CRediT作者贡献说明
Fangnon Firmin Fangninou:负责撰写原始稿件、制作可视化图表、验证研究结果、开展相关调查、争取研究资金支持、进行正式分析、整理数据、构建理论模型。Zhengguo Li:负责审阅和编辑稿件、对研究工作进行指导。Zhan Yu:负责审阅和编辑稿件。Guodong Yang:负责审阅和编辑稿件。Dan Yu:负责审阅和编辑稿件。Shuling Chen:负责审阅和编辑稿件、对研究工作进行指导、确定研究方法、争取研究资金支持。
利益冲突声明
作者声明,自己不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了深圳职业技术大学博士后后期资助项目(项目编号:6024271002k)以及深圳市人文社会科学研究基金的支持。同时,也要感谢Babatoundé Moctard Olouladé在正式分析过程中所提供的帮助。
Fangnon Firmin Fangninou|Zhengguo Li|Zhan Yu|Guodong Yang|Dan Yu|Shuling Chen