基于机器学习和深度学习的微生物燃料电池耦合潮汐流人工湿地生物电化学信号预测建模

《Journal of Environmental Chemical Engineering》：Predictive modeling of bioelectrochemical signals in microbial fuel cell-coupled tidal flow treatment wetlands using machine learning and deep learning

　　

基于机器学习和深度学习的微生物燃料电池耦合潮汐流人工湿地生物电化学信号预测建模
• 集成人工湿地-微生物燃料电池系统实现了废水处理与能量回收
• 运行周期控制了碳去除与氮衰减
• 沸石改善了有机物去除并增强了微生物燃料电池（MFCs）中的电压产生
• 长短期记忆网络（LSTM）以高预测精度捕获了非线性时间动态
• 数据驱动优化确定了最大化系统性能的途径

论文解读：机器学习与深度学习在微生物燃料电池耦合潮汐流人工湿地生物电化学信号预测中的应用

一、研究背景与目的
微生物燃料电池（Microbial Fuel Cells, MFCs）利用电活性微生物将有机物中的化学能直接转化为电能，在废水处理、生物修复和传感器供电等方面具有应用前景。人工湿地（Treatment Wetlands, TW）是低成本、易维护的生态处理技术；潮汐流人工湿地通过交替淹水/排空周期强化氧气传输，可促进硝化作用。将MFC与潮汐流TW集成形成TW-MFC系统，可同步实现污染物去除与能量回收。然而，目前多数TW-MFC研究仍处于实验室/中试规模，存在输出功率低且不稳定、内阻高、电极和膜材料耐久性及成本缺乏评估、缺少将淹水-排干周期与稳定产电关联的设计指南等问题。传统机理模型难以描述生物电化学系统中复杂的非线性动态，因此需要借助机器学习与深度学习对电压等信号进行建模、预测和优化。

二、研究内容与总体结论
研究人员在亚热带气候（Cwa，年平均降水1260 mm，年均温19.5 °C）条件下，以市政污水为进水，建立4个种植Cymbopogon winterianus（30株 m^-2）的中试潮汐流人工湿地，接种上流式厌氧污泥床（UASB）污泥以富集阳极电活性微生物。采用2×2因子设计，因素为淹水周期（8 h/4 h或20 h/4 h）和填料（砾石或砾石+4%沸石），组合为8G、8Z、20G、20Z。系统经60天驯化后运行180天，通过ESP32微控制器自动记录电压（30 min间隔），并定期分析水质。结果表明，较短淹水周期（8 h）和添加沸石均能提高平均电压，其中8Z最高（229.9 mV）；所有系统均显著去除COD、BOD和TOC，但氮去除主要受周期长度影响。模型方面，LSTM预测精度最高（R²=0.8530，RMSE=24.40 mV），优于随机森林（R²=0.644）和XGBoost（R²=0.406）。贝叶斯优化确定最优运行条件为2周期/天、淹水8.73 h、排空3.27 h、沸石填料，预测电压约288 mV。该研究验证了数据驱动方法在TW-MFC电压动态建模和操作优化中的有效性。

三、主要技术方法
实验系统为4个500 L聚乙烯罐，底部铺设1 m铜棒（包裹聚氨酯泡沫）作为阳极，通过1000 Ω外电阻连接ESP32微控制器，形成阳极（饱和厌氧区）与阴极（好氧区）之间的电压记录。进水为市政污水，进/出水电磁阀由C++程序控制。建模数据为连续180天、每30 min的电压序列。机器学习算法采用XGBoost和随机森林（Random Forest），深度学习采用单层长短期记忆网络（LSTM），并按时间顺序80:20划分训练/测试集，引入滞后项（lag1–lag5）考察时间记忆。优化采用以XGBoost为代理模型的贝叶斯优化（Bayesian Optimization），搜索决策变量为淹水时间比例、每日周期数和填料类型。

