基于机制嵌入图神经网络的污水管道甲烷与硫化氢生成预测及动态通路解析

为解决污水管道中甲烷(CH4)和硫化氢(H2S)生成预测精度低、动态通路解析困难的问题，中国科学院团队开发了机制嵌入图神经网络(ME-GNN)。该模型通过嵌入生化通路知识，实现了CH4(R2=0.78)和H2S(R2=0.85)的高精度预测，并揭示乙酸(Sac)和硫酸盐(SO42?)是调控通路动态转换的关键因子，为污水系统温室气体控制提供了新工具。

　　

在城市地下纵横交错的污水管道中，一场看不见的生化反应正在悄然进行。微生物将废水中的有机物转化为甲烷(CH₄)和硫化氢(H₂S)，前者是比二氧化碳强28倍的温室气体，后者则是腐蚀管道、危害健康的"隐形杀手"。传统预测模型要么依赖难以校准的动力学参数，要么陷入"黑箱"困境，无法解释水质波动如何影响这两种气体的生成比例。

中国科学院团队在《Journal of Water Process Engineering》发表的研究中，创新性地将生化机制与人工智能融合，开发出机制嵌入图神经网络(ME-GNN)。该模型通过结构化嵌入产甲烷和硫酸盐还原(SO₄^2? reduction)通路，不仅实现预测精度突破，更首次量化了水质参数对通路强度的动态调控。研究发现，当硫酸盐浓度升高时，H₂S生成通路占比会从28%飙升至89%，而乙酸(S_ac)则能逆转这一趋势。这种"通路红绿灯"效应的揭示，为精准调控污水系统温室气体排放提供了理论基石。

关键技术方法包括：1) 基于30天高频监测数据(5分钟分辨率)构建数据集；2) 将Monod动力学模型生成的合成数据与实测数据融合；3) 设计具有可解释模块的GNN架构；4) 采用SHAP值分析特征重要性。

【数据收集和处理】
通过电化学传感器连续监测CH₄和H₂S浓度，结合TCOD、SCOD等水质参数，构建包含动态变化特征的数据集。

【模型开发与比较】
ME-GNN在预测性能上全面超越传统模型，其MAE较最优ML模型降低23%，且训练数据需求减少40%。机制嵌入使模型在低数据场景下仍保持0.7以上的R²。

【关键影响因素】
乙酸(S_ac)和硫酸盐(SO₄^2?)被确定为"通路开关"：当SO₄^2?＞50 mg/L时，H₂S通路贡献率提升3倍；而S_ac＞20 mg/L会激活产甲烷菌(MA)竞争优势。

这项研究开创了环境模型的新范式——ME-GNN通过"白盒化"的AI架构，既突破传统机理模型的刚性参数局限，又克服纯数据驱动模型的解释性缺陷。Wan-Xin Yin等学者证明，当SO₄^2?/S_ac比值＞2.5时，污水系统会从"甲烷工厂"转变为"硫化氢发生器"。这种定量关系为制定基于水质调控的减排策略提供了直接依据，对实现"双碳"目标下的城市污水管理具有重要实践价值。