随着全球对清洁能源需求的不断增长，生物柴油作为一种可再生能源，受到广泛关注。酶催化法因其绿色环保、条件温和等优势，成为生物柴油制备的重要路径之一。然而，该过程涉及复杂的动力学机制和多种不确定因素，传统建模方法难以准确捕捉其非线性和动态特性，给系统参数推断带来挑战。

近日，中国科学院海西研究院泉州装备制造研究中心戴厚德研究团队联合福建农林大学、福州大学，提出了一种融合物理建模与数据驱动方法的参数推断新框架，有效提升了酶催化生物柴油系统的建模精度。

图1. 生物柴油生成过程示意图

该框架基于物理信息机器学习（Physics-Informed Machine Learning, PIML）理念，将酶催化反应的动力学方程嵌入神经网络损失函数中，实现物理约束与数据驱动模型的协同优化。针对系统存在的多尺度特征和时间因果性偏差问题，研究团队引入了硬边界约束、输出归一化和傅里叶特征嵌入等策略，有效提升了模型对高频动态行为的捕捉能力。

图2. PINN网络框架图

实验结果表明，该方法在真实生物柴油反应数据中实现了对20个未知动力学参数的高精度估计，状态变量的预测误差显著低于传统非线性最小二乘法和单纯形法。此外，团队还引入Bootstrap方法对参数不确定性进行了系统分析，验证了模型的鲁棒性和可靠性。

该研究为复杂生化系统的建模与参数推断提供了新思路，展示了物理知识与人工智能融合在能源化工领域的广阔应用前景。以“Synergistic fusion of physical modeling and data-driven approaches for parameter inference to enzymatic biodiesel production system”为题，发表在能源领域国际权威期刊Applied Energy上。

论文链接：https://doi.org/10.1016/j.apenergy.2024.123874

(戴厚德课题组供稿)