利用机器学习预测饮用水中DCAA和TCAA的浓度

《Environmental Science: Water Research & Technology》：Machine-learning prediction of DCAA and TCAA concentrations in drinking water

饮用水消毒副产物DCAA和TCAA的浓度预测研究，对比了MLR、SVR和BPNN模型的性能。MLR和SVR预测效果较差（N25=23-54%和46-69%），BPNN通过优化隐层结构（15节点）显著提升准确率至89%。引入PSO优化后准确率超过98%，仅需8个常规水质参数即可实现高精度、低成本监测。

　　

饮用水消毒副产物（DBPs）由于其致癌、致畸和致突变特性而备受关注，因此实时监测对于确保水质安全至关重要。然而，由于DBPs的浓度通常较低，以及传统检测方法的成本高昂和复杂性，研究人员越来越多地转向使用易于测量的水质参数进行预测建模。本研究系统地评估了机器学习（ML）方法在预测二氯乙酸（DCAA）和三氯乙酸（TCAA）浓度方面的可行性：多元线性回归（MLR）虽然计算效率高，但受到线性假设的限制，预测性能较差（测试集N₂₅ = 23–54%，R² = 0.353–0.640）。支持向量回归（SVR）利用核函数仅提供了有限的改进（N₂₅ = 46–69%，R² = 0.442–0.595）。反向传播神经网络（BPNN）通过灵活配置隐藏层结构、节点数量和激活函数显著提高了预测准确性。对于DCAA和TCAA，当隐藏层包含15个节点时，BPNN的表现优于MLR和SVR（测试集N₂₅ = 89%，R² = 0.850）。尽管如此，BPNN仍存在固有缺陷，例如由于学习率固定而导致收敛速度慢，以及由于随机初始化而容易收敛到局部最优解。为了解决这些问题，本研究引入了粒子群优化（PSO）来全局优化BPNN的权重，进一步将预测准确性提高到98%以上。结果表明，仅使用八个常规水质参数即可实现高精度预测，为供水系统中DBPs的监测提供了一种经济、便捷且可靠的技术方法。