《Journal of Environmental Chemical Engineering》：Toward Smart Microalgae Cultivation: The Role of Machine Learning and Data Science
编辑推荐：
摘要对可持续且经济可行的微藻生产的日益增长的需求，加速了对符合工业4.0原则的自动化和智能培养系统的关注。有效的微藻培养需要对关键工艺变量进行持续监控和控制，包括pH值、光强、温度、营养供应、盐度和碳供应。机器学习（ML）已成为智能培养的强大有力技术，支持物种鉴定、生长预测、
摘要
对可持续且经济可行的微藻生产的日益增长的需求，加速了对符合工业4.0原则的自动化和智能培养系统的关注。有效的微藻培养需要对关键工艺变量进行持续监控和控制，包括pH值、光强、温度、营养供应、盐度和碳供应。机器学习（ML）已成为智能培养的强大有力技术，支持物种鉴定、生长预测、工艺优化、异常检测和自主控制等任务。尽管取得了显著进展，将机器学习成果转化为可扩展培养系统仍面临诸多挑战，包括传感基础设施的局限性、数据可用性不足、工艺整合问题以及部署准备度问题。本综述全面评估了机器学习在微藻培养中的应用，涵盖分类、估算、预测、分析和控制等方面。本综述还从系统层面进行探讨，将培养科学、传感技术、光生物反应器（PBR）设计、智能控制和工业实施联系起来。重点强调了强化学习（RL）、智能培养架构、整合的上游-下游处理以及基于技术准备度等级（TRL）的部署路径。本文批判性地评估了当前挑战、知识空白和未来研究重点，包括数据标准化、模拟到实际的迁移以及自主PBR控制。本综述强调了封闭和集成培养系统在提高数据质量、降低计算复杂性和实现可扩展的机器学习驱动自动化方面的重要性。总体而言，这些见解为开发智能化、可持续且具有商业可行性的微藻培养平台提供了路线图。
引言
近几十年来，全球对可再生能源和可持续能源替代品的追求日益迫切，以取代传统化石燃料。在各种可再生能源中，由生物质衍生的生物燃料因其能够将有机废物转化为可用能源而在全球范围内引起了广泛关注[1]。微藻作为一种有前景的原料，因其生长速度快、脂质含量高以及能够在恶劣环境中生存等优势而脱颖而出[2]、[3]。除生物燃料生产外，微藻生物质还含有宝贵的生物活性化合物，包括蛋白质、碳水化合物、脂质、色素、抗氧化剂和维生素，使其成为营养保健品、制药、食品和环保应用的重要资源[4]、[5]。尽管潜力巨大，微藻的大规模培养仍面临诸多挑战。传统培养平台，包括开放式跑道池和封闭式光生物反应器（PBR），需要持续监控和调整关键工艺变量，如pH值、温度、光强、盐度、营养可用性和CO2供应。这些操作通常需要大量人力且耗时，从而增加了生产成本并限制了商业可扩展性[6]。
随着工业4.0的到来，将自动化、人工智能（AI）、机器学习（ML）和物联网（IoT）整合到生物处理系统中以提高效率并降低劳动力成本已成为日益增长的趋势。这为智能和自主培养创造了新的机遇。机器学习模型可以被训练以识别模式、预测生长并做出数据驱动的决策来优化培养并提高效率。由于培养性能受相互关联的环境和操作参数的强烈影响，如光强、空气供应流量、CO2供应和营养浓度（C/N比），机器学习为管理微藻生产系统中固有的非线性和动态过程提供了强大的框架[7]、[8]。
因此，将上游（微藻培养）和下游（生物质收获）过程整合到统一的自动化系统中，可以提高操作效率。实时监测生物质特征，包括颜色、浊度、光学密度和叶绿素含量，可以提供有关培养健康度和生长状态的信息。这些数据可被基于机器学习的系统用于优化培养条件并支持收获决策。自动识别生长阶段可以进一步实现智能选择收获策略，如离心、浮选、过滤或沉降，从而提高资源利用率并降低运营成本[7]、[8]。重要的是，系统架构在确定智能控制的可行性方面起着关键作用。封闭和集成的培养系统减少了环境变异性，提高了数据一致性，并简化了与AI驱动的监控、预测和控制相关的计算挑战[9]。
