反应器感知机器学习耦合差分进化用于预测与优化农工业废弃物共消化累计甲烷产量

《Foods》：Reactor-Aware Machine Learning Coupled with Differential Evolution for Predicting and Optimizing Cumulative Methane Production from Agro-Industrial Waste Co-Digestion

　　

农工业残渣的厌氧消化（Anaerobic Digestion，AD）可支持废弃物增值与可再生能源生产，但可靠预测需要考虑到反应器内重复测量的验证。研究人员比较了16种回归模型，用于根据消化时间与香蕉皮–甘蔗糖蜜组成预测累计甲烷产量，数据来自7个批次反应器共5007条观测。模型通过留一反应器交叉验证（Leave-One-Reactor-Out Cross-Validation，LORO-CV）评估。径向基函数支持向量回归（Support Vector Regression with Radial Basis Function，SVR-RBF；C=10，gamma=“scale”，epsilon=0.1）取得最低合并均方根误差（Root Mean Square Error，RMSE）118.09 NmL CH4，R2=0.9482，平均绝对误差（Mean Absolute Error，MAE）=75.75 NmL CH4，被选为代理模型。但反应器水平Wilcoxon检验经Holm校正后，SVR-RBF与其他算法无显著差异。留出反应器R2为?1.366至0.928，显示泛化异质。差分进化（Differential Evolution，DE）持续得到约100%香蕉皮、0%糖蜜为最优组成。70次运行中中位最优为310.10 h与1433.25 NmL CH4。Bootstrap分析显示99%组成最优在≥99%香蕉皮，但最优时间不确定性大。动力学基准支持全香蕉皮反应器较慢但更高累计甲烷。该边界解是需要实验确认的模型支持候选，而非通用共消化最优。

《Foods》刊发的该项研究以农工业废弃物香蕉皮与甘蔗糖蜜的批次厌氧消化（Anaerobic Digestion，AD）为对象。当前，传统动力学模型如厌氧消化一号模型（Anaerobic Digestion Model No. 1，ADM1）难以应对站点差异且参数调优繁重，人工智能与机器学习（Machine Learning，ML）虽可捕捉非线性关系，但存在黑箱、依赖数据质量、易过拟合与数据泄漏等问题；更为关键的是，随机按行交叉验证会把同一反应器的重复时间点拆入训练与验证集，造成乐观估计。已有研究多关注香蕉皮单独消化或与动物粪肥组合，甘蔗糖蜜也多与粪肥、废水等缓冲基质共消化，香蕉皮–甘蔗糖蜜这一特定体系及其完整批次甲烷轨迹用于反应器感知预测与约束组成优化的信息十分有限。因此，研究人员开展本研究，旨在比较回归算法、在留一反应器交叉验证（Leave-One-Reactor-Out Cross-Validation，LORO-CV）下选模型、评估跨独立反应器预测稳定性，并将所选模型作为差分进化（Differential Evolution，DE）的代理目标在实验域内寻优。

作者所用主要关键技术方法包括：构建7个独立自动甲烷势测试系统（Automatic Methane Potential Test System，AMPTS II）批次反应器轨迹的数据集，样本队列为厄瓜多尔Ibarra市批发市场香蕉皮、北方糖厂甘蔗糖蜜及羊粪接种物，组成水平为0/100、25/75、100/0；采用LORO-CV对16种回归配置做池化评估；在反应器水平用Wilcoxon符号秩检验加Holm校正比较；用七折折叠管道作DE代理目标并做反应器水平Bootstrap重采样；对各反应器轨迹分别拟合一级、修正Gompertz与修正logistic动力学模型作基准。

3.1. Exploratory Predictor Associations：研究人员通过Pearson相关与单变量F统计描述发现，消化时间与累计甲烷产量关联最强，香蕉皮百分比次之，因数据含反应器内重复时序观测，这些统计量仅作描述而非独立实验单元推断。

3.2. Reactor-Aware Model Comparison：在LORO-CV下SVR-RBF池化RMSE最低而被选中；梯度提升、K近邻（k-Nearest Neighbours，KNN）、随机森林（Random Forest，RF）、决策树表现接近。反应器水平配对检验经Holm校正后无模型显著优于SVR-RBF，说明选型是因预设准则而非统计优势。分组诊断显示池化性能好不等于各反应器均匀准确，全香蕉皮反应器预测更佳。

3.3. Grouped Generalization and SVR Sensitivity：SVR-RBF池化R²=0.9482，但留出反应器R²为?1.366至0.928；负值源于窄响应范围使残差平方和超总平方和。全香蕉皮反应器因轨迹宽、涵盖完整S形发展而R²高，截断的100–0 R3表现差与轨迹不完整有关。超参数敏感性分析显示ε在0.1至1.0间影响可忽略，故保留预设模型。

3.4. Kinetic Benchmark Analysis：各反应器独立拟合显示，0/100宜用一级动力学，25/75宜用修正Gompertz，100/0宜用修正logistic；全香蕉皮轨迹滞后更长但累计甲烷更高。动力学模型刻画反应器内降解，SVR-RBF评估跨反应器泛化，二者不可直接比较外推性能。

3.5. Process Optimization：70次DE运行均收敛至组成上界，中位为100%香蕉皮、0%糖蜜、310.10 h、1433.25 NmL CH₄；Bootstrap中99%组成最优≥99%香蕉皮，但最优时间与产量区间宽。剔除截断反应器结论不变，说明边界解非残缺轨迹假象。该最优只最大化累计甲烷体积，未计产率、能耗与经济性。

讨论部分指出，LORO-CV揭示SVR-RBF池化性能好但反应器间异质明显，随机行划分会高估性能；DE边界最优反映实验域内模型预测朝香蕉皮富集端走高，不代表通用生物学最优；高糖蜜促酸生成、挥发性脂肪酸积累仅为文献支持假设，因本研究未测pH、碱度与挥发性脂肪酸。未来需用更多独立反应器、底物归一化与接种物空白校正、并测挥发性脂肪酸、碱度、pH、化学需氧量（Chemical Oxygen Demand，COD）和挥发性固体去除率验证。

结论部分译为：LORO-CV在16个配置中确定SVR-RBF池化预测RMSE最低，其池化LORO-CV表现为R²=0.9482、MAE=75.75 NmL CH₄、RMSE=118.09 NmL CH₄；但Holm校正后反应器水平Wilcoxon检验未证统计优势，分组诊断显示留出反应器高度异质。这证明验证时分离独立反应器并报告反应器水平性能十分重要。差分进化反复将预测累计甲烷最大值定在约100%香蕉皮、0%糖蜜的实验边界；分组中位最优为310.10 h与1433.25 NmL CH₄；组成结果在反应器水平Bootstrap与剔除截断反应器后稳定，而最优时间不确定性更大。动力学建模支持全香蕉皮反应器存在更慢、更高累计甲烷轨迹。该优化组成在生物学上合理，因香蕉皮是产甲烷原料，高糖蜜比可能促快速产酸与挥发性脂肪酸积累，但机制未直接测得。因此该边界解不被视作通用生物学最优、共消化协同证据或可直接转移的工业运行条件。后续实验应以更多独立反应器、底物归一化与接种物空白校正甲烷产率，并测定挥发性脂肪酸、碱度、pH、COD与挥发性固体去除率，验证边界附近组成。