四、研究结果
3.1 人工湿地性能
水质分析显示，除电导率、总溶解固体（TDS）和钠外，多数参数在进水和出水间差异显著（Dunnett检验，α=0.05）。沸石填料系统（尤其8Z）的色度和浊度更低，溶解氧（DO）略低，归因于沸石的高比表面积、多孔结构和阳离子交换容量。生化需氧量（BOD）去除受填料类型显著影响，含沸石系统出水BOD更低；8 h和20 h淹水周期间无显著差异，表明易降解有机物在8 h内已基本去除。化学需氧量（COD）和总有机碳（TOC）均显著降低。氮方面，总氨氮（TAN）去除在填料间无显著差异，可能与较短进水时间和沸石投加量不足有关；硝酸盐氮（NO₃^--N）去除率在20 h系统中更高（74% vs 64%），表明较长淹水期促进反硝化。总磷和钠去除不显著。

3.2 生物电特性
电压在0–435.5 mV范围内波动，各处理平均电压顺序为8Z（229.9 mV）>20Z（146.3 mV）>8G（99.9 mV）>20G（75.8 mV）。短周期（8 h）因排空频率高、促进阴极复氧而提高电压；沸石因高比表面积和离子交换能力增强电活性生物膜形成和底物保留。电压呈与潮汐周期同步的峰-谷模式：淹水期氧消耗导致电压下降，排空期空气进入恢复氧梯度使电压回升。电流测量进一步确认电压作为系统状态的指示变量，8Z平均电流最高（256.7 μA）。

3.3 电压时间建模
3.3.1 随机森林与XGBoost模型
XGBoost预测电压的R²=0.406，RMSE=47.064 mV，特征重要性显示填料（0.416）和滞后电压（0.409）为主要变量。随机森林模型R²=0.644，RMSE=36.4 mV，但95%特征重要性集中于滞后变量。不包含记忆项时模型性能极差（R²=-1.19）；加入一阶滞后后R²升至0.723，再加入lag1–lag5仅小幅改善至0.742。这说明电压具有短期但主导的电化学记忆。

3.3.2 LSTM模型
LSTM模型采用滑动窗口输入，单层LSTM加全连接层，并应用dropout正则化。训练50轮后稳定收敛，R²=0.8530，RMSE=24.40 mV，显著优于树模型。LSTM成功捕捉了电压随时间变化的周期性高峰与衰减，以及中期到长期的非线性依赖，说明系统动态复杂，显式自回归项不足以完全描述。

3.3.3 优化
使用XGBoost作为代理模型与贝叶斯优化结合，搜索空间限定为2–3周期/天。响应面显示，淹水相比例在0.63–0.73时预测电压最高。最优条件为2周期/天、淹水8.73 h、排空3.27 h、沸石填料，预测电压约288 mV，该点落在8Z处理观测范围（1.5–429 mV）内，并与实验均值一致。该结果支持较长有效淹水时间同时保持适当复氧对产电的促进作用。

五、讨论与结论
讨论指出，电压生成主要受时间依赖性和内部电化学动态控制，单独的操作变量无法预测瞬时波动。LSTM凭借门控机制（输入门、遗忘门、输出门）有效刻画了长期依赖，优于传统树模型及显式滞后项模型。优化结果表明，延长有效淹水时间并维持足够排空复氧是提高产电的关键，沸石作为填料可增强微生物定殖和底物保留，尽管产电绝对值相对较低，但电压可作为在线监测变量反映系统氧化还原状态与生物膜状况，电流则证实存在可量化的次级能量回收潜力。

结论部分翻译为：较短淹水/排空周期（8 h）显著提高了潮汐流人工湿地-微生物燃料电池系统的能量产生，8 h周期优于20 h淹水期；沸石作为部分填料进一步改善系统性能，归因于其高表面积、孔隙率和阳离子交换容量，促进微生物定殖和底物保留，从而强化有机物去除，但对氮形态的影响较轻微。建模结果显示，电压产生强烈受时间依赖性和内部电化学动态控制；常规模型表现不佳，而自回归项和LSTM模型捕获了复杂时间模式和非线性行为。机器学习与贝叶斯优化结合可识别最大化电压的操作条件。电压主要作为系统内部电化学状态的预测和监测变量，实测电流确认生物电化学活动可转化为可量化的次级能量回收潜力。总体而言，这些结果证明了潮汐流人工湿地耦合微生物燃料电池在可持续废水处理和能量回收方面的潜力，并凸显了将实验监测与先进建模相结合以指导系统优化的价值。