尽管在将机器学习应用于生物质预测、物种鉴定、污染监测和工艺优化方面取得了显著进展，但算法开发与实际部署之间仍存在巨大鸿沟。现有研究往往孤立地评估机器学习方法，对光生物反应器架构、传感基础设施、上下游工艺整合和工业实施需求的考虑有限。因此，对培养系统设计对数据质量、模型可靠性、自动化可行性和控制性能的影响关注不足。此外，大多数启用机器学习的培养技术仍处于相对较低的技术准备度等级（TRLs），很少有研究超越实验室规模的演示阶段。
为了应对这些挑战，本综述采用系统层面的视角审视机器学习赋能的微藻培养。本文考察了培养参数、传感技术、机器学习方法、光生物反应器设计、智能控制策略和基于TRL的部署路径之间的相互作用。本文对机器学习在分类、估算、预测、分析和控制中的应用进行了结构化评估，特别强调了强化学习、智能培养架构以及整合的培养-收获系统。本文批判性地评估了当前挑战、知识空白和未来研究机会，为开发智能化、可扩展且具有商业可行性的微藻培养平台提供路线图。
章节摘要
生物质鉴定
生物质鉴定是在整个生长周期中检测、测量和分析微藻生物质数量和质量的过程。这是在优化培养条件、确保及时收获和提高整体生产率方面的一个关键步骤，特别是在自动化或AI驱动系统中。具有物种特异性色素（即绿色、红色、棕色、蓝色）的微藻反映了其生化组成。传统上，可以通过以下方式估算生物质浓度
pH值
微藻物种对其培养介质的pH值表现出不同程度的耐受性和适应性。虽然不同菌株的最佳pH条件各不相同，但大多数微藻在接近中性的pH范围内（约pH 6至9）生长良好[12]、[13]、[14]。CO2是影响pH值的主要因素之一。作为酸性气体，CO2与水反应形成碳酸（H2CO3），在此过程中释放氢离子（H+），从而降低介质的pH值。尽管CO?补充是一种
微藻培养系统的挑战
选择最佳培养方法取决于多种因素，包括物种特异性需求、预期应用（生物修复、食品生产、制药、生物燃料）、资源可用性（土地和水）、气候条件、污染耐受性和财务限制（资本支出（CAPEX）和运营支出（OPEX））[30]。
机器学习背景
本节对机器学习如何应用于微藻培养提供了结构化概述，对关键方法进行分类并突出代表性研究。虽然以往的文献综述已在多种背景下探讨这一主题，包括与物联网、多组学、人工智能、循环经济框架和光谱学的整合，但本节特别关注机器学习方法及其与微藻培养系统的相关性[40]、[41]、[42]、[43]、[44]、[45]。广义上
挑战与未来研究方向
将机器学习整合到微藻培养中具有巨大的潜力，可以提高工艺效率、生产力和可扩展性。数据驱动的方法可以支持培养条件优化、生物质生产、废水处理和资源利用，促进从实验室规模实验向中试和商业化运营的过渡。通过实现实时监控、预测和控制，机器学习为降低
结论
本综述对机器学习在微藻培养中的应用进行了全面和结构化的评估，涵盖了分类、估算、预测、控制和数据分析等主要领域。总体而言，这些方法展示了机器学习在应对与大规模微藻生产相关的复杂生物、环境和运营挑战方面的日益增长的潜力。文献表明，预测建模仍是最成熟的应用领域，
作者贡献声明（CRediT）
Yee Jiun Yap：撰写——初稿。Kit Wayne Chew：撰写——初稿。Pau Loke Show：撰写——初稿。Doris Ying Ying Tang：撰写——初稿。Tomas Maul：撰写——初稿。Kian Wah Liew：撰写——初稿。Zhi Lin Lau：撰写——初稿。
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系可能会影响本文所报道的工作。
致谢
作为首席研究员，Yee Jiun Yap感谢马来西亚高等教育部通过基础研究基金方案（项目编号：FRGS/1/2020/STG01/UNIM/02/2）提供的财政支持。作者们还衷心感谢Rajul Kabir和Loo Bee Lee在整个手稿修订过程中付出的时间、精力和宝贵贡献。本研究还得到了哈利法大学粮食安全与技术中心（FSTC）的支持。
Zhi Lin Lau|Kian Wah Liew|Tomas Maul|Doris Ying Ying Tang|Pau Loke Show|Kit Wayne Chew|Yee Jiun Yap
马来西亚诺丁汉大学，科学与工程学院，化学与环境工程系，Jalan Broga, 43500 Semenyih, Selangor Darul Ehsan, 马来西亚
