摘要：【目的】 餐厨垃圾浆液厌氧消化系统因进料特征复杂、多因素动态耦合，使得其预测与调控具有较大挑战。【方法】 为实现工业规模厌氧反应过程的精准管理与优化，本文收集2019年—2023年上海某工业规模厌氧反应器运行数据，分别利用随机森林、梯度提升、K 邻近回归与人工神经网络（ANN）建立产气预测模型，并通过沙普利加和解释（SHAP）算法量化各输入变量对产甲烷效率的贡献与抑制作用。【结果】 梯度提升模型在测试集中R2 最高，均方误差（MSE）与平均绝对误差（MAE）最低，预测精度与稳健性优于K 邻近回归、随机森林以及ANN 模型。结合最优模型的SHAP 分析发现：进水化学需氧量（COD）较高时易引发酸化失稳；氨氮质量浓度约1 500 mg/L 时有利于微生物活性，但过高则抑制产气；pH 值低于6.2 时，产气效率显著下降。【结论】 可解释性机器学习方法可有效提升沼气产量预测的准确性，并帮助快速定位与调控核心影响因素，实现对餐厨垃圾厌氧消化系统的精准管理与持续优化，对其规模化推广具有重要意义。

关键词：厌氧消化；餐厨垃圾；机器学习；性能预测；沙普利加和解释(SHAP)

基金资助：

下载

查看