饮用水回用中NDMA软传感器的模型开发研究：实现实时UV剂量控制的节能新策略

这篇综述推荐采用机器学习（ML）和主成分分析（PCA）构建NDMA（N-亚硝基二甲胺）软传感器，通过实时预测反渗透（RO）产水中的NDMA浓度，优化紫外线高级氧化（UV/AOP）工艺的剂量控制，相比传统保守方法可降低13-31%能耗。研究基于美国加州实际RO设施数据，为高能耗的饮用水回用场景提供了数据驱动的解决方案。

　　

亮点

• •

  PCA的革新应用：在高度仪器化的环境工程场景（如饮用水回用RO系统）中，PCA通过降维和去噪特性显著提升了多种ML模型的预测性能。

• •

  NDMA的实时预测突破：针对尚无商用在线仪器的痕量致癌物NDMA，采用支持向量机（SVM）结合PCA降维，比传统实验室方法提供更快速、高频的数据支持。

• •

  训练策略优化：当训练数据有限时，优先选择简单模型（如线性回归）而非复杂黑箱模型，可避免过拟合并提高泛化能力。

讨论

NDMA问题可通过操作调整缓解，但UV处理仍是饮用水回用工艺的核心环节。本研究首次在真实规模RO设施中成功建模NDMA，解决了传统方法因数据复杂性和系统独特性导致的预测难题。未来需结合更多设施数据验证模型普适性，并探索迁移学习等策略。

结论

• •

  PCA显著提升ML模型在环境工程中的预测表现，尤其适用于RO等传感器密集场景。

• •

  SVM+PCA模型为NDMA实时监测提供了经济高效的替代方案。

• •

  训练阶段需平衡模型复杂度与数据量，优先选择可解释性强的模型。

作者贡献声明

K.B. Newhart：研究设计、数据分析、论文撰写；K.A. Thompson：项目监督、资金支持；A. Branch：数据验证；团队其他成员分别参与实验支持、资金管理或文稿修订。

利益冲突声明

作者声明无任何可能影响研究结果的财务或个人关系。

致谢

感谢OCWD和Carollo公司的技术专家对NDMA处理工艺的指导。

资金来源

本研究由美国能源部（DOE）下属国家水创新联盟（NAWI）资助，项目编号DE-FOA-0001905。