利用机器学习优化核黄素介导的污泥发酵中挥发性脂肪酸的生产

废弃活性污泥(WAS)是城市污水处理厂(MWTP)中产生最多的副产品，其处置会造成二次污染，严重威胁环境。从WAS生产挥发性脂肪酸(VFA)是一项很有前途的技术，可以重复利用与WAS复合物相关的有机碳。

此外，VFA可以有利于生物可降解塑料的下游合成以及在实验室规模、中试规模和大规模应用中去除MWTP中的营养物质。然而，VFA发酵是一个复杂、繁琐的过程，采用碱、超声波和热预处理可促进VFA的产生;它们耗能且不经济，限制了其大规模工程应用。

研究人员指出，使用化学氧化还原介质可以提高发酵VFA的产量，尤其是核黄素，这是一种经济实惠且环保的氧化还原介质。然而，该过程高度复杂，受各种环境因素、中间体和工艺条件的影响。

虽然目前的单因素实验可以通过费时费力的测试来揭示VFA生产的各个驱动因素的初步反应，但无法揭示它们之间的相互作用。此外，它无法优化多种操作条件以实现WAS最大VFA产量。

为了优化这个复杂的发酵过程，研究人员探索了机器学习(ML)的应用。与数学模型不同，机器学习模型独立于生物过程和内在机制，可以预测相关目标并提取和识别不同变量的特征重要性。

尽管机器学习模型已被用来开发强大的数据驱动软传感器来预测厌氧消化系统中VFA的产量，但很少有人尝试考虑各种输入变量之间的交互效应，从而确定理想的输出和最佳工艺条件。

因此，为了开发一种经济高效的机器学习模型来预测核黄素介导的WAS发酵系统中VFA的产量，杭州电子科技大学的研究团队测试了ANN、XGBoost和RF。这项题为“机器学习使核黄素介导的污泥发酵中VFA生产的预测和过程优化”的研究在线发表在《FrontiersofEnvironmentalScience&Engineering》上。

考虑输入变量(pH、温度、发酵时间、可溶性蛋白、总碳水化合物、还原糖、NH4+–N和核黄素用量)、输出变量(VFA产量)和微生物群落，实验数据来自以前的研究。

在本研究中，根据最佳机器学习模型分析了输入变量在预测VFA产量中的重要性并进行了排名。此外，还应用优化算法来预测最大VFA产量和相应的工艺条件。

结果表明，在三种测试的机器学习算法中，极限梯度提升(XGBoost)呈现出最好的预测性能和出色的泛化能力，具有最高的测试决定系数(R2为0.93)和最低的均方根误差(RMSE为0.070))。

Shepley加法解释(SHAP)方法也用于分析特征重要性，发现它们的相互作用、pH和可溶性蛋白质是建模中最重要的两个输入特征。研究利用遗传算法(GA)和粒子群优化(PSO)找到VFA输出的最优解，预测最大VFA输出为650mgCOD/gVSS。

这些结果提供了一种数据驱动的方法来预测和优化核黄素介导的WAS发酵的VFA产量。通过将化学处理和机器学习相结合，研究人员不仅成功提高了VFA的生产效率，还为废物活性污泥的可持续管理开辟了新的可能性。

这一进展预计将对环境保护和资源回收发挥关键作用，为未来城市污水处理带来积极影响。