迈向将机械学、微生物学和机器学习方法整合到厌氧消化建模与控制中：当前进展与实施策略的综述

《Bioresource Technology》：Towards the integration of mechanistic, microbial, and machine learning approaches in anaerobic digestion modelling and control: a review of current progress and implementation strategies

　　• 机器学习（ML）替代算法和简化的ADM1模型可能会降低工业应用的计算复杂性。• 将微生物群落纳入ADM1模型中可能有助于优化厌氧共消化过程。• 领域集成对于开发智能化的厌氧消化（AD）数字系统至关重要。• 结合机械机理、微生物学和机器学习的混合方法，以及控制机制，在AD系统中具有很大的应用潜力。

引言
厌氧消化（AD）是一种成熟的可再生能源技术，用于能源回收和废物转化，可产生沼气和有机消化物。根据英国净零战略，每年英国有约4600万吨有机物通过AD处理，减少了填埋场的甲烷排放，并生产了沼气和肥料（ADBA，2024年；DEZNZ，2021年）。然而，由于复杂的生化动态，操作者通常采用保守的原料加载策略，这降低了英国有超过740个AD工厂的运行效率（ADBA，2024年；Murali等人，2026年）。这种情况限制了沼气的产量，并限制了可利用的有机废物种类，从而限制了该行业所能提供的总体经济和环境价值，同时也凸显出改进决策支持工具的必要性。

系统生物学和机理建模在过去被用来描述复杂的AD动态，这些过程主要依赖于Batstone等人（2002年）提出的厌氧消化模型No.1（ADM1）。截至2025年12月31日，通过对英文发表的原创研究和综述文章进行的Scopus文献计量学搜索（标题-摘要-关键词限定为“anaerobic digestion”和“modelling”），共找到了2,895篇相关出版物。进一步搜索发现，大约30%（865篇论文）专门引用了ADM1模型。ADM1模拟了五个生化阶段：分解、水解、产酸、产乙酸和产甲烷，以及生长和衰减过程。然而，由于其高维参数空间，实际应用存在严重限制——需要拟合100个模型参数。这些参数难以通过标准的工业传感器数据来识别，这些数据通常包括在线沼气流量和组成、消化器pH值和碱度、温度以及总化学需氧量（COD）或固体测量值。这种模型与实际设备的匹配度较低，导致实时优化受到高执行时间和状态估计挑战的影响（Emebu等人，2022年；Ge等人，2023年；Onu等人，2023年；Ramachandran等人，2019年）。最近的一个数字孪生框架试图通过推广适用于工业的动态参数来克服校准瓶颈。然而，确定性的动力学对参数不确定性和初始条件非常敏感，因为它们是以一组常微分方程（ODEs）的形式建立的（Moretta等人，2021年）。这导致了高分辨率数据需求与工业中通常收集的稀疏数据集之间的结构不匹配（Mudzanani等人，2023年）。历史数据中缺乏动态激励因素导致了一个数学上不稳定的参数估计问题，使得标准非线性回归技术无法可靠地进行参数估计。对于机理框架来说，由于缺乏高分辨率的瞬态数据，无法准确进行状态估计，这在求解微分方程时会产生累积误差。

此外，当ADM1应用于新原料和变化的操作条件时，其结构局限性更为明显，因为它将数千种微生物归类为八个固定的功能组，并使用静态的单细胞动力学模型，而不是明确的生态规则。在实际情况中，原料变化或有机负荷直接会影响微生物群落（MC）。实验结果还表明，MC的性质和结构会影响反应器的性能（Ramirez等人，2009b；Weinrich等人，2019年）。属于同一功能类别的微生物往往具有不同的动力学特性、环境耐受性和共生依赖性，因此在相似的操作条件下会导致明显的反应器性能差异（Ramirez等人，2009b；Weinrich等人，2019年）。例如，温度或有机负荷率的增加可能会促进快速生长的产酸菌群，使其超过共生和产甲烷菌群的消耗能力，从而引发挥发性脂肪酸（VFA）的积累和pH值下降，可能导致酸化及过程不稳定（Westerholm等人，2022年）。因此，MC组成的变化会改变AD过程中的代谢阶段平衡，影响沼气产量、稳定性和过程韧性。因此，这种黑箱方法无法解释实时的分类变化、功能冗余或物种间的竞争，从而限制了其在不同底物上的通用性（Liu等人，2020年）。尽管考虑这些动态特性会增加计算需求，但对于预测过程韧性来说这是必要的。因此，ADM1本身缺乏生物学灵活性，加上实时微生物响应测量的难度，极大地限制了其在非标准底物上的应用（Moretta等人，2021年）。这些微生物动态的复杂性导致消化过程的不可预测性波动，进而影响沼气产量（Long等人，2021年）。

