超越线性：迁移学习揭示了生物炭最佳表面积范围，并暗示了食物废弃物共消化过程中潜在的共生机制

《Bioresource Technology》：Beyond Linearity: Transfer learning reveals optimal biochar surface area window and suggests potential syntrophic mechanisms in food waste Co-Digestion

本研究开发BC-physicochemical physics-informed residual transfer learning模型（BP-PIRTL），整合1971篇文献和264组实验数据，实现R2=0.99的高精度跨域预测。通过测试26-2040 m2/g SSA的玉米秸秆衍生BC，发现500-800 m2/g SSA可提升甲烷产量达55.18%，而>1000 m2/g SSA则抑制产气。SHAP分析揭示SSA通过减少滞后期（微生物附着增强）和激活直接电子传递（DIET）途径影响产气速率，16S rRNA测序证实高SSA导致微生物群落失调。

　　

王世卓|孔哲|范建伟|张亚蕾|张涛

中国同济大学环境科学与工程学院，水污染控制与绿色资源回收国家重点实验室，上海200092

摘要

食物垃圾和造纸厂废水的厌氧共消化提供了一种可持续的废物转化为能源的解决方案，但性能的不稳定性限制了其效率。虽然生物炭（BC）是一种有前景的添加剂，但实现最佳性能所需的比表面积（SSA）仍存在争议。本研究开发了一个基于生物炭物理化学特性的残差迁移学习模型（BP-PIRTL）框架。通过整合1,971个文献样本和264个实验数据集，该模型实现了高精度的跨领域预测（R² = 0.99）。根据模型预测，测试了具有宽比表面积范围（26 ~ 2040 m²/g）的玉米芯衍生生物炭。研究发现了一个明显的非线性关系：中等比表面积（500 ~ 800 m²/g）可使甲烷产量提高多达55.18%。相反，过高的比表面积（>1000 m²/g）则表现出抑制作用。SHAP分析揭示了不同机制的贡献，表明滞后相的减少可能与微生物附着力增强有关，而最大生产率的提高可能与直接种间电子转移（DIET）途径的激活有关。微生物分析揭示了根本原因：最佳比表面积的生物炭能够选择性地富集共生菌群（Clostridium、Syntrophomonadaceae、Methanobacterium）。相反，过高的比表面积会引发代谢失调，可能是由于竞争性底物吸附所致。这些结果表明，比表面积是影响微生物共生的关键因素，为废物转化为能源过程中的生物炭设计提供了基于假设的指导原则。

研究背景

生物炭（BC）的添加可以稳定厌氧共消化（AcoD）过程。然而，关于比表面积（SSA）效应的文献结果存在矛盾，这揭示了关键的知识空白。目前仍缺乏统一的框架来预测最佳SSA范围并阐明微生物机制。

分析方法

一个基于生物炭物理化学特性的残差迁移学习（BP-PIRTL）框架整合了1,971个文献样本和264个实验数据集。首先使用XGBoost进行预训练，然后通过梯度提升回归器进行残差校正，以实现跨领域预测。在温和条件下（F/S = 3:1，35°C），测试了比表面积范围为26 ~ 2040 m²/g的玉米芯衍生生物炭。SHAP分析分离了SSA对动力学参数的贡献，而16S rRNA测序则阐明了微生物机制。

主要结论

BP-PIRTL模型实现了高精度预测（R² = 0.99）。中等比表面积（500 ~ 800 m²/g）可使甲烷产量提高多达55.18%，而过高比表面积（>1000 m²/g）则使产量降低29.4%。SHAP分析表明，滞后相的减少可能与微生物附着力增强有关，而生产率的提高可能与直接种间电子转移（DIET）途径的激活有关。最佳比表面积的生物炭能够选择性地富集共生菌群，而过高的比表面积则会引发代谢失调。

新视角

本研究首次将迁移学习应用于生物炭增强的厌氧消化过程。通过引入基线甲烷产量作为锚定特征，该模型定量分离了SSA的贡献。最佳比表面积范围（500 ~ 800 m²/g）为生物炭设计提供了基于假设的指导原则，值得进一步深入研究。

