# 中文标题 基于响应面法与机器学习联合优化聚氨酯(PU)生物降解过程的数学模型构建

《South African Journal of Chemical Engineering》:Mathematical modelling for process optimization of polyurethane (PU) biodegradation using combined response surface methodology and machine learning approaches

【字体: 大 中 小 】 时间:2026年09月21日 来源:South African Journal of Chemical Engineering 6.3

编辑推荐:

  # 专业术语翻译摘要 聚氨酯(polyurethane, PU)是一类通过异氰酸酯与含活性氢羟基化合物加成反应形成的合成聚合物,其氨基甲酸酯键赋予材料热力学稳定且坚固的聚合物网络结构。由于其化学和机械性能的多功能性,PU被广泛应用于各行业,导致其在自然环境中

  
# 专业术语翻译摘要

聚氨酯(polyurethane, PU)是一类通过异氰酸酯与含活性氢羟基化合物加成反应形成的合成聚合物,其氨基甲酸酯键赋予材料热力学稳定且坚固的聚合物网络结构。由于其化学和机械性能的多功能性,PU被广泛应用于各行业,导致其在自然环境中长期累积。有限的回收策略使得PU废弃物主要通过填埋或焚烧处理,二者均造成严重的环境后果。为实现PU废弃物的可持续管理,研究已转向生物解聚策略。

生物降解通过三个连续阶段发生:生物劣化(biodeterioration)、生物碎裂(biofragmentation)和同化(assimilation)。既往研究已鉴定出多种能够降解PU材料的细菌属和真菌物种,其中真菌因其能够产生多种胞外酶而被公认为更有效的降解菌。然而,真菌降解效率高度依赖于生长条件,包括pH、温度、营养物质浓度和孵育时间等。优化PU生物降解常采用实验设计(design of experiments, DOE)方法,其中响应面法(response surface methodology, RSM)被广泛用于评估不同变量对生物降解效率的影响,中心复合设计(central composite design, CCD)则常用于评估线性、交互和二次效应。除实验优化外,机器学习(machine learning, ML)亦已成为模拟生物降解过程的前沿计算方法。尽管RSM和ML在生物降解研究中均展现出显著潜力,但二者联合应用于PU生物降解的系统研究仍较缺乏。

为填补上述空白,本研究采用CCD进行工艺优化,并进一步开发RSM与ML模型以预测生物降解效率。研究结果显示,通过逐步优化,Fusarium parceramosum对PU泡沫的生物降解效率达到96.22%。所开发的机器学习模型,包括径向基函数神经网络(RBFNN)、单层前馈神经网络(SLFNN)、支持向量回归(SVR)和随机森林(Random Forest),均能有效预测PU生物降解效率(R2≈0.82–0.84)。酶学分析(脲酶和脲烷酶)与分析表征(重量分析法、SEM、FTIR、XRD和GC–MS)共同证实了PU泡沫的有效降解。本研究为首次将统计学、机器学习与分析手段相整合以强化PU生物降解的综合报道,并支持可持续发展目标SDG 12(负责任消费和生产)与SDG 13(气候行动)。
# 论文解读

## 一、研究背景与科学问题

聚氨酯(polyurethane, PU)是一类含有氨基甲酸酯键的合成聚合物,由异氰酸酯与含活性氢的羟基化合物通过加成反应生成。凭借其优异的化学和机械性能,PU被广泛应用于泡沫、涂料、粘合剂、弹性体等多个工业领域,由此导致其在自然环境中长期大量积累。目前PU废弃物的处理主要依赖填埋和焚烧两种方式,但二者均存在显著的环境弊端:填埋过程中PU缓慢分解,可能向周围环境释放潜在有毒降解产物;焚烧则导致二次污染物的排放。在此背景下,生物降解(biodegradation)作为一种环境友好的聚合物废弃物管理策略受到日益关注。

生物降解过程涉及三个连续阶段:生物劣化(biodeterioration)、生物碎裂(biofragmentation)和同化(assimilation)。已有研究鉴定了多种具有PU降解能力的微生物,包括Corynebacterium、Bacillus、Comamonas、Pseudomonas等细菌属,以及Geomyces pannorum、Nectria gliocladioides、Penicillium ochrochloron和Fusarium solani等真菌物种。其中,真菌因其能够产生多种胞外酶(包括水解酶、漆酶和过氧化物酶)而被认为具有更强的聚合物解聚能力。然而,真菌降解效率高度依赖培养条件,如pH、温度、营养物浓度和孵育时间等,这些因素通过调控酶分泌和微生物代谢活性来影响降解效果。

