综述：微生物燃料电池与人工智能和机器学习的协同整合：面向可持续和自我优化的生物电化学系统

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Synergistic integration of microbial fuel cells with artificial intelligence and machine learning: Towards sustainable and self-optimizing bioelectrochemical system

　　

生物电化学系统（BESs）为可持续能源生成和废水处理提供了一条引人注目的途径。然而，其生物过程与电化学过程之间错综复杂相互作用给传统建模方法带来了相当大的障碍。微生物燃料电池（MFCs），是可持续技术的一个显著领域，可实现废水处理和生物能源回收的同时进行。然而，其广泛的实际应用目前受到低功率输出、非线性电化学动力学以及对环境变化敏感性的限制。本综述调查了利用人工智能（AI）技术提高 BES 技术有效性和可扩展性的最新进展。我们概述了机器学习（ML）算法在预测 BES 关键性能指标方面的贡献，包括人工神经网络（ANNs）、支持向量回归（SVR）和随机森林（RF）。重点强调了结合 AI 驱动的实时监控和自适应控制系统以应对 BES 环境条件的变化。尽管取得了这些重大突破，持续的困难仍然存在，特别是关于数据标准化和 BES 内生物复杂性的精确建模。我们提出了最近的挫折和潜在的研究路径，强调需要完整的数据集、统一的过程和先进的 AI 系统，以充分利用 AI 增强的 BES 系统的能力，实现环境可持续的生物能源目标。AI 模型表明，它们可以有效解释 pH 值、温度和底物浓度等运行因素与电压产生之间的复杂关系，从而取得了显著的预测准确性。

日益增长的能源需求、化石燃料枯竭、温室气体排放以及废水排放量的增加，加剧了对同时支持能源回收和环境修复技术的需求 [[1], [2], [3], [4], [5]]。尽管传统可再生能源技术可以减少对化石燃料的依赖，但大多数技术并不能直接从有机废物流中回收能源和有价值资源。生物电化学系统（BESs）提供了一种整合方法，利用微生物在电极上催化氧化和还原反应，从而将有机物中储存的化学能转化为电能、氢气、甲烷或其他增值产品 [6]。典型的 BES 由阳极和阴极组成，在阳极，微生物氧化有机底物并释放电子；在阴极，发生还原反应。根据其配置和操作目标，BESs 包括微生物燃料电池（MFCs）、微生物电解池（MECs）和微生物脱盐电池（MDCs）。MFCs 在底物降解过程中直接产生电能，而 MECs 需要少量外部电压来支持氢气或化学品生产。MDCs 将生物电化学反应用于离子传输相结合，以实现废水处理和脱盐的同时进行 [[7], [8], [9]]。MFCs 旨在通过代谢途径直接从有机底物产生电流，通过利用农业废弃物等材料，为传统化石能源提供了可行的替代品 [[10], [11], [12], [13], [14], [15]]。微生物活动发电的概念可以追溯到 Potter 在 1911 年的开创性工作，随后 Cohen 在 1931 年展示了通过连接的电池产生更高的电压 [16,17]。尽管早期取得了进展，但该领域直到 20 世纪 90 年代才引起关注，当时电化学工程和微生物学的进步允许更有效的系统设计 [18]。MFC 是一项新技术，利用电活性微生物催化有机底物的氧化降解，遵循原电池原理将化学能转化为电能 [19,20]。它还提供了生物电力生产和有效分解有机污染物的双重优势，使其适用于分布式废水处理设施 [21,22]。此后，进行了大量的学术研究以完善阳极和阴极成分、质子交换膜、微生物群落和反应器设计，旨在增加能量输出并促进更广泛的实施 [23]。目前，MFC 性能通常使用开路电压、电流密度、COD 去除效率和长期运行稳定性等参数进行估计。COD 是化学氧化废水中物质所需的总氧量的度量。高 COD 是高污染负荷的表现。它包括可生物降解有机物和还原性无机化合物 [[24], [25], [26]]。MFC 技术在废水修复中的应用是传统处理方法的可靠替代品，因为它已证明在降低 COD 和消除多种污染物方面是有效的 [[27], [28], [29], [30], [31]]。此外，通过利用微生物种群和操作条件，MFCs 可用于处理各种类型的废水 [32,33]。MFCs 可以同时生产可再生能源和处理废水，使其成为可持续废物管理和能源回收的可行替代方案 [34,35]。人们发现，废水处理行业中使用的很大一部分能源实际上是由可再生能源产生的，这些可再生能源可用于解决能源生产、处理过程和营养回收的问题 [15,36,37]。因此，大量的研究集中在改进电极材料、膜、微生物群落和反应器配置上，以增强发电和废水处理性能 [[38], [39], [40]]。尽管取得了这些进展，MFCs 的大规模实施仍受到若干技术和操作限制。这些包括低功率输出、内阻、材料降解、生物膜不稳定性、操作变异性以及生物 - 电化学相互作用的固有非线性行为 [41]。这种复杂性使得仅使用传统建模和控制方法很难对 MFCs 进行监控、预测和优化。在这方面，人工智能（AI）和机器学习（ML）提供了强大的机会，将 MFCs 转变为更智能、自适应和自我优化的系统。AI/ML 工具可以支持性能预测、参数优化、故障检测、过程自动化和实时运行控制，从而解决 BES 部署中最持久的障碍。在此背景下，本综述检查了 MFC 与 AI 和 ML 的协同集成，以开发可持续和自我优化的生物电化学系统。与以往仅关注孤立预测或优化应用的研究不同，本综述提供了关于生物复杂性与计算智能之间界面的更广泛和前瞻性的视角。它首先讨论 MFCs 的基本原理和操作挑战，然后批判性地评估该领域使用的主要 AI/ML 方法，包括它们在建模、预测和系统优化中的作用。该综述还探讨了结合物联网（IoT）传感、自适应控制和数字孪生概念的智能 BES 框架的出现，并在突出 AI 驱动的生物电化学技术的当前限制、研究差距和未来方向之前进行。显著影响 BES 性能的主要决定因素和框架如图 1 所示。因此，本综述通过推进 AI 赋能的 BESs 以实现高效的废水处理、生物能源回收和智能过程优化，支持 SDG 6（清洁水和卫生）、SDG 7（经济适用和清洁能源）和 SDG 9（产业、创新和基础设施）。

