用于可持续能源和废水处理的微生物燃料电池：整合海藻生物质、机器学习及混合系统以提高性能

《Bioresource Technology》：Microbial fuel cells for sustainable energy and wastewater treatment: Integrating seaweed biomass, machine learning, and hybrid systems for enhanced performance

微生物燃料电池中海藻转化技术及人工智能集成研究。海藻作为阳极基质、阴极氧化和电极修饰材料，在电力生产中展现高效潜力。褐藻Laminaria digitata功率密度达120 mW/m2，绿藻Ulva intestinalis提升至46.15 mW/m2。生物炭电极优化性能。人工智能模型（XGBoost、深度神经网络）用于预测优化。未来需开发新型电极材料和基因工程微生物。

　　

Indah Izza Muwakhidah|Monika Sharma|Adel I. Alalawy|Nahla S. Zidan|Mohamed Sakran|Abdulaziz R. Alqahtani|Guozhao Jia|El-Sayed Salama

中国甘肃省兰州市兰州大学公共卫生学院职业与环境健康系，邮编730000

摘要

海藻在食品、农业、制药工业以及生物燃料生产（尤其是沼气）中得到了广泛应用，并已有很多相关研究。近期，有研究探索了海藻在微生物燃料电池（MFCs）中用于发电的潜力。然而，目前尚无综述全面阐述海藻在MFCs中用于生物燃料生成的转化过程。因此，本综述旨在深入探讨海藻作为阳极基底、阴极氧化剂和电极改性剂的用途。文中还讨论了将基于海藻的MFCs与其他系统整合的策略，并进一步结合了人工智能（AI）技术。实验表明，棕色海藻Laminaria digitata（含51.9%碳水化合物）作为阳极基底时，可实现高达120 mW m^?2的功率密度；绿色海藻Ulva intestinalis（含55.4%碳水化合物）作为阴极时，可提升功率密度至46.15 mW m^?2。此外，海藻衍生的生物炭电极可使功率输出提高到45.2 W m^?3。将富含蛋白质和脂质的物质与海藻共同作为基底可能是提高发电效率的有效方法。AI集成模型（如XGBoost和深度神经网络）可为MFCs的运行条件提供优化方案。未来的研究应聚焦于新型电极材料和基因工程微生物，以最大化基于海藻的MFCs的发电量。

引言

对化石燃料的持续依赖加剧了能源危机和气候变化，这促使人们探索能够减少环境污染的可再生能源（Su等人，2025年）。多个国家宣布力争在本世纪中叶实现净零排放，凸显了从传统能源向可持续、清洁能源转型的紧迫性（Hu & Weng，2024年）。在新兴技术中，微生物燃料电池（MFCs）因能利用微生物的代谢活动在厌氧条件下将可再生有机底物转化为电能而受到广泛关注（Feng等人，2025年）。在MFCs中，有机物在阳极被氧化释放电子和质子，同时阴极发生氧气还原反应生成水，从而完成电路并产生电能（Mondal & Goswami，2024年）。尽管前景广阔，但MFCs仍面临系统不稳定和功率输出有限等技术挑战（Feng等人，2025年）。人工智能（AI）的集成有望解决这些问题。AI技术（包括机器学习和预测建模）可实现实时监测、故障检测和过程优化，显著提升MFCs的性能和可靠性（Luo等人，2025年；Manesh等人，2024年）。这种跨学科方法结合了生物技术和可再生能源工程，加速了相关发展。

海藻生物质转化为可再生能源为全球能源挑战提供了可持续的解决方案。由于海藻生长迅速、碳水化合物含量高且具有其他物理化学特性，近年来成为MFCs的理想原料（表1）。联合国粮食及农业组织2022年发布的《世界渔业和水产养殖状况》报告指出，全球海藻总产量达3600万吨（Bank，2023年）。预计到2032年，海藻市场价值将增至约170亿美元（Sophie Corrigan等人，2025年）。中国和印度尼西亚是全球海藻生产的主要国家（图1）。中国贡献了约60%的全球海藻产量，印度尼西亚占25%（Bank，2023年）。与陆地生物质不同，海藻属于第三代生物质，无需耕地且具有显著的二氧化碳固定能力。亚洲是全球海藻养殖的主要区域，其扩大的种植规模增强了海藻在碳封存中的关键作用（Bank，2023年）。海藻的高生长率和生物组成使其在推动循环经济模式和生物燃料生产方面具有优势（Sahu等人，2024年；Twigg等人，2024年）。

在海藻种类中，棕色海藻Laminaria digitata的碳水化合物和碳含量分别为51.9%和39%，其水解物中含有高浓度的葡萄糖，使其成为理想的MFCs基底（Baghel，2023年；Niu等人，2024年）。海藻还含有促进微生物生长的矿物质（Alalawy等人，2024年）。与其他基底（如微藻和木质纤维素）相比，海藻作为电能生产原料具有多种优势。其化学组成使其适用于MFCs：含有藻酸盐、卡拉胶和岩藻聚糖等有机化合物，以及氮和硫元素，这些成分无需后处理即可形成丰富的催化活性位点（Tong等人，2023年）。特别是对于阴极的氧气还原反应（ORR），海藻的自掺杂效果尤为显著。海藻衍生的碳材料通常优于陆地生物质材料，后者通常需要外部掺杂或添加金属才能达到类似的催化活性。相比之下，木质纤维素生物质含有高量的纤维素和木质素，制成的生物炭在高温热解时具有较高的固定碳和导电性，但会牺牲表面功能，影响初始生物膜的形成（Vergara-Fernández等人，2008年）。木质纤维素生物质在MFCs中的有效利用通常需要复杂的预处理，增加了成本和工艺复杂性（Penteado等人，2025年）。而海藻的预处理相对简单且资源消耗少，从而降低了相关成本（Penteado等人，2025年）。

