从食物废弃物中最大化甲烷产量：通过整合元分析和机器学习进行探索

《Biomass and Bioenergy》：Maximizing methane production from food waste: Exploring through integrating Meta-analysis and machine learning

食品废料厌氧消化中产甲烷量优化研究，采用Meta分析与机器学习结合方法，评估预处理、共消化基质及工艺参数对产甲烷量的影响。研究发现共消化市政废料可使产甲烷量提升11%，预处理平均提升25%，其中外源添加剂联合化学预处理效果最显著（174%）。机器学习识别出消化时间、碳水化合物比例、pH值等六大关键影响因素，量化了各变量对产甲烷量的贡献度。该研究为食品废料厌氧消化工艺优化提供了科学依据。

　　

李英楠|宋超|王成宁|陈大|陈昌|刘光庆

北京化工大学化学工程学院，中国北京100029

摘要

厌氧消化（AD）被认为是一种经济有效的方法，用于处理食物垃圾（FW），因为它具有较高的资源回收率和较低的环境影响。然而，食物垃圾的高生物降解性往往会导致挥发性脂肪酸的积累和系统不稳定，从而降低甲烷产量（MP）。已经提出了多种优化策略来提高MP，但不同研究中报告的效率差异很大，有时甚至相互矛盾。为了解决这一差距，本研究收集了140篇经过同行评审的文章（1714个数据集），利用元分析方法研究了不同预处理方法和共消化底物对MP的影响，同时采用机器学习（ML）来评估食物垃圾的物理化学特性和工艺参数对MP的影响。元分析结果表明，在各种共消化废物中，与城市垃圾共消化食物垃圾的效果最佳，其MP比单独消化提高了11%。与非预处理相比，预处理平均可使MP提高25%，其中外部添加剂与化学预处理相结合的效果最为显著，使MP提高了174%。ML分析显示，影响MP的前六个因素依次为：消化时间 > 碳水化合物比例 > pH值 > 总固体 > 蛋白质比例 > 脂肪比例，并进一步量化了这些因素对MP的具体贡献。本研究不仅提供了一种准确且易于解释的策略来提高食物垃圾的MP，还为未来工业应用的运行控制和项目设计提供了有用的参考。

引言

每年产生大量的食物垃圾（FW），不当的处理方式会产生有害气体和渗滤液，进一步污染土壤和水源[1]。目前，食物垃圾的主要处理方法包括填埋、焚烧、堆肥和厌氧消化（AD）。在这些方法中，AD是一种先进的处理方法，因其成熟的处理系统和环境兼容性而被中国日处理量超过50吨的食物垃圾处理厂中的76.1%采用[2]。

AD主要依赖于水解/产酸菌和产甲烷菌之间的协同作用，将有机物转化为沼气、消化物和富含碳的发酵液。然而，食物垃圾的高生物降解性和易腐性可能导致过快的水解过程，从而产生挥发性脂肪酸（VFAs）的积累，进而导致系统不稳定和甲烷产量（MP）降低。此外，食物垃圾中过量的蛋白质和脂质可能会抑制AD过程。为了减轻这些不利因素的影响，已经研究了一些缓解策略，以确保MP的稳定性，例如优化食物垃圾的物理化学性质[3]、添加共消化底物[4]以及使用各种预处理方法[5]。尽管已经进行了大量研究来评估这些因素对AD的影响，但一些研究得出的结果却高度不一致，甚至相互矛盾。例如，Bao等人发现添加秸秆会降低食物垃圾的MP，而Hou等人的研究则得出了相反的结果[6,7]。在相同的条件下，Wang等人和Yuan等人分别向食物垃圾中添加了相同剂量的生物炭，结果MP分别提高了10.8%和2.6%[8,9]。因此，这些研究需要一种定量方法。

元分析是一种统计方法，用于定量整合初步研究结果，得出总体结论，评估影响实验结果的因素，并对科学问题有全面的了解。然而，仅靠元分析难以评估每个变量的相对重要性或揭示其背后的复杂相互关系[10,11]。近年来，作为人工智能核心分支的机器学习（ML）通过自动学习模式和规则，展示了令人满意的预测准确性，并在处理复杂变量关系时突出了每个因素的相对重要性[12]。然而，模型对不同数据结构的适应能力不足以及缺乏特征变量是目前ML应用的主要限制[13]。元分析和ML的结合使得在特定领域内有效整合研究数据成为可能，并有助于探索其内在的复杂关系。Bi等人通过结合元分析和ML揭示了抗生素在微塑料上的吸附行为和机制[14]。Wang等人通过元分析和ML展示了土壤性质在影响生物炭与农药相互作用中的关键作用[15]。因此，有必要利用这种方法来分析食物垃圾的AD过程，并识别影响MP的关键因素，但目前相关报道较少。

本研究结合了元分析和ML，探讨了物理化学性质、工艺参数、共消化底物和预处理对MP的影响。具体而言，本研究的目标是：（1）利用元分析确定能够显著提高食物垃圾MP的共消化底物和预处理技术；（2）开发性能良好且能够准确预测MP的ML模型；（3）利用ML识别影响MP的因素（食物垃圾的物理化学特性和工艺参数），并优化AD条件。本研究不仅消除了研究结果的随机性，还为提高食物垃圾MP的策略提供了更全面和科学的结果。

研究片段

元分析数据收集

元分析的数据来自“Web of Science”数据库，关键词包括“Food waste”（食物垃圾）、“Kitchen waste”（厨余垃圾）、“Anaerobic digestion”（厌氧消化）、“Anaerobic co-digestion”（厌氧共消化）、“Anaerobic digestion pretreatment”（厌氧消化预处理）和“Anaerobic digestion temperature”（厌氧消化温度）。为了确保元分析的准确性，纳入综合分析的研究数据必须满足以下条件：（1）具有明确的“处理”组和“对照组”，且在除

关于AD对FW影响的研究总结

图1（a）显示，近年来以“Food waste”、“Kitchen waste”和“Anaerobic digestion”为关键词的研究数量逐年增加。本研究收集了过去14年的17890篇研究（图1（b））。根据标题和摘要筛选，排除了16340篇研究，保留了1550篇。在评估符合条件的全文研究后，排除了结果不合格、缺乏适当对照组或数据不可用的研究，最终得到

结论

本研究通过元分析和ML研究了关键因素对MP的影响，包括共消化、预处理、底物的物理化学性质和工艺参数。元分析结果表明，在各种共消化底物中，与城市垃圾共消化食物垃圾的效果最为显著，其MP比单独消化提高了11%。此外，预处理平均可使MP提高25%，而外部添加剂与化学预处理相结合的效果最佳，使MP提高了174%

作者贡献声明

李英楠：撰写初稿、可视化、验证、软件开发、数据分析。宋超：撰写、审稿和编辑。王成宁：数据管理。陈大：数据管理。陈昌：概念构建、方法论设计、资金获取、监督。刘光庆：监督、方法论设计、资金获取。

致谢

本工作得到了国家重点研发计划（2023YFE0105900）和中央高校基本科研业务费（JD2503）的支持。