引言

全球城市固体废物的产生持续增加，其中食物垃圾（FW）和纸张垃圾（PW）是主要组成部分。每年产生的食物垃圾超过十亿吨，占全球温室气体排放量的8%至10%（Kakkar等人，2024年）。厌氧消化（AD）可以将有机废物转化为生物能源，是一种有前景的增值途径（Xue等人，2024年）。然而，由于碳氮比低，食物垃圾的单独消化常常失败，导致酸化并抑制甲烷生成（Kumar等人，2021年）。厌氧共消化（AcoD）是克服这一瓶颈的必要策略。纸张垃圾具有高碳含量且易于在城市中获取，是理想的共底物。食物垃圾富含易降解的有机物，而纸张垃圾则富含难以降解的纤维素，形成了独特的双相降解模式。食物垃圾和纸张垃圾的共消化可以平衡碳氮比，调节pH值，并为微生物提供附着支架，从而提高过程稳定性和甲烷产量（Shao等人，2023年）。目前的温和条件下的食物垃圾和纸张垃圾共消化研究显示性能极不稳定。体积生产力差异很大：高固体含量（TS = 30%，VS/TS = 0.85）的系统产量为5 m³/m³·d^-1，而两阶段湿式系统的产量超过0.311 L·L^?1·d^-1（Asato等人，2019年；González等人，2021年）。即使在嗜热条件下，性能也极易受到酸积累和共底物比例等因素的影响（Capson-Tojo等人，2017年）。这种不稳定性源于对过程变量如何协同调节甲烷生成动力学的理解不足。因此，这类系统迫切需要像生物炭（BC）这样的稳定剂（Kunatsa & Xia，2022年）。生物炭具有多孔结构和丰富的功能基团，可以增强碱度，调节pH值，并促进直接种间电子转移（DIET）（Masebinu等人，2019年）。添加15 g/L的生物炭（锯末衍生）可使沼气产量提高144%（Wang等人，2019年）。然而，这些改进并非普遍适用，表明生物炭的有效性很大程度上取决于其物理化学性质及其与底物和微生物生态的相互作用。

生物炭的作用，特别是其比表面积（SSA），仍存在争议。一些研究表明较高的SSA（>200 m²/g）可以提高甲烷产量，而另一些研究则表明过高的SSA（>800 m²/g）会抑制甲烷生成（Shi等人，2022年；Zhang等人，2019年）。这表明存在一个复杂的非线性关系，其中最佳比表面积而非最大比表面积才是关键。经验动力学模型可以量化对滞后相（λ）和最大生产率（R_max）的影响，但无法解释其机制基础。更根本的是，目前缺乏一个统一的框架来预测最佳SSA范围，阐明SSA如何重塑微生物群落和代谢途径，并协调相互矛盾的文献结论。研究这种非线性关系需要先进的方法。机器学习（ML）可以量化复杂的变量相互作用（Liao等人，2025年）。然而，文献和实验数据往往位于不同的特征空间，限制了模型的泛化能力。迁移学习框架通过纠正系统偏差，实现了跨领域的知识转移，为解决这一差距提供了方法（Cai等人，2024年）。将模型可解释性与微生物分析相结合，可以将黑箱预测转化为机制洞察。

因此，本研究使用预测-验证-阐释框架系统地研究了生物炭的SSA效应。开发了一个基于迁移学习的ML模型，将基线甲烷产量作为锚定特征，以消除底物异质性并实现跨领域知识转移。筛选了九种算法，并通过残差学习对最佳模型进行了微调，以纠正领域偏差。根据预测结果，制备并测试了具有不同SSA的生物炭。从动力学方程中提取的动力学参数作为SHAP分析中的响应变量，以分离SSA的机制贡献。最后，高通量测序揭示了生物炭表面性质如何调节微生物群落和代谢途径的机制，重点关注SSA依赖的功能群落转变及其对直接种间电子转移与竞争性底物吸附的影响。这种综合方法为生物炭的应用提供了理论基础，并为优化复杂的厌氧系统建立了新方法。

数据构建

实验数据来自2021年至2024年间发表在Web of Science数据库中的同行评审论文中的生物炭改良厌氧消化（AcoD）研究（共计1,971组）。数值数据直接从文本和表格中提取，图形数据则使用Web Plot Digitizer进行数字化（详见补充材料）。在特征方面，除了标准的比表面积（SSA，m²/g）和反应时间（天）等参数外，还考虑了物理化学指标——具体包括底物的总固体含量（TS，g/L）等。

不同SSA生物炭对甲烷产量的影响

为了验证模型的预测，在食物垃圾和纸张垃圾的厌氧消化（AcoD）中测试了七种具有不同SSA范围的生物炭（图1a）。结果表明SSA与甲烷产量之间存在明显的非线性关系。SSA低于约800 m²/g的生物炭（S1至S4组）显著提高了甲烷产量，其中S4组（SSA = 704 m²/g）的甲烷产量提高了55.18%，远高于无生物炭对照组（图1b）。然而，当SSA超过这一最佳范围时，会产生明显的抑制效应。

结论

本研究使用一种新的BP-PIRTL框架揭示了生物炭的SSA与甲烷生成之间的非线性关系。研究表明，最佳SSA范围（500 ~ 800 m²/g）可使甲烷产量提高55.18%，挑战了“越高越好”的传统观点。SHAP分析揭示了机制贡献：滞后相的减少源于微生物附着力增强，而生产率的提高则与直接种间电子转移（DIET）途径的激活有关。

CRediT作者贡献声明

王世卓：撰写初稿、方法论设计、数据分析、概念化。孔哲：实验研究。范建伟：软件开发。张亚蕾：指导与编辑。张涛：撰写修订、项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了中国国家重点技术研发计划（编号：2022YFD1601000）的支持。