《Environmental Technology & Innovation》：Dynamic modeling of ammonia inhibition and microbial adaptation in the high-rate continuous anaerobic digestion of waste activated sludge
编辑推荐：
厌氧消化(AD)系统面临氨抑制难题，传统模型难以捕捉复杂的微生物适应动态。为解决此问题，研究人员开发了整合了适应因子α的NARX动态模型，以量化微生物对氨的恢复力。实验表明，该NARX-α模型(R2 = 0.70)显著优于传统ADM1和LSTM模型，能有效预测氨抑制下的产甲烷动态。微生物群落分析证实了甲烷产量的恢复与耐氨型产甲烷菌(Methanosarcina, Methanoculleus)的增加相关。这项研究展示了数据驱动的自适应模型在增强受氨抑制AD系统过程稳定性与优化方面的潜力。
在追求绿色能源和可持续环境的全球浪潮中，厌氧消化技术脱颖而出。它就像一个神奇的“有机废物转换器”，能将污水处理厂产生的废活性污泥等有机废弃物，高效转化为富含甲烷的可再生能源——沼气。这不仅解决了废物处理的难题，还为能源生产开辟了一条新路径，同时还能减少温室气体排放，可谓一举多得。然而，这个看似完美的过程却有一个“阿喀琉斯之踵”：它非常怕“氨”。当处理富含氮元素的废活性污泥时，其降解过程会产生氨，适量氨是微生物生长的营养，但浓度过高就会变成“毒药”，破坏产甲烷菌的细胞内平衡和酶活性，导致整个系统的甲烷产量骤降，甚至运行失败。
更复杂的是，微生物群落并非坐以待毙。面对持续的氨胁迫，一些耐受力强的产甲烷菌会逐渐适应并恢复活性，使得甲烷产量在经历一段低谷后又可能回升。这种“抑制-适应-恢复”的动态过程充满了非线性和时间依赖性，传统的数学模型，如著名的厌氧消化模型一号(ADM1)，由于其固定的动力学参数假设，很难准确预测这种复杂的微生物适应性行为。这就像试图用一张静态地图来导航一条不断变化的河流，结果往往不尽人意。因此，开发能够捕捉这种动态适应性的新模型，对于提高厌氧消化系统的运行稳定性、优化产气效率和实现智能化管理，具有迫切的现实意义和重要的科学价值。
为了解决上述挑战，由Soyoung Park、Gi-Beom Kim、Jong-Hun Park、Ashutosh Kumar Pandey和Sang-Hyoun Kim组成的研究团队开展了一项深入的研究，并成功地将成果发表在《Environmental Technology》期刊上。他们的研究核心是建立一个全新的动态建模框架，以提升对厌氧消化系统中氨抑制和微生物适应动力学的预测能力。研究团队主要采用了以下几种关键技术方法：首先，他们搭建了一个实验室规模的连续搅拌槽反应器(CSTR)，以废活性污泥(WAS)为原料，在长达318天的运行期内，系统改变了有机负荷率(OLR)和水力停留时间(HRT)，模拟了从低负荷到高负荷、从抑制到恢复的全过程，并实时监测了甲烷产量、氨浓度、FOS/TAC(挥发性有机酸/总无机碳酸盐)比值等关键参数。其次，为了从数据中挖掘规律，研究应用了时间序列机器学习模型，包括长短期记忆网络(LSTM)和非线性自回归外生输入模型(NARX)。最具创新性的是，他们在NARX模型中引入了一个时间变化的适应因子(α)，创建了NARX-α模型，用以显式量化微生物对氨抑制的恢复力。最后，为了从生物学层面验证模型预测，研究对反应器中的混合液进行了16S rRNA基因测序和实时定量PCR分析，以揭示微生物群落结构（特别是产甲烷菌群落）随操作条件和氨浓度变化的动态演变。
3.1. 不同有机负荷率下连续厌氧消化的性能