因此，机器学习（ML）方法因能直接从工厂数据中提取模式而受到关注，从而改善AD系统的预测和操作决策（Andrade Cruz等人，2022年）。黑箱模型（如神经网络）在训练完成后可以提供快速预测，而无需明确表示AD过程的底层动态（Ramachandran等人，2019年）。ML方法也被提议作为ADM1的替代方案，以减少执行时间、对专业知识的依赖和重新校准的需求（Onu等人，2023年）。当在大量数据集上进行训练时，ML模型可以快速估计ADM1参数，即使对于涉及共底物的复杂过程也是如此（Gupta等人，2023年；Onu等人，2023年）。Murali等人（2025年）展示了ML算法在有限的数据集和原料变化条件下预测单个全规模AD单元沼气产量的有效性。Khan等人（2023年）回顾了AI在厌氧共消化（ACoD）中的应用，指出了数据稀缺和缺乏MC信息明确整合的类似问题。虽然ML在实时工业应用中越来越受欢迎，但独立的黑箱模型在处理过程不确定性和有限训练范围时可能会遇到挑战，导致外推性能不佳。同样，纯数据驱动的AI方法也严重依赖历史训练数据。由于这些模型主要基于稳定、稳态期的数据进行训练，因此在突然的操作变化、生物扰动或非理想混合事件中往往无法准确外推。因此，在变化条件下预测产量仍然困难，因为确定性模型和纯数据驱动的AI方法都难以调和现场数据的多样性（Murali等人，2026年）。实施基于时间的在线混合ML模型（如自适应随机森林）对于克服智能管理系统中的不规则操作预测挑战是必要的（Zhang等人，2026年）。

元组学、机器学习（ML）和过程系统工程的最新进展为解决这些限制提供了新的机会。特别是，元组学技术（包括宏基因组学、宏转录组学和代谢组学）能够详细分析微生物组的活性，提供定量数据（如相对丰度和推断的通量分布），这些数据可以直接与ADM1模型状态关联。此外，将MC与AD操作联系起来有助于揭示潜在的代谢途径、生态角色和物种间关系，并预测系统稳定性。因此，通过模型简化技术或ML减少ADM1模型的复杂性，同时结合MC信息是至关重要的。将MC数据与数据驱动的、基于AI的数字孪生模型相结合，可以解决模型结构不匹配的问题，加快模拟速度，并提高过程控制效果。然而，现有文献大多将动力学建模、微生物生态学和过程控制视为独立领域，未能系统地综合这些领域如何协同支持工业规模的预测决策。本综述解决了这一关键问题。虽然之前的综述分别研究了ADM1模型、修改和扩展（Batstone等人，2006年；Donoso-Bravo等人，2022年；Mo等人，2023年）、微生物建模（Qian等人，2021年）、控制策略（Jimenez等人，2015年）以及ML在AD中的应用（Gupta等人，2023年），但本综述提供了三个方面的综合视角：首先，我们探讨了如何将ADM1扩展、微生物模型和ML替代算法结合成适合工业监控和控制的集成框架；其次，我们评估了全规模可用的微生物和过程测量的真实性和可用性；第三，我们进行了跨领域分析，将建模选择与控制和数字孪生实施的含义直接联系起来。本综述不仅提供了全面的文献综述，还策略性地筛选并强调了阻碍准确和自适应过程模型应用于现场决策的关键技术障碍，为研究社区指明了新的整合方向。

###ADM1模型概述与结构
机理模型已被广泛用于预测生化过程的性能。ADM1是应用最广泛的AD模型（Batstone等人，2002年）。ADM1模型结合了质量和电荷平衡，以考虑AD过程中发生的关键生物和物理化学过程，该模型最初是为废水处理设计的，其中COD是主要关注参数（Montecchio等人，2019年；Mudzanani等人，2023年）。

尽管对整个AD过程有全面的了解，但其背后的生物机制尚未完全表征。数学模型经常无法考虑到执行相同功能的多种物种和生物体。然而，实验研究表明，MC的结构和特性会因工艺条件而改变，从而影响反应器的性能（Ramirez等人，2009b）。例如，总氨含量...

###厌氧消化器的控制
由于系统的复杂性和非线性，确保AD过程的稳定运行面临一些困难。过程不稳定通常由温度变化、微生物活动引起的pH值变化以及多样化原料的不可预测性引起，需要连续监测和控制。由于传统的机理模型难以实时捕捉这些快速的分类和代谢变化，操作者在管理和调节方面面临重大挑战。

###未来方向与集成范围
从实验室规模的概念验证向现场适用的工业自动化转变需要从单一领域研究转向多学科集成解决方案。当前的建模工作往往是分开进行的，其中ADM1模型表示AD过程的底层机制，MC分析提供生物学信息，ML提供预测未建模现象的速度和准确性，而控制应用通常基于模拟...

###结论
原始的ADM1模型仍然是表示AD过程机制的标准模型，但由于计算需求高以及难以监测大量状态变量和参数，它被广泛认为不适合实时应用（Emebu等人，2022年）。尽管修改提高了模型的准确性和AD过程的表示能力，但尚未解决工业应用的根本瓶颈。为了准确评估...

###作者贡献声明
Rohit Murali：撰写——原始草稿、可视化、软件、方法论、调查、概念化。
Benaissa Dekhici：撰写——审阅与编辑、监督、调查、概念化。
Bang Du：撰写——原始草稿、方法论。
Bing Guo：撰写——审阅与编辑、监督。
Tao Chen：撰写——审阅与编辑、监督。
Dongda Zhang：撰写——审阅与编辑、监督。
Michael Short：撰写——审阅与编辑、监督、资源整理、项目组织。

###未引用的参考文献
Batstone (2002)。

###利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。

###致谢
本项工作得到了Surrey Institute for People-Centred AI (PAI)以及Engineering and Physical Sciences Research Council EP/Y005600/1（AI for Net Zero项目）和Supergen Bioenergy Hub (EP/Y016300/1)的支持和资助。

Rohit Murali | Benaissa Dekhici | Bang Du | Bing Guo | Tao Chen | Dongda Zhang | Michael Short