使用Monod模型和神经网络研究厌氧消化器中的甲烷产生动力学

《Processes》：Study of Methane Production Kinetics in Anaerobic Digesters Using the Monod Model and Neural Networks

　　

这项研究在厄瓜多尔安第斯山脉进行，评估了当地作物残余物（苋菜和藜麦）与美洲驼、骆马和猪粪的厌氧共消化，以分析甲烷产生动力学。原材料通过工业分析、元素分析和结构分析进行表征，并每日监测沼气体积和CH₄分数。苋菜-骆马和苋菜-美洲驼处理分别达到77.29 ± 5.63和64.62 ± 3.62 mL沼气/g VS（挥发性固体）以及36.20 ± 7.29和31.78 ± 3.62 mL CH₄/g VS；相比之下，藜麦-骆马和藜麦-美洲驼仅产生1.04 ± 0.25和0.24 ± 0.03 mL CH₄/g VS。Monod模型参数采用基于甲烷产生速率的表观公式进行估计，并将动力学行为与一级、修正Gompertz和修正Logistic模型进行比较。此外，评估了人工神经网络（ANN）以根据底物表征预测甲烷产生曲线。网络44，具有13-15-10-1架构，总体R² = 0.998，验证R² = 0.997，验证MSE = 0.415。同一架构的十次重复五折交叉验证得到R² = 0.985 ± 0.007和RMSE = 1.21 ± 0.28 mL CH₄/g VS，支持其在实验域内的插值能力，尽管这并不证明对新底物组合的外推能力。总体而言，所提出的方法结合了可解释的动力学参数与基于ANN的预测，但仍需独立数据集的外部验证。报告的产率对应于在室温下运行的低成本批次系统中实现的具体产量，不应解释为标准化生化甲烷潜力（BMP）值。

厄瓜多尔玻利瓦尔省面临能源转型挑战，该地区农业活动产生大量作物残余物和畜禽粪便，传统处理方式（如焚烧或直接施肥）导致环境问题。厌氧消化（AD）技术可将有机废弃物转化为富含甲烷（CH₄）的沼气，符合循环经济理念，但安第斯地区的小规模家用消化器推广仍受限于缺乏本地化数据。研究人员针对该地区常见作物（苋菜和藜麦）残余物与本地家畜（美洲驼、骆马、猪）粪便的共消化（ACD）展开研究，旨在分析甲烷产生动力学，并对比传统动力学模型与数据驱动的人工神经网络（ANN）在描述和预测产气曲线方面的能力。研究结果表明，苋菜是更优的共底物，但提出的ANN模型（网络44）需外部验证后才能推广，该工作发表于《Processes》。

研究人员为开展研究主要采用以下关键技术方法：首先，对底物进行工业分析、元素分析和结构分析（使用ANKOM2000纤维分析仪），获取挥发性固体（VS）、碳、氮、纤维素、木质素等参数；其次，设计低成本的批次消化实验（无搅拌，室温18°C，45天，共6种底物组合，每种3个重复），每日测量沼气体积和CH₄分数；然后，基于Monod模型建立表观参数（μ_max和Ks_ap），并与一级、修正Gompertz、修正Logistic模型进行动力学拟合；最后，在MATLAB中构建前馈神经网络（ANN），采用Levenberg-Marquardt算法训练，结合五折交叉验证评估插值能力。样本来自厄瓜多尔当地农民和牲畜生产者，接种物取自大学校园的厌氧消化器。

**3.1 底物表征**
通过工业分析、元素分析和结构分析，研究人员发现苋菜具有较高的纤维素含量（40.48% d.b.）和较低的木质素含量（9.93% d.b.），而藜麦的纤维素含量较低（17.36% d.b.）且木质素较高（13.28% d.b.）。苋菜的C/N比（碳氮比）显著高于藜麦，有利于与低C/N的粪便混合时平衡营养。这些特征为后续甲烷产量差异提供了底物层面的解释。

**3.2 各组间的沼气和甲烷产量**
通过每日监测和方差分析（ANOVA，α=0.05），研究人员发现苋菜-骆马和苋菜-美洲驼处理获得最高甲烷产量，分别为36.20 ± 7.29和31.78 ± 3.62 mL CH₄/g VS；而藜麦-骆马和藜麦-美洲驼产量极低（仅1.04 ± 0.25和0.24 ± 0.03 mL CH₄/g VS），且沼气主要成分为CO₂。这表明苋菜作为共底物更有利于甲烷产生，而藜麦组合可能因产甲烷菌活性受限或水解步骤受阻导致低产。

