编辑推荐：
生物气产率预测模型通过混合元启发式算法优化人工神经网络构建，采用NaOH浓度、温度、反应时间三个输入变量预测四个输出指标（甲烷产量、浓度、效率及挥发性固体去除率）。实验表明混合GA-PSO算法在甲烷浓度（R=0.93）和挥发性固体去除率（R=0.96）方面表现最优，RMSE值均低于0.25，温度与NaOH浓度是主要影响因素。
作者：Arezoo Ghadiri、Maryam Pazoki、Saeed Erfani
所属机构：伊朗德黑兰大学环境学院环境工程系
摘要：
来自生物质的沼气逐渐被研究者视为清洁和可持续能源系统中的关键组成部分。为了预测在不同操作条件下的沼气产量，本研究开发了一个人工神经网络（ANN）模型，并分别使用四种元启发式算法对其进行优化：遗传算法（GA）、粒子群优化（PSO）、帝国竞争算法（ICA）以及GA-PSO混合算法。该模型通过三个工艺参数（NaOH浓度、温度和反应时间）来预测四个输出指标：甲烷产量、甲烷浓度、甲烷效率以及挥发性固体的去除率。结果表明，GA-PSO混合算法在甲烷浓度预测方面表现最佳（相关系数R约为0.93，均方根误差RMSE约为0.22）；在挥发性固体去除率预测方面也表现优异（R约为0.96，RMSE约为0.15）；其他输出指标的相关系数在0.89至0.90之间，RMSE约为0.28。敏感性分析显示，温度和NaOH浓度是影响甲烷产量的主要因素。这些结果证明了混合优化方法在提升基于ANN的沼气模型性能方面的有效性，并为提高厌氧消化效率提供了实际建议。
引言
从化石能源向可再生能源系统的转型已成为21世纪最重大的全球挑战之一。不断增长的能源需求、环境恶化以及传统能源资源的枯竭促使社会寻求更清洁、更可持续的能源解决方案[1]。根据国际能源署（IEA）的最新报告，2023年全球一次能源消费量增长了近2%，其中化石燃料仍占能源使用总量的五分之四以上，而可再生能源仅贡献了约14%[2]。如果当前政策得以延续，预计到2030年可再生能源将占到全球能源结构的近三分之一[3]。
在不断扩大的可再生能源体系中，生物能源（尤其是通过厌氧消化产生的沼气）因其在废物转化和可再生能源生产中的双重作用而受到越来越多的关注[4]。厌氧消化将有机废弃物转化为富含甲烷的沼气，有助于减少温室气体排放并提升环境可持续性[5][6]。
尽管具有这些优势，厌氧消化过程仍具有高度复杂性和非线性特征，受温度、pH值、底物组成、停留时间和有机负荷率等操作变量的影响[7]。这些非线性相互作用限制了传统机理模型或动力学模型在准确预测和优化沼气产量方面的应用。因此，数据驱动的建模方法（尤其是人工神经网络（ANN）成为捕捉多变量非线性关系和预测厌氧消化过程行为的有效工具[8][9]。
人工智能（AI），特别是人工神经网络（ANN），因其能够直接从实验数据中学习输入-输出关系而广泛应用于复杂非线性能源系统的建模，无需明确的机理描述[10][11][12]。在沼气及厌氧消化研究中，基于ANN的模型已被成功用于预测甲烷产量、评估消化器性能以及在不同操作条件下的系统稳定性[13][14]。
尽管ANN具有强大的预测能力，但其性能仍易受网络初始化、架构选择和局部最小值的影响，因此优化权重的策略对其性能至关重要。为解决这些问题，近期研究将ANN与遗传算法（GA）、粒子群优化（PSO）和帝国竞争算法（ICA）等元启发式算法相结合，从而提高了模型的收敛速度并降低了预测误差[15][16]。
然而，大多数以往的沼气建模研究仅关注单一优化技术，缺乏对多种ANN优化方法的系统比较。此外，结合全局搜索和局部搜索机制的混合元启发式框架在该领域的应用仍然有限。最新研究表明，GA-PSO混合策略相较于单一算法具有更快的收敛速度和更高的鲁棒性[17][18]。
因此，本研究开发并比较了四种基于ANN的优化框架（ANN-GA、ANN-PSO、ANN-ICA和GA-PSO混合框架），利用三个操作参数（NaOH浓度、温度和反应时间）来预测和优化沼气产量及四个目标输出指标。与大多数依赖单一算法的能源研究不同，本研究采用了GA-PSO-ANN混合框架，并在实际操作条件下进行了多算法、多输出的系统性评估，从而增强了预测的可靠性和过程优化能力。
参考文献片段
近期研究越来越多地应用机器学习和混合元启发式-ANN框架来建模和优化沼气及甲烷生产过程，这源于厌氧消化系统的非线性和多变量特性[19]。Abdel Daiem等人开发了基于ANN和数学混合模型的方法，用于预测活性污泥和小麦秸秆厌氧共消化产生的沼气产量，结果表明ANN模型的预测效果优于传统回归方法[19]。
厌氧消化过程概述
本研究结合实验室规模的厌氧消化实验、基于机器学习的建模以及元启发式优化方法，建立了用于预测甘蔗渣沼气产量的预测框架。厌氧消化是一个多阶段的生化过程，包括水解、酸生成、乙酸生成和甲烷生成，这些步骤共同将有机物转化为主要由CH?和CO?组成的沼气[5][6]。过程性能受多种操作因素的显著影响[7]。
模型性能评估
本研究采用了四种元启发式算法（GA、PSO、ICA和GA-PSO）来优化基于ANN的沼气产量预测模型。模型性能通过相关系数（R）、均方根误差（RMSE）和均方误差（MSE）进行评估（详见补充材料）。总体而言，GA-PSO混合算法在预测准确性方面表现最佳，其误差指标低于其他单独使用的算法，表明其在捕捉非线性系统行为方面的鲁棒性更强[8]。
结论
本研究开发并验证了一种基于GA-PSO优化的ANN框架，用于预测和优化沼气产量。对ANN-GA、ANN-PSO、ANN-ICA和GA-PSO混合框架的系统性比较表明，混合方法在预测准确性方面表现更优，所有目标变量的相关系数更高，RMSE值更低[9]。与近期发表在《可再生能源》期刊上的研究相比（这些研究通常采用单一算法），本研究展示了混合优化方法的优势[10]。
作者贡献声明
Arezoo Ghadiri：撰写初稿、数据可视化、资料收集与分析；
Maryam Pazoki：项目监督、管理及概念设计；
Saeed Erfani：文本修订与编辑、模型验证、软件开发及方法论设计。
未引用的参考文献
[24][25][26][27][28][29][30][31][32][33][34][35][36][37][38]