在工艺优化方面,传统单因素逐一试验法(one-factor-at-a-time, OFAT)效率低且无法揭示因素间交互作用,而实验设计(DOE)方法能够同时评估多个工艺变量及其对生物降解效率的联合效应。响应面法(RSM)作为常用的DOE策略,结合中心复合设计(CCD),被广泛用于评估变量的线性效应、交互效应和二次效应。尽管RSM和机器学习在生物降解研究中均展现了良好的应用潜力,但两者联合用于PU生物降解优化与预测的研究尚未得到系统探索。本研究正是基于这一研究空白,采用CCD进行工艺优化,并构建RSM与多种机器学习模型以预测PU生物降解效率,为可持续PU废弃物管理提供理论基础和技术支撑。

## 二、研究目的与研究内容

本研究旨在通过统计优化与机器学习建模相结合的集成策略,系统优化Fusarium parceramosum对PU泡沫的生物降解工艺。研究团队首先采用定制筛选设计识别显著影响PU生物降解的关键工艺参数,继而通过CCD优化确定最佳降解条件。在此基础上,研究人员开发并比较了RSM、单层前馈神经网络(SLFNN)、径向基函数神经网络(RBFNN)、支持向量回归(SVR)和随机森林(Random Forest)等多种预测模型的性能。同时,通过重量分析、酶活测定、扫描电子显微镜(SEM)、傅里叶变换红外光谱(FTIR)、X射线衍射(XRD)和气相色谱-质谱联用(GC–MS)等多重分析手段全面表征PU生物降解过程,并基于检测到的降解中间产物提出推测性代谢途径。

## 三、主要关键技术方法

本研究采用以下主要技术方法:(1)定制筛选设计与中心复合设计:利用JMP统计软件进行实验设计和数据分析,通过两阶段策略(筛选→优化)识别关键变量并确定最优工艺条件;(2)响应面模型构建:采用含线性项、二次项和交互项的二阶多项式模型描述变量与响应之间的关系,引入岭正则化(α=0.0001)提升数值稳定性;(3)四种机器学习模型:在Python环境中使用TensorFlow–Keras和Scikit-learn库实现SLFNN、RBFNN(核岭回归近似)、SVR和随机森林模型,所有模型基于完整的21组CCD实验数据进行训练和评估;(4)多种分析表征手段:重量分析法测定失重率,酚-次氯酸盐显色法测定脲酶和脲烷酶活性,SEM结合EDS观察表面形态和元素组成变化,FTIR分析化学结构变化,XRD评估结晶度变化,GC–MS鉴定降解中间产物。本研究所用真菌菌株为Fusarium parceramosum,分离自印度,经ITS rRNA测序鉴定,保藏于印度国家微生物资源中心(NCMR),GenBank登录号为OM103045,NCMR保藏号为MCC 9776。

## 四、研究结果

### 4.1 实验筛选确定显著影响因子

在25组筛选试验中,PU生物降解率介于0%至24.92%之间,表明所选工艺变量对降解效率具有显著影响。Run 19在25天内实现最高24.92%的失重率,模型R2值为0.85(p=0.0362),表明模型在统计学上显著。仅真菌处理样品出现PU泡沫碎裂现象,而对照样品保持结构完整,证明降解主要由真菌活动而非非生物因素驱动。基于JMP软件的Logworth值分析,搅拌速度、pH和接种量被确定为最显著的影响因子,进入后续CCD优化阶段。

### 4.2 CCD优化显著提升降解效率

CCD实验包含21组运行,考察搅拌速度、pH、接种量和孵育时间的影响。Run 20在搅拌速度150 rpm、pH 5、接种量6 mm、孵育40天的条件下实现最高96.22%的PU降解率,而CCD模型预测值约为93%,预测与实验值的高度一致性验证了RSM模型的充分性和预测能力。ANOVA分析显示模型F值为2.8737(p=0.0834),R2为0.84,表明模型可解释84%的PU降解变异性。在线性项中,搅拌速度(p=0.0185)和pH(p=0.0201)对PU生物降解影响显著;交互项中,搅拌速度与pH的交互作用显著(p=0.0717)。响应面图和交互作用图进一步揭示了变量间的复杂关系。值得注意的是,在预测最优条件(50天)下的独立验证实验获得88±2%的失重率,低于40天时的96.22%,提示延长孵育时间并不必然增加失重率,这与长期培养中真菌活性变化及PU碎裂对聚合物回收量的影响有关。CCD优化使降解效率从筛选阶段的24.92%提高至96.22%,显著优于既往报道的多种真菌降解效率(65.30%–88.84%)。

### 4.3 机器学习模型预测性能评估

在模型预测性能比较中,RSM(R2=0.84,RMSE=17.71)、RBFNN(R2=0.8210,RMSE=10.89)、SVR(R2=0.8251,RMSE=10.76)和随机森林(R2=0.8200,RMSE=10.92)均展现出良好的预测能力,而SLFNN的预测精度相对较低(R2=0.6549,RMSE=15.12)。SVR和RBFNN表现最优,这得益于核基学习方法在小样本非线性建模中的优势。RBFNN和SVR作为最优ML模型,其预测性能与RSM模型相当,表明统计优化与机器学习方法可互为补充。

