2. 生物过程建模的数学基础

生物过程仿真的本质，是把反应器里真实发生的“生命活动 + 物理输运”翻译成一组可计算的数学方程。翻译得好不好，直接决定仿真结果能不能指导工艺优化。本节围绕六件事展开：常微分方程（ODE）、偏微分方程（PDE）、代数约束、动力学与传递现象的耦合、无量纲化与模型缩放、数值求解器选择原则。它们不是并列的知识点，而是一条从“写方程”到“解方程”的完整链条。

一、ODE：把反应器当成一个均匀整体

当反应器内混合足够快、浓度和温度在空间上可视为均匀时，物料与能量守恒写成常微分方程。以补料分批发酵为例，设生物量 X、底物 S、产物 P、体积 V，稀释率 D = F/V，则：

dX/dt = μ(S,P,T)·X − D·X
dS/dt = −(μ/Yxs)·X − (qp/Yps)·X + D·(Sf − S)
dP/dt = qp·X − D·P
dV/dt = F

这里 μ 常用 Monod 或 Haldane 形式，qp 可用 Luedeking–Piret 关联生长与产物生成。ODE 的优点是状态量少、求解快，适合做参数辨识、补料策略优化和控制器设计。它的适用前提是“空间均匀”，一旦反应器放大到数百立方米、出现明显浓度梯度，ODE 就会失真。

二、PDE：当空间梯度不可忽略

在气升式反应器、固定床、生物膜或大体积搅拌罐中，底物、氧气和温度沿轴向或径向存在梯度，必须用偏微分方程描述。以轴向扩散模型为例，底物浓度 S(z,t) 满足：

∂S/∂t = D_ax·∂²S/∂z² − u·∂S/∂z − r_S(X,S)

其中 D_ax 为轴向扩散系数，u 为表观流速，r_S 为微生物消耗速率。PDE 把空间维度引入模型，能刻画死区、短路和局部缺氧，但计算量显著增加，且需要边界条件（如入口 Danckwerts 条件、出口零梯度条件）和初始条件。

三、代数约束：让模型保持物理自洽

很多变量之间并非微分关系，而是瞬时成立的代数关系。例如气液平衡用 Henry 定律 C* = P_O2 / H；pH 由电荷平衡与解离平衡联立确定；恒容条件下 V 为常数。这类方程构成代数约束，与 ODE/PDE 联立后形成 DAE（微分代数方程组）。DAE 的求解比纯 ODE 更敏感，因为约束必须始终满足，初值也必须满足一致性条件，否则求解器会在第一步就报错。

四、动力学与传递现象的耦合

生物过程的特殊性在于：细胞既是“反应器”又是“被环境影响的客体”。氧传递是最典型的耦合点。氧从气相进入液相，再被细胞消耗，稳态下：

OTR = kLa·(C* − C_L)
OUR = qO2·X
稳态：kLa·(C* − C_L) = qO2·X

若 kLa 不足，C_L 下降，μ 受氧限制而降低，进而影响 X 和产物生成。这种“传递限制动力学”的耦合，使模型不能只写反应项，必须同时写传质项。同理，传热限制会影响温度，温度又通过 Arrhenius 关系影响 μ 和 qp，形成另一条耦合链。

五、无量纲化与模型缩放

无量纲化是把方程中的变量除以特征量，使参数减少、量级归一。对轴向扩散模型，令 z* = z/L，t* = t·u/L，可得 Peclet 数 Pe = uL/D_ax。当 Pe 很大时，对流主导，扩散可忽略；当 Pe 很小时，扩散主导，接近全混。类似地，Damköhler 数 Da = 反应速率/传递速率 判断过程是反应控制还是传递控制。

模型缩放的核心是保持无量纲数不变。小试到中试，若 kLa 和 Pe 不能同时匹配，就要明确哪个是控制步骤，优先保证关键无量纲数一致。例如好氧发酵放大时，通常优先保证 kLa 和单位体积功率输入，而不是几何相似。

六、数值求解器选择原则

生物过程模型常具有刚性：反应时间常数（秒级）与细胞生长时间常数（小时级）相差数个数量级。选择求解器时，先判断刚性，再选算法：

• 非刚性 ODE：显式 Runge–Kutta（RK45）、Dormand–Prince，适合参数少、时间尺度接近的模型。
• 刚性 ODE/DAE：隐式 BDF（如 CVODE、LSODA）、Radau IIA，能稳定处理大时间尺度差。
• PDE：先空间离散（有限差分/有限体积/有限元），再对 ODE 系统求解；对流主导时用迎风格式，扩散主导时用中心差分。
• DAE：优先用 IDA 等专用 DAE 求解器，并检查初值一致性。

把上述六部分串起来，就是一条完整的建模工作流：从过程特征判断空间均匀性，选择 ODE 或 PDE；补充代数约束形成 DAE；把动力学与传递项耦合进守恒方程；用无量纲数识别主导机制并指导缩放；最后根据刚性和方程类型选择求解器。每一步都影响最终仿真结果能否真正用于工艺优化。