机器学习模型预测水处理中微塑料混凝去除效率：基于ANN、LSSVM、PSO-ANFIS和RBF算法的比较研究

本研究针对水处理中微塑料(MPs)去除效率预测难题，创新性地采用人工神经网络(ANN)、最小二乘支持向量机(LSSVM)、粒子群优化-自适应神经模糊系统(PSO-ANFIS)和径向基函数(RBF)四种机器学习模型，通过405组实验数据建模分析。结果表明RBF模型预测精度最高(R2=0.96)，揭示水温(-0.5666相关性)和助凝剂(+0.3265相关性)是关键影响因素，为优化水处理工艺提供智能决策工具。

　　

随着全球塑料污染加剧，微塑料(MPs)在水体中的持久性存在引发重大环境健康隐患。这些粒径小于5mm的塑料颗粒不仅通过饮用水直接威胁人类健康，还能通过食物链富集。传统混凝工艺虽能去除MPs，但存在依赖经验判断、响应速度慢等缺陷。尤其当原水水质波动时，传统jar test方法难以实时优化混凝剂投加量，导致MPs去除效率不稳定。

为解决这一难题，研究人员开展了一项突破性研究，通过机器学习(ML)建模预测不同工况下MPs的混凝去除效率。研究团队系统比较了人工神经网络(ANN)、最小二乘支持向量机(LSSVM)、粒子群优化-自适应神经模糊系统(PSO-ANFIS)和径向基函数(RBF)四种算法的预测性能。研究数据来源于8篇权威文献的405组实验数据，涵盖聚乙烯、聚苯乙烯等常见MPs类型，以及PAC、FeCl₃等混凝剂体系。

关键技术方法包括：1) 采用耦合模拟退火算法(CSA)优化LSSVM参数；2) 构建PSO-ANFIS混合模型，通过粒子群算法训练模糊规则；3) 应用单隐层MLP网络结构降低计算复杂度；4) 采用RBF神经网络全局优化特性。所有模型均通过R²、平均相对误差(MRE)和平均绝对误差(MAE)进行验证。

研究结果显示：

1. 模型比较：RBF模型表现最优，训练集和测试集的R²分别达0.9887和0.9695，显著优于ANN(0.9154)、PSO-ANFIS(0.8837)和LSSVM(0.8540)。对AlCl₃·6H₂O混凝体系，RBF的MRE仅0.1873，而PSO-ANFIS达1.0570。

2. 参数影响：

• 混凝剂类型：AlCl₃·6H₂O表现优于FeCl₃·6H₂O，后者在5000μm大颗粒去除中效率不足13.23%
• 粒径效应：1μm颗粒去除率(63.91%)显著高于5000μm颗粒(0.38%)
• pH影响：pH3-9范围内，PAC体系在pH3时效率轻微下降，整体影响较小
• 助凝剂：阴离子PAM效果优于阳离子型，可使去除率提升至91.24%

1. 敏感性分析：水温(-0.5666)是最强负向因素，而助凝剂类型(+0.3264)和剂量(+0.3265)是最显著正向因素，MPs粒径(0.5365)次之。

这项发表于《Journal of Water Process Engineering》的研究具有重要实践价值：首次系统比较了多种ML算法在MPs去除预测中的性能，建立的RBF模型可作为实时控制系统的核心算法。研究揭示的工艺参数敏感性为水厂优化提供了明确方向，例如需重点监控水温波动、优先选用阴离子PAM助凝剂等。该数据驱动模型克服了传统试验方法耗时、滞后等缺点，为联合国可持续发展目标(SDG6)中安全饮用水供应提供了智能解决方案。未来研究可结合深度学习算法，进一步拓展模型在复杂水质条件下的适应性。