图文导读

图1. 多模型集成预测框架与滚动预测策略
研究构建了一个面向全规模零排放系统RO膜污染预测的多维集成框架(图1A),涵盖数据采集、特征筛选、模型分析与机制解释等模块,用于膜污染的智能化预测。数据来源于某大型燃煤电厂近5年运行记录,共包含23项水质与操作参数,经标准化与Kendall相关性筛选,最终确定11个关键输入变量。模型集成了LSTM、CNN、ConvLSTM、RNN、GRU与ARIMA等六种算法,并设计了1天、7天和30天三种步长的滚动预测策略(图1B–D),模拟不同时间尺度下的模型稳定性与响应效果。

图2. 不同预测步长下的模型表现对比(以ConvLSTM与ARIMA为例)
图
2展示了在不同预测步长下模型对RO膜通量与截盐率的预测表现。ConvLSTM在30天步长预测中能准确还原污染发展过程中的趋势与波动,预测值与实测值高度吻合;而ARIMA则因依赖线性历史趋势,出现明显阶梯式偏差,难以响应泵压或流量等工况变化。在7天和1天预测中,ConvLSTM仍能稳定追踪通量变化,而其他模型因结构简化或记忆能力受限,难以准确建模膜污染的动态过程。结果表明,ConvLSTM具备良好的跨时间尺度适应能力和较高的预测精度。

图3. 模型预测精度的综合评估分析
图3基于R2、RMSE与MAE三项指标,量化评估了六种模型在不同预测步长下对RO通量的预测效果。ConvLSTM在7天步长预测中表现最佳(R2=0.94),在盐截留率预测中也维持高准确度。CNN在30天步长预测中相对稳定,但在短步长下精度下降明显;LSTM在1天步长预测中R2=0.95,但随着预测步长增加,性能逐渐衰减。该结果揭示了各模型对预测步长的敏感性差异,强调了根据预测周期匹配合适算法的必要性。

图4. 关键预测因子的解释性贡献分析
利用SHAP方法对一级RO膜性能预测中的关键输入因子进行解释性分析(图4A, C)。结果表明,进水电导率与Ca2+浓度是通量预测中贡献最大的变量,SHAP值为正,表明其升高有助于提升通量预测值。进水流量与泵压在二级RO中表现出积极影响(图4B, D
),但在一级RO中则表现出更复杂的效应。在截盐率预测中,泵压和氧化还原电位为主要影响因子。Ca2+与Mg2+虽贡献次要,但作为结垢离子仍值得关注。SHAP还揭示了电导率、泵压与流量间的协同作用机制,为膜系统多参数调控提供了数据支撑。

图5. 集成框架在跨区域零排放系统中的适应性验证
研究进一步验证了该模型在不同工业场景下的泛化能力。在原电厂零排放系统膜更换后的3个月运行期内,模型对RO通量与截盐率的预测结果与实测值高度一致(图5A–B),表现出良好的延续性与稳定性。在宁夏某电厂(图5C),ConvLSTM模型在1天预测中表现最佳(R2= 0.937),但在30天步长下精度下降(R2= 0.775);而在江苏某电厂(图5D),LSTM模型在7天预测中表现最优(R2= 0.988)。此外,LSTM在两地的截盐率短期预测中均取得良好效果,显示该框架具备良好的跨区域适应性与模型灵活性。
本研究基于全规模工业零排放系统的长期运行数据,构建了多模型集成预测框架,并在不同预测步长下验证了其稳定性与迁移能力。结合SHAP方法,进一步提升了模型的可解释性,为膜系统在实际工程中由“经验判断”向“数据驱动”转变提供了探索路径。研究结果表明,深度学习在应对复杂膜污染演化、提取关键影响因子等方面展现出良好的工程适用性。未来可进一步探索将预测结果与现场运行策略深度融合,在膜清洗频率优化、加药调控与运行参数设定等方面实现精细化指导,从而提升系统效率、降低运行成本。同时,引入在线学习或强化学习方法,有望增强模型在动态工况下的自适应与前馈调节能力,推动膜法水处理系统向更高水平的智能化发展。
黄霞,清华大学环境学院教授,博士生导师。国家杰出青年基金获得者、教育部长江学者奖励计划特聘教授和创新团队带头人、首批环境保护部专业技术领军人才、国际水协会杰出会士(Distinguished Fellow)和膜技术专家委员会前任主席。担任Frontiers of Environmental Science & Engineering期刊执行副主编、Water Research X期刊Editor等。主要从事膜集成水处理技术、功能膜材料研制、生物电化学污水处理技术、低碳污水处理与资源能源回收化技术、污水监测与生物风险控制等研究。在Nat. Sustain., Sci. Adv., Nat. Comm., Energy Environ. Sci., Environ. Sci. Technol., Water Res.等期刊上发表SCI收录论文500余篇,连续11年入选爱思维尔中国高被引学者;出版专著/教材5部;曾获国家科技进步二等奖3项、部级一等奖8项、Environ. Sci. Technol.和Environ. Sci.:Water Res. Technol.年度最佳论文奖。
联系邮箱:xhuang@tsinghua.edu.cn
梁帅,北京林业大学环境科学与工程学院教授,博士生导师;主要从事膜法污水再生与资源化利用相关研究;兼任Water Research X期刊Associate Editor、Frontiers of Environmental Science & Engineering期刊青年编委等;入选北京市优秀人才、北京市科协青年人才托举工程等;主持国家自然科学基金、北京市自然科学基金等项目13项;已在Sci. Adv., Nat. Comm., Environ. Sci. Technol., Water Res., Appl. Catal. B-Environ.等期刊发表SCI论文70余篇,获授权发明专利12项。
联系邮箱:shuai_liang@bjfu.edu.cn
丁昊杰,清华大学环境学院博士后,2025届博士毕业生,导师为黄霞教授,研究方向为工业零排放反渗透膜污染控制。已在Environ. Sci. Technol.、Water Res.等期刊发表多篇论文,曾获研究生国家奖学金、清华大学综合优秀一等奖学金等奖励。
郝宁,吉林大学新能源与环境学院博士研究生。研究方向为环境毒理学与大气科学中的机器学习应用。以第一作者身份在J. Hazard. Mater.、Ecotox. Environ. Safe.等期刊发表论文多篇。
曹琪林,吉林大学新能源与环境学院博士研究生,本硕博均就读于吉林大学,导师为宋俊年教授。主要研究方向为城市固废可持续管理、环境大数据分析及机器学习方法的开发与交叉应用。研究成果发表于Nat. Sustain., Environ. Sci. Technol., Earth’s Future, J. Clean. Prod.等期刊。曾获吉林大学优秀毕业生、国家励志奖学金等荣誉。
文章链接: https://pubs.acs.org/doi/10.1021/acs.est.5c06257