《Fuels》：Optimizing the Performance of Microbial Fuel Cells: Linking Laboratory Analysis and Multivariate Machine Learning Approach to Enhance Bioelectricity Generation from Wastewater
编辑推荐：
基于实验室的微生物燃料电池（MFC）研究通常成本高昂且局限于少量变量，使得优化具有挑战性。然而，机器学习（ML）通过实现高效的多变量主成分分析（PCA）和多变量优化，提供了一种有前景的解决方案。这些技术可提供重要的见解和优化机会。本研究的目标是提出一种基于ML
基于实验室的微生物燃料电池（MFC）研究通常成本高昂且局限于少量变量，使得优化具有挑战性。然而，机器学习（ML）通过实现高效的多变量主成分分析（PCA）和多变量优化，提供了一种有前景的解决方案。这些技术可提供重要的见解和优化机会。本研究的目标是提出一种基于ML的方法，探索生物电产生（以电压、功率密度（PD）、电流密度（CD）和库仑效率（CE）表示）与两个关键变量——化学需氧量（COD）和pH——之间的关系，并推荐其最佳组合。具体而言，研究目标包括：(1) 将实验室MFC研究与多变量数据分析相结合；(2) 应用PCA，通过聚焦于解释最大方差的主成分来降低数据复杂性，从而提高可解释性；(3) 确定COD和pH的最佳组合，以最大化生物电产生。PCA结果表明，COD对产生的电压具有正向影响，而对CE具有反向影响。此外，PD和CD均随pH值升高而增加。COD和pH的最佳组合提高了CD、PD和CE；然而，它们对于产生电压的最佳组合有所不同，更高的COD导致更高的电压。本研究的最佳预测电压、CD、PD和CE分别为795.71 mV、1451.80 mA/m2、57.46 mW/m2和4.85%。通过整合ML方法，本研究有助于优化废水中生物电的产生，并为该领域的研究人员提供了有价值的见解。
**论文解读：基于机器学习的多变量优化在微生物燃料电池废水处理中的应用**
**研究背景与问题**
微生物燃料电池（MFC）是一种利用微生物催化降解有机物并同步产生电能的生物电化学系统，在废水处理领域具有广阔前景。然而，MFC性能受多种因素影响，包括底物类型、化学需氧量（COD）、pH、电极材料、离子交换膜等。传统的实验室研究通常仅考察单一或有限变量，难以揭示多变量间的复杂交互作用，且实验成本高昂、周期长，导致优化过程困难。尽管机器学习（ML）已被用于预测MFC产电性能，但现有研究多集中于单一预测模型，缺乏对多变量间关系的系统分析及最佳组合的识别。因此，本研究旨在将ML与多变量主成分分析（PCA）相结合，探索COD和pH与生物电产生指标（电压、功率密度(PD)、电流密度(CD)、库仑效率(CE)）之间的关系，并确定其最佳组合，为高效废水处理与生物电生产提供优化策略。该论文发表在《Fuels》期刊上。
**主要技术方法**
本研究采用两种批式实验：批次一（B1）设置三种不同COD水平（1373±40、1990±56、3570±20 mg/L），批次二（B2）设置三种不同pH水平（6.5±0.10、8.6±0.10、9.5±0.10）。废水样本取自美国晶体糖公司（American Crystal Sugar Co.）加工厂，接种物来自法戈市污水处理厂。使用双室MFC反应器（9个），以碳布为电极、Nafion阳离子交换膜分隔阴阳极。通过数据记录仪记录电压，并利用主成分分析（PCA）降维，识别影响最大的主成分；随后构建回归模型（R2介于0.65-0.89，p<0.0006），生成连续预测值，并借助热图可视化确定COD和pH的最佳组合。
**研究结果**
**3.1 总体实验结果**
实验持续31天，B1和B2分别获得最高电压781.6±9.9 mV和807.6±6.8 mV。最大CE为4.3%，极化曲线和功率曲线显示B2优于B1。B2中最大PD为44.7±4.7 mW/m2（10Ω），最大CD为1215.9±71.8 mA/m2（10Ω）。
**3.2 主成分分析（PCA）见解**
PCA结果显示，前两个主成分（PC1和PC2）累计解释80.37%的方差（PC1: 58.75%，PC2: 21.62%）。PC1与pH、PD、CD、电压外阻（VOLR）正相关，与COD、CE负相关；PC2仅与CE负相关。PCA排序图将变量分为三组：组1（pH、CD、VOLR、PD）呈正相关；组2（COD与电压VOL）正相关；组3（CE单独）与其他变量呈负相关。这表明pH对CD、PD、VOLR有显著正向影响，而COD对VOL有正向影响，对CE有反向影响。
**3.3 优化结果**
通过热图分析，研究确定了COD和pH的最佳组合。对于CD、PD、CE和VOLR，最佳组合为pH 9.5、COD 1100 mg/L，预测值分别为CD 1451.80 mA/m2、PD 57.46 mW/m2、CE 4.85%、VOLR 409.20 mV。对于电压（VOL），最佳组合为pH 6.5、COD 3500 mg/L，预测电压为795.71 mV。这表明不同性能指标对COD和pH的响应存在差异：高pH、低COD有利于CD、PD、CE；而低pH、高COD有利于电压产生。
**讨论与结论**
讨论部分指出，低CE（4.85%）可能源于非电化学微生物（如产甲烷菌、硫酸盐还原菌）竞争电子供体，以及氧气扩散导致阳极室发生发酵过程。PD较低归因于碳布电极导电性有限及硫酸盐还原菌的存在。PCA方法有效降低了数据复杂性，突出了pH和COD的关键作用。研究强调，该方法具有良好可扩展性，适用于实验室及工业规模MFC系统，未来可纳入更多变量（如电极间距、温度）以进一步优化。
**研究结论**
本研究通过机器学习诱导的主成分分析（PCA）和热图分析，为废水处理中MFC生物电产生的优化提供了新见解。通过降低数据复杂性并聚焦于最重要成分，ML轻松识别了生物电产生的关键自变量。结果显示，PC1（pH）对CD、PD和VOLR起重要作用，而PC2（COD）表明其对VOL的影响大于pH。结果还表明，高COD与低pH组合可能产生更高电压，这可能是由于某些微生物在弱酸性环境中具有更有利的电化学活性，从而提高了整体功率输出。本研究提出的方法为优化各种工业和环境应用中的化学去除过程提供了有前景的途径，并强调了结合多个因素以实现所需化学浓度的重要性。使用类似假设的三维热图，研究人员可获得电极间距、COD和温度等自变量的最佳组合，从而可视化多变量间的复杂交互作用，确定增强生物电产生的理想条件。