微藻生物质也因其高脂质、碳水化合物和蛋白质含量而被用作原料（Tay等人，2022年）。然而，基于微藻的MFCs由于电子传输（尤其是阴极的ORR）的限制以及收获过程的能耗较高，通常发电效率较低（Alrashidi等人，2025年）。与微藻相比，海藻对环境变化和采伐压力具有更强的耐受性，并且在沿海地区大量存在，为大规模MFCs应用提供了稳定且易获取的原料（图2）。这些生态和组成优势使得基于海藻的MFCs成为发电的可行且可持续的选择，尤其是在陆地生物质资源有限的海洋和沿海地区（Vergara-Fernández等人，2008年）。

因此，本综述全面探讨了海藻在MFCs中的作用（作为阳极基底、阴极氧化剂和电极改性剂）。通过关键词（海藻、大型藻类、生物阴极、电极改性、MFCs、人工智能和发电）筛选相关文献，涵盖了2004年至2025年的研究文献（图S1）。文中详细介绍了海藻大分子（碳水化合物、蛋白质、脂质）的特性及其在MFCs中的作用，包括海藻作为单室和双室MFCs中的阳极基底、阴极室中的电子受体以及电极改性剂的功能。还强调了将基于海藻的MFCs与其他系统（如暗发酵）结合以提升发电效率的方法。同时，结合了AI技术（如机器学习）在减少人为误差和优化MFCs性能方面的应用。

部分内容摘要

海藻作为阳极基底

海藻的生化组成富含碳水化合物，尤其是多糖，占干重的30–55%（Krishnan等人，2024年）。这些复杂碳水化合物可水解为简单糖类，为MFCs中的电活性微生物提供易于利用的碳源和能量来源，从而促进电能生成（图3）。海藻还含有支持微生物生长和代谢所需的营养物质和矿物质。

结合暗发酵的MFCs

通过将暗发酵（DF）与MFCs结合，可以显著提高海藻作为基底的发电效率，形成DF-MFCs系统（Gebreslassie等人，2021年）。暗发酵是一种在厌氧条件下从可生物降解有机废物中生产氢气（H₂）的过程（Albuquerque等人，2024年）。在DF-MFCs中，海藻等原料首先在液相中通过暗发酵转化为氢气和羧酸（如VFAs和乳酸）。

海藻作为单一基底的局限性

海藻作为MFCs的唯一基底存在若干科学和实际限制，影响其效率和适用性（Ganesan等人，2024年；Gebreslassie等人，2021年）。海藻的生化组成主要以多糖（如藻酸盐、卡拉胶和纤维素）为主，蛋白质和脂质含量较低（Milledge & Harvey，2016年）。海藻中的复杂多糖难以被大多数电活性微生物降解。

MFCs中的AI建模和预测技术

AI在多个实际领域取得了显著进展，尤其是在能源系统方面（图6）。通过应用机器学习（ML）算法、进化算法、神经网络和各种优化方法，AI已发展为机器学习和深度学习（DL）（Manesh等人，2024年）。然而，关于AI在MFCs应用的文献仍较为有限。

挑战与未来方向

基于海藻的MFCs为生物发电提供了可持续和创新的方法，并能副产其他行业的生物质。尽管有这些优势，但在实现商业化大规模海藻发电以有效满足能源需求之前，仍需解决许多挑战（Pereira & Cotas，2024年）。目前，海藻的总体发电量仍不足以满足工业应用需求。

结论

将海藻融入MFCs技术为能源生产和环境责任带来了重大进步。海藻的高碳水化合物含量提高了MFCs中的能量转换效率。Laminaria digitata作为阳极基底时可实现高达120 mW m^?2的功率密度，而Ulva intestinalis作为阴极氧化剂时可将功率密度提升至46.15 mW m^?2。海藻衍生的生物炭也被证明对电极性能有益。

作者贡献声明

Indah Izza Muwakhidah：负责撰写、审稿和编辑；撰写初稿；数据可视化；数据分析；形式化分析。Monika Sharma：负责撰写、审稿和编辑；撰写初稿；数据可视化；监督研究；数据管理；概念构思。Adel I. Alalawy：负责撰写、审稿和编辑；进行研究。Nahla S. Zidan：负责撰写、审稿和编辑；进行研究。Mohamed Sakran：负责撰写、审稿和编辑；数据可视化；进行研究。Abdulaziz R.

利益冲突声明作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

本研究得到了中央高校基本科研经费（lzujbky-2024-ey12）和甘肃省重大科技项目——国际合作领域，中国（24ZDWA005）的支持。