本文作为 AI 和 ML 与 BESs 集成的一综合性综述开发，特别关注 MFCs。通过搜索主要科学数据库确定了相关文献，包括 Scopus、Web of Science、ScienceDirect、Google Scholar 和 PubMed。搜索策略采用了关键词组合，如“微生物燃料电池”、“生物电化学系统”、“人工智能”、“机器学习”、“人工神经网络”、“支持向量回归”、“随机森林”、“模糊逻辑”、“数字孪生”、“自适应控制”和“废水处理”。优先考虑最近几年出版的同行评审文章，特别是 2020 年至 2026 年期间的文章，同时为了提供历史和技术背景，也纳入了早期基础研究报告。最后一次文献搜索更新于 2026 年 7 月。研究的选择基于它们与 AI/ML 辅助建模、预测、优化、监控、控制或 BESs 设计的相关性。排除了会议摘要、非学术来源以及与主题缺乏明确相关性的研究。本研究不遵循正式的 PRISMA 工作流程；然而，文献选择旨在确保广泛的覆盖、相关性和该领域最新发展的代表性。符合条件的研究包括：(i) 以英语出版的同行评审全文文章；(ii) 研究 AI 或 ML 在 MFCs 或其他 BES 配置中的应用；以及 (iii) 提供关于建模目标、输入或输出变量、模型性能、优化、监控或控制应用的充分信息。优先考虑 2020 年至 2026 年间出版的研究，尽管必要时保留了早期基础研究报告。仅当邻近的电化学或废水处理领域的研究提供了关于数字孪生、迁移学习、物理信息 ML、预测性维护或现场规模实施等主题的直接可转移证据时，才将其纳入其中。本综述使用了适应的 PRISMA 风格工作流程以提高报告透明度，但不是作为正式注册的系统综述进行的 [42,43]。除识别相关出版物外，还对所选研究进行了关键检查，以区分报告的预测性能和支持证据的方法学强度。由于尚未开发出专门针对生物电化学系统中 AI/ML 应用的验证偏差风险评估工具，因此使用来自叙述性综述文章评估量表、基于 AI 的预测模型的透明报告指南和结构化预测模型偏差风险框架的原则开发了一个工程适应的评估框架。这些既定框架用于方法学指导，并未被视为 BES 研究的正式验证评估工具 [[44], [45], [46]]。每个代表性研究都在以下领域进行评估：(i) 数据集大小、多样性和代表性；(ii) 预测变量和目标变量定义的明确性；(iii) 预处理、缺失数据处理、归一化和特征选择的透明度；(iv) 模型架构和超参数的报告；(v) 训练、验证和测试策略的适当性；(vi) 独立、时间、跨反应器、跨底物或外部验证的使用；(vii) 不确定性、变异性和实验重复性的报告；(viii) 原始数据、代码和模型配置的可用性；以及 (ix) 研究设置对现实 BES 操作的相关性。评估并没有认为高决定系数或低预测误差本身就构成强有力的证据。使用明确分离的测试数据、适当调整模型、多种验证程序、代表性操作条件、不确定性分析以及足够透明报告的研究获得了更大的置信度。当数据集大小不明确、预处理报告不足、性能仅基于同一实验的训练或随机划分观测值进行评估，或者模型性能未超出单一反应器、底物或操作条件进行评估时，证据置信度被认为有限。本评估的结果列在补充表 S1 中，并纳入整个综述的关键解释中。

