基于ANFIS-QIOA的微生物燃料电池功率密度与COD去除效率协同优化研究

《Desalination and Water Treatment》：Boosting the power density and COD removal efficiency of microbial fuel cell using quadratic interpolation optimization algorithm

　　

微生物燃料电池（microbial fuel cells, MFCs）的性能主要取决于关键运行参数，即磺化度（degree of sulfonation, DoS）、催化剂用量（amount of catalyst, AoC）和曝气速率（aeration rate, AR）。确定这些参数的最优组合对于实现最高输出功率密度（power density, PD）和化学需氧量（chemical oxygen demand, COD）去除率至关重要。研究人员提出的方法包含四个主要阶段：实验研究、自适应神经模糊推理系统（ANFIS）建模、参数识别及验证。首先，通过改变控制参数的输入值进行实验工作以评估MFC的性能。研究人员制备了不同磺化度的磺化聚醚醚酮（SPEEK）膜，并测试了不同AoC和AR条件。这些膜根据所提出的方法在MFC中进行了测试。其次，利用提取的数据并借助人工智能（artificial intelligence, AI），建立了以DoS、AoC和AR为输入的MFC模型。MFC的输出性能通过PD和COD去除率来衡量。第三，采用二次插值优化算法（quadratic interpolation optimization algorithm, QIOA）识别使输出最大化的最优输入集。在优化过程中，DoS、AoC和AR被设为决策变量，目标函数为同时提高PD和COD去除率。第四，对优化结果进行实验验证。在优化点，两个输出的实验验证准确率分别达到98.91%和99.35%。该研究表明，当DoS、AoC和AR的输入值分别为64.64%、0.47 mg/cm2和92.2 mL/min时，可获得最大输出，分别为237 mW/m2和79.88%。总之，所得结果证明了基于AI的模型与QIOA集成在提升MFC性能方面的优越性。

**论文解读：基于ANFIS与QIOA集成的微生物燃料电池多参数协同优化**

**1. 研究背景与问题**

电能是现代社会发展的核心驱动力。目前，化石燃料仍是主要能源，但其使用带来了严重的环境问题，如二氧化碳（CO₂）排放导致臭氧层破坏和全球变暖。因此，开发低成本、可再生的替代能源至关重要。微生物燃料电池（microbial fuel cell, MFC）作为一种能够通过废水中的生物反应产生电能的技术，兼具废水处理和能源生产的双重优势，受到广泛关注。然而，MFC的大规模应用受到关键组件成本高昂的限制，例如铂催化剂和Nafion? 117质子交换膜。为克服这些障碍，研究人员探索了磺化聚醚醚酮（sulfonated poly(ether ether ketone), SPEEK）膜和镍基催化剂等低成本替代品。尽管已有研究分别对磺化度（degree of sulfonation, DS）、催化剂用量等进行优化，但MFC的整体性能受多种电化学和生物因素共同影响，仅优化单一组件不足以实现系统效率最大化。此外，传统实验方法难以覆盖整个输入空间，而基于响应面法（response surface methodology, RSM）的统计模型在高度非线性系统中预测能力有限。因此，亟需一种集成建模与优化策略，以协同确定最优运行参数。

**2. 研究内容与结论**

针对上述问题，本研究提出了一种集实验、人工智能建模、元启发式优化和实验验证于一体的闭环框架，旨在最大化MFC的功率密度（power density, PD）和化学需氧量（chemical oxygen demand, COD）去除率。研究首先通过实验考察磺化度（DoS）、催化剂用量（amount of catalyst, AoC）和曝气速率（aeration rate, AR）对MFC性能的影响；随后利用实验数据构建基于减法聚类的自适应神经模糊推理系统（adaptive network fuzzy inference system, ANFIS）预测模型；接着应用二次插值优化算法（quadratic interpolation optimization algorithm, QIOA）搜索最优参数组合；最后通过实验验证优化结果的准确性。研究结果表明，ANFIS模型在预测PD和COD去除率方面显著优于方差分析（analysis of variance, ANOVA）模型，QIOA寻得的最优参数为DoS 64.64%、AoC 0.47 mg/cm2、AR 92.2 mL/min，在此条件下PD达到237 mW/m2，COD去除率为79.88%，总性能指数较实验基准和ANOVA优化结果分别提升4.3%和3.43%。优化点的实验验证准确率对于PD和COD去除率分别达到98.91%和99.35%。该研究首次将QIOA应用于MFC优化，证明了AI模型与高效优化算法集成在提升MFC综合性能方面的优越性，为低成本、可扩展的MFC系统设计提供了新思路。

**3. 关键技术与方法**

本研究采用的主要技术方法包括：（1）通过受控磺化法制备不同磺化度（10%–100%）的SPEEK膜，并利用傅里叶变换红外光谱（Fourier transform infrared spectroscopy, FTIR）和核磁共振波谱（nuclear magnetic resonance, NMR）表征其化学结构；（2）构建双室MFC反应器，以厌氧污泥（来自棕榈油厂废水，POME-Selangor）作为接种物，以葡萄糖和酵母提取物为底物，采用碳纸电极，阴极负载不同量（0–0.5 mg/cm2）的镍纳米颗粒催化剂；（3）通过系统实验设计（共73组条件）采集数据，基于减法聚类和混合学习算法（最小二乘估计与梯度下降）建立以DoS、AoC和AR为输入，PD和COD去除率为输出的ANFIS模型；（4）应用广义二次插值法的QIOA进行参数寻优，决策变量为三个输入参数，目标函数为PD与COD去除率之和最大化；（5）对优化结果进行实验闭环验证。