**3.3 传统模型的动力学拟合**
通过Monod模型（表观公式）的线性化拟合，研究人员得到各处理的μ_max（最大比生长速率）和Ks_ap（表观饱和常数）。苋菜-骆马具有最高的μ_max（0.18 ± 0.01 d^-1）和Ks_ap（7.11 ± 1.18 mL CH₄/g VS）。与一级、修正Gompertz和修正Logistic模型比较，修正Logistic模型在多数处理中拟合最优（R²最高达0.9989），而一级模型拟合较差。这些参数仅用于组内比较，不能直接解释为固有亲和常数。

**3.4 使用神经网络预测沼气产量**
研究人员训练了多种ANN架构，最终选定网络44（13-15-10-1，两个隐藏层，tansig激活函数），输入为底物表征的12个变量和采样天数，输出为9个时间点的累积CH₄。该网络在训练集R²=1.000，验证集R²=0.997，测试集R²=0.999，验证MSE=0.415。十次重复五折交叉验证给出R²=0.985 ± 0.007，RMSE=1.21 ± 0.28 mL CH₄/g VS。但研究人员指出，381个可训练参数对应54个模式（来自6种底物组合），高参数-模式比导致过拟合风险，该结果仅证明插值能力，不证明外推至新底物组合。

讨论部分总结：研究人员结合底物特性与动力学参数，解释了苋菜因高纤维素和低木质素而表现更优的原因。然而，由于缺乏pH、挥发性脂肪酸（VFA）、碱度、氨氮等时间序列监测，无法确定藜麦组合低产的具体抑制机制（如酸中毒、氨抑制或水解限制）。温度未连续记录，仅以18°C均值进行气体校正，导致生物速率存在不确定性。Monod模型中的Ks_ap是表观参数，不能与标准Ks值直接比较；ANN模型虽内插性能良好，但外部验证仍是必要的。实验在低成本的批次系统中进行，未采用标准化BMP测试条件，因此产率不能代表最大生化甲烷潜力。

结论部分翻译：定量结果确定苋菜为最佳共底物。苋菜-骆马和苋菜-美洲驼分别达到77.29 ± 5.63和64.62 ± 3.62 mL沼气/g VS以及36.20 ± 7.29和31.78 ± 3.62 mL CH₄/g VS；而藜麦-骆马和藜麦-美洲驼仅产生1.04 ± 0.25和0.24 ± 0.03 mL CH₄/g VS。苋菜较高的产量与其较高的纤维素含量（40.48% d.b.）和较低的木质素含量（9.93% d.b.）一致（藜麦分别为17.36%和13.28% d.b.）。在动力学分析中，苋菜-骆马表现出最高的μ_max（0.18 ± 0.01 d^-1）和Ks_ap（7.11 ± 1.18 mL CH₄/g VS）。Monod改编提供了在单一残余底物浓度不可用时有用的表观参数，但Ks_ap并非固有亲和常数。额外拟合显示，修正Logistic和修正Gompertz模型分别达到R²高达0.9989和0.9974，优于一级模型。高t_lag值应视为有效拟合参数，而非34–46天完全无接种物活性的直接证据。缺乏pH、VFA、碱度、氨氮和微生物群落的时间序列，无法将缓慢响应归因于单一原因。同样，获得的产率对应于无搅拌、室温运行的低成本系统，因此不是标准化BMP值，不能单独用于诊断严重抑制。网络44（13-15-10-1）总体R²=0.998，验证R²=0.997，测试R²=0.999，验证MSE=0.415。重复交叉验证得到R²=0.985 ± 0.007，RMSE=1.21 ± 0.28 mL CH₄/g VS。这些结果支持在实验域内良好的插值能力，但底物组合数量少和高参数-模式比阻止了对外部稳健性的声称。因此，该研究的主要贡献是将表观动力学描述符与能够在所研究实验空间内重现时间曲线的ANN相结合。从应用角度来看，结果支持在低成本消化器中使用当地农业副产品，但也表明共底物选择、接种物质量和预测模型验证至关重要。结论仅限于本研究评估的条件和底物。