章节片段
作为 BES 的 MFCs 基础
MFCs 是一种创新的生物电化学系统，通过微生物的代谢过程将储存于有机材料中的化学能转化为电能 [20,47,48]。这种双重功能技术不仅提供了一种通过降解污染物进行废水处理的高效方式，还允许同时生产能源和氢气作为重要的副产品 [10,39]。MFCs 可以通过捕获微生物代谢过程中发出的电子来产生生物能源。

MFCs 的当前限制
当前研究表明，MFC 系统在可持续发电和处理废水方面具有相当大的潜力。尽管已达到一个重要里程碑，但大规模实施仍处于起步阶段，需要进一步调查以改进和扩展该技术。微生物在电极间传输电子和氧化可用底物的效率决定了 MFCs 的能量输出，具有众多因素

AI/ML 在生物电化学系统（BESs）中的出现
经典物理化学原理已被用于估算 BES 数据，包括法拉第定律和欧姆定律、双 Monod 动力学、Nernst-Monod 和 Nernst 方程 [108,109]。然而，这些传统数学模型在 BES 研究中的应用受到限制，因为它们需要对系统的基本机制有全面的了解。近年来，AI 已被用于环境工程，以管理空气质量、水

当前研究趋势和 AI/ML 在 BESs 中的应用
当前综述概述了设计用于优化设计和操作参数的 AI/ML 模型的创建和检查，并比较了它们与传统技术的有效性。文本还检查了如何将微生物群和特定外部因素作为复杂模型的输入变量，从而增强稳定性和能源生产效率的预测准确性。综述展示了自适应控制和连续监控技术，证明

AI/ML 用于智能 MFC 操作和优化
当代关于 BESs 中 AI 应用的学术作品通常采用一种方法，即在预测建模之后使用优化技术。这种方法旨在精确定位导致系统效率峰值的参数配置。

在创建旨在表征系统动态的机器学习驱动模型后，随后的优化过程（通常利用元启发式或混合算法框架）促进了。挑战与未来展望：人工智能/机器学习模型的使用已显示出在改善生物电化学系统（BES）、评估系统性能、提高生产率和启用新功能方面的巨大潜力。但这些发展伴随着阻碍广泛接受和可扩展性的严重障碍。人工智能驱动的生物电化学系统开发和实施取决于应对主要挑战，例如数据不一致、生物关系的内在多样性以及缺乏共同的建模框架。至关重要的是

结论：本综述表明，人工智能和机器学习方法可以补充生物电化学系统建模、监控和优化中的机制、电化学和传统统计方法。目前的研究表明，数据驱动模型可以捕获运行、生物和电化学变量之间的非线性关系，并可以在其训练数据集所代表的条件下提供有用的预测。然而，现有的证据并没有

CRediT 作者声明：Mustapha Omenesa Idris：概念化、方法学、写作 - 原稿准备、验证、写作 - 审阅与编辑、监督、项目管理；Abdulrahman Itopa Suleiman：写作 - 原稿准备、验证、写作 - 审阅与编辑；Dahiru U. Lawal & Ismail Abdulazeez：写作 - 原稿准备、监督、验证、项目管理、写作 - 审阅与编辑；Claudia Guerrero-Barajas, Stephen Sunday Emmanuel, & Dayyabu

伦理批准：不适用。资金：未收到任何资金、拨款或其他支持。利益冲突声明：作者声明没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本报告中所述的工作。Abdulrahman Itopa Suleiman|Mustapha Omenesa Idris|Nkechi Miriam Nwaogaraku|Solomon Obaka|Paul Onu Ogba|Dahiru U. Lawal|Ismail Abdulazeez|Claudia Guerrero-Barajas|Stephen Sunday Emmanuel|Dayyabu Shehu 应用科学学院，科学实验室技术系，科吉州理工学院，尼日利亚，科吉州，洛科贾，邮政信箱 1101