**4. 研究结果**

**4.1 实验工作** 对纯PEEK和磺化SPEEK膜进行FTIR分析，光谱证实了磺酸基团（–SO₃H）的成功引入。NMR谱图显示，随磺化度增加，在8.2–8.6 ppm附近出现新的信号峰，归属于磺化芳香环邻近的质子，验证了磺化程度的可控变化。通过单因子实验发现，在DS = 70%、催化剂 = 0.35 mg/cm2、曝气 = 75%时，MFC获得最大功率密度215 mW/m2和88.8%的COD去除率。实验数据表明，过高磺化度会导致膜过度吸水溶胀，增加内阻和机械失效风险；催化剂超过0.35 mg/cm2后性能提升有限，归因于质量传递限制和纳米颗粒团聚；过高曝气速率无益于性能提升，可能由于氧过饱和或气泡阻碍电子传递。MFC输出呈现明显非线性行为，证实了采用高效建模工具的必要性。

**4.2 ANFIS模型结果** 利用73组实验数据建立ANFIS模型，其中51个数据点用于训练，22个用于测试。通过减法聚类生成了20条（PD模型）和19条（COD模型）模糊规则。对于PD模型，均方根误差（root mean square error, RMSE）从ANOVA的60.9降至ANFIS的5.76，降幅达90.47%；决定系数R2从0.92提升至0.98，提高约6.5%。对于COD去除率模型，RMSE从38.9降至5.97，降幅84.6%；R2从0.73提升至0.85，提高约16.4%。高斯型隶属函数（membership function, MF）呈对称连续分布，确保了模型的泛化能力。三维响应曲面显示了PD和COD去除率随输入参数的非线性变化趋势，与ANOVA相比，ANFIS更好地捕捉了变量间的协同和拮抗效应。预测值与实验值高度吻合，验证了ANFIS模型的可靠性。

**4.3 参数优化结果** 采用QIOA进行参数寻优，决策变量为DoS、AoC和AR，目标函数为PD与COD的加权和（总性能指数，TPI）。优化结果显示，归一化最优参数为DoS 0.646、AoC 0.874、AR 0.922，对应实际值64.64%、0.47 mg/cm2和92.2 mL/min，此时PD最大值为237 mW/m2，COD去除率为79.88%。与实验基准相比，PD提升了10.23%，但COD去除率下降了10.05%；与ANOVA优化结果相比，PD提升4.43%，COD去除率提升0.56%。综合而言，TPI较实验和ANOVA分别提升4.3%和3.43%。

**4.4 参数优化的机制解释与对比** 最优DoS约为65%是质子传导率与机械稳定性之间的平衡点：低于该值时磺酸基团密度不足，限制功率输出；高于该值时膜过度吸水溶胀，可能导致电阻升高和交叉渗透。最优催化剂负载0.47 mg/cm2平衡了活性位点数量与扩散限制。最优曝气速率92.2 mL/min对PD有利，但过高的曝气促进氧从阴极扩散至阳极室，破坏产电菌所需的严格厌氧环境，导致部分底物被有氧代谢而非用于产电，从而降低COD去除效率。与文献中其他阴极催化剂对比，本研究使用低成本的镍纳米颗粒催化剂结合SPEEK膜，经QIOA优化后获得237 mW/m2的功率密度和79.88%的COD去除率，性能与复杂贵金属催化剂体系相当，验证了非贵金属配置经系统优化后的可行性和经济性。

**5. 讨论与结论**

讨论部分指出，MFC系统性能受膜、催化剂和曝气等多参数交互影响，单一参数优化不足以实现全局最优。本研究证实了基于AI模型与高效优化算法融合的策略能够有效识别非线性系统中的最优运行区间。结论部分，研究人员提出了一种确定MFC最大功率密度与COD去除率所对应的最优DoS、AoC和AR值的四阶段方法。实验阶段通过构建双室MFC并在不同磺化度、催化剂用量和曝气条件下测试，获得了具有代表性的数据集。ANFIS建模阶段，PD模型的RMSE较ANOVA降低90.47%，R2提升6.5%至0.98；COD模型RMSE降低84.6%，R2提升16.4%至0.85，证明了ANFIS在非线性建模中的优越性。QIOA优化阶段，PD较实验和ANOVA分别提升10.23%和4.43%，COD去除率较ANOVA提升0.56%，总性能指数分别提升4.3%和3.43%。最终实验验证显示，在最优条件（DoS 64.64%、AoC 0.47 mg/cm2、AR 92.2 mL/min）下，PD与COD去除率的预测误差仅为1.09%和0.65%，验证准确率达到98.91%和99.35%。该研究有力地证明了AI模型与QIOA的集成策略对于提升MFC综合性能的有效性。