研究发现，反应器在逐步提高有机负荷率(OLR)的过程中，经历了两次明显的产甲烷抑制。第一次抑制程度较轻，通过暂停进料得以恢复。第二次抑制则更为严重，氨浓度超过3.6 g N/L，同时伴随着有机酸积累和FOS/TAC比值升高。研究人员采取了更换50%接种物的策略，并逐步恢复和提高负荷，最终系统在高达8.13 g COD/L/d的OLR和超过4 g N/L的氨浓度下恢复了稳定运行。这表明，微生物在高氨胁迫下具有显著的适应潜力，但需要适当的操作策略来引导和加速这一过程。研究还观察到，在慢性抑制下，即使系统运行稳定，甲烷产率(MY)和挥发性固体(VS)降解率仍会下降，这反映了微生物将更多能量用于抵抗胁迫而非生长代谢。
3.2. 氨浓度与甲烷生产速率的关系
通过分析不同阶段氨浓度与甲烷生产速率(MPR)的相关性，研究揭示了微生物适应性的动态特征。初期，低浓度氨与MPR呈弱正相关；随着氨浓度超过阈值，相关性转为负值，表明抑制发生；而在后期，尽管氨浓度仍维持高位，相关性却再次转为正值。这一反转现象直观地证明了微生物群落在经历胁迫后发生了功能性适应，恢复了产甲烷活性。
3.3. 模型性能比较
模型性能评估清晰地展示了新方法的优越性。传统的ADM1模型预测表现最差（R2 = -1.72），无法有效预测抑制和恢复过程。LSTM和基础NARX模型表现中等（R2分别为0.52和0.54），已能捕捉部分时序规律。而创新的NARX-α模型凭借其内嵌的适应因子α，实现了最高的预测精度（R2 = 0.70，RMSE和MAE最低），能够更准确地刻画甲烷产量在长期氨胁迫下的恢复轨迹。统计检验证实，NARX-α模型的性能显著优于其他机器学习模型。
3.4. 微生物群落分析
微生物分析结果从生物学角度支撑了模型预测。研究发现，随着氨浓度升高和系统经历抑制-恢复过程，产甲烷菌群落结构发生了显著演替。对氨敏感的乙酸裂解型产甲烷菌Methanosaeta和氢营养型产甲烷菌Methanobacterium的相对丰度下降，而耐氨型产甲烷菌Methanosarcina和Methanoculleus的相对丰度则显著增加，并在恢复阶段占据主导地位。Methanosarcina因其代谢多样性和氨耐受性成为关键物种。主坐标分析(PCoA)也显示，经历高氨胁迫后的群落结构与初期不同，形成了新的、功能更具恢复力的稳定状态。有趣的是，NARX-α模型中的适应因子α的动态变化与这些关键耐氨菌属的丰度变化趋势相一致，为模型的“适应性”组件提供了生物学验证。
结论与讨论
本研究成功开发并验证了一个集成适应因子α的动态建模框架（NARX-α模型），用于提升对厌氧消化系统中氨抑制和微生物适应动力学的预测。主要结论是：第一，废活性污泥厌氧消化系统在高有机负荷下会遭遇氨抑制，但通过操作调整（如暂停进料、部分换种）和微生物自身的适应性，系统能够恢复并在高氨环境下稳定运行。第二，传统的ADM1模型在预测此类动态过程时存在明显局限，而数据驱动的机器学习模型，特别是LSTM和NARX，展现出更好的潜力。第三，创新的NARX-α模型通过显式量化微生物恢复力，实现了最高的预测精度，有效捕捉了长期抑制下的恢复动态。第四，微生物群落分析证实，甲烷产量的恢复与群落向耐氨型产甲烷菌（如Methanosarcina和Methanoculleus）的演替密切相关，这为模型的适应性机制提供了生物学依据。
这项研究的重要意义在于，它架起了一座连接数据驱动预测与底层微生物生态过程的桥梁。通过将“微生物适应性”这一生物学概念转化为可量化的模型参数（α），NARX-α模型不仅提升了预测的准确性，也增强了模型的可解释性。这为未来开发更智能、更稳健的厌氧消化过程控制和优化策略奠定了基础，使得运行人员能够更早地预见抑制风险、评估恢复进程，从而最大化能源回收效率，保障处理系统的长期稳定运行，助力实现循环生物经济的目标。
