基于可解释集成时序深度学习模型的水处理混凝剂投加量优化研究

为解决传统混凝剂投加方法主观性强、适应性差的问题，西安理工大学团队开发了集成CNN-BiLSTM-mhA模型，结合SG平滑和NPDOA优化，实现精准剂量调控。模型R2达0.985，经SHAP解析证实可捕捉浊度非线性关系，案例显示西安/上海水厂可分别增减剂量11.01%和7.44%，为智能水处理提供新方案。

　　

随着人口增长和饮用水安全需求提升，水厂面临日益严峻的净化挑战。混凝作为核心工艺，其投加量直接影响水质与成本——剂量不足降低处理效率（Wei等，2015），过量则增加金属残留风险（Jin等，2025）。传统依赖人工经验或烧杯试验的方法（Li等，2024b）存在响应滞后、适应性差等缺陷，而现有数学模型又难以刻画pH、温度、剪切速率等多因素交织的非线性特征（Li等，2025）。在此背景下，西安理工大学团队在《Process Safety and Environmental Protection》发表研究，提出融合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和多头注意力机制(mhA)的集成模型，为水处理智能化提供突破性解决方案。

研究采用萨维茨基-戈雷(SG)平滑预处理原水数据，通过北方干旱区（西安）与南方沿海（上海）两座水厂的实测数据验证普适性。关键技术创新包括：1）利用CNN提取时序高阶特征增强BiLSTM输入密度；2）引入北方苍鹰优化算法(NPDOA)调参；3）采用SHAP值解析模型决策逻辑。

数据预处理结果
箱线图与SG滤波对比显示（图4-5），平滑处理使西安验证集R2从0.160跃升至0.632，上海验证集从0.484提升至0.950，有效消除数据噪声。

模型性能
CNN-BiLSTM-mhA在两地验证集均达0.985的R2，显著优于单一BiLSTM(0.893)、LSTM(0.872)和BP网络(0.801)。SHAP分析揭示浊度与剂量间存在显著非线性交互，西安水厂需增投11.01%剂量使沉淀池出水浊度降至1 NTU，而原水浊度更低的上海水厂可减量7.44%。

该研究首次实现跨气候区混凝剂投加模型的通用化部署，其可解释性框架为水厂智能决策提供透明化工具。成果获西安市科技计划(24SFSF0006)和西安理工大学博士创新基金(104-252072403)支持，标志着深度学习在环境工程领域从"黑箱"向"白箱"的重要跨越。