### 4.4 重量分析与酶学验证

重量分析显示PU降解率从未优化条件下的16.73%,经筛选提升至24.92%,经CCD优化后达到96.22%。酶活测定显示,未优化条件下脲烷酶和脲酶活性分别为328.53 U/mL和526.97 U/mL;CCD优化条件下分别增至611.91 U/mL和793.76 U/mL,与重量分析结果一致。脲烷酶参与氨基甲酸酯键的断裂,脲酶则催化PU中脲键的水解,二者的协同作用促进聚合物主链的降解。

### 4.5 SEM与EDS证实表面形态改变

SEM分析显示对照样品表面结构完整,而筛选样品出现表面侵蚀、孔洞扩大和基质破坏,CCD优化样品则呈现广泛的泡沫壁变薄、基质破裂和表面不规则性增加。EDS分析表明碳含量从对照的61.6 wt.%降至筛选样品的56.8 wt.%,氧含量从16.0 wt.%升至31.8 wt.%,CCD条件下碳为65.1 wt.%、氧为19.8 wt.%、氮为15.1 wt.%,元素比例变化反映了酶促降解引起的表面化学修饰。

### 4.6 FTIR和XRD揭示化学与结构变化

FTIR分析显示处理样品中N–H伸缩峰、酯C=O峰和C–O伸缩峰的强度发生变化,并出现新的吸收峰(2214、2083、2117、1989 cm?1),指示CN/N=C=O基团的形成,证实PU化学结构的渐进性修饰。XRD分析显示所有样品在2θ≈15–25°呈现非晶态宽峰,在2θ≈28–30°出现结晶峰。结晶度从对照的38–40%升至筛选样品的48–50%,进一步升至CCD优化样品的52–54%,归因于非晶态区域优先降解导致的结晶域相对富集。

### 4.7 GC–MS鉴定降解中间产物

GC–MS分析鉴定出多种降解中间产物,包括氨基甲酸酯(urethane)、异氰酸氢(hydrogen isocyanate)、甘油(glycerin)和3-甲基苯基脲(urea, (3-methylphenyl)-),这些化合物仅存在于处理样品中,证实PU在CCD条件下被有效降解。基于检测到的代谢产物,研究团队提出了推测性代谢途径:氨基甲酸酯水解产生乙醇、氨和CO?;异氰酸氢水解释放氨并通过GS-GOGAT途径同化;甘油转化为磷酸二羟丙酮进入糖酵解途径;3-甲基苯基脲可能通过儿茶酚介导途径转化为琥珀酰-CoA和乙酰-CoA。最终这些PU衍生中间产物通过多个入口汇聚至TCA循环,支持微生物生长和能量产生。

## 五、讨论与结论

本研究的讨论部分指出,RSM能够有效建模变量间的二次关系并识别因子交互作用,但其多项式形式限制了捕捉高度非线性关系的能力;ML模型特别是核基方法的RBFNN和SVR,在建模复杂非线性关系方面具有优势,尤其适用于小样本实验数据。两种方法的互补整合为PU生物降解工艺的优化与预测提供了更全面的框架。研究同时指出,由于生物降解实验耗时较长、资源消耗大,本研究中ML模型基于有限的CCD数据集(21组实验)开发,未进行独立的训练-测试划分或外部验证,因此模型性能反映的是在现有CCD数据集内的拟合优度,其泛化能力需在后续研究中进一步验证。此外,重量分析结果应视为PU劣化和生物碎裂的指标,而非完全生物降解或矿化的直接证据。

研究结论表明:Fusarium parceramosum在优化培养条件下展现出高效的PU废弃物生物降解潜力,降解效率从初始筛选的24.92%提升至CCD优化后的96.22%,反映了PU劣化和生物碎裂而非完全矿化;pH和搅拌速度被确定为最具影响力的工艺参数;在评估的ML模型中,RBFNN、SVR和随机森林展现出与RSM模型相当的预测性能,凸显了统计与机器学习方法整合建模复杂生物降解过程的潜力;通过最大重量损失(96.22%)、增强的酶活性、SEM观察到的显著表面形态变化、FTIR和XRD确认的结构和化学修饰以及GC–MS鉴定的降解中间产物等多重互补指标,全面验证了优化生物降解过程的有效性。检测到的代谢产物进一步为PU降解的推测性代谢途径提供了见解。优化后的生物降解策略为放大试验和工业应用奠定了基础,未来研究应聚焦于微生物联合体构建、中试规模验证和生物反应器开发。本研究为PU废弃物管理提供了可持续的生物方案,并支持联合国可持续发展目标SDG 12(负责任消费与生产)和SDG 13(气候行动)的实现。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号