基于AquaCausal框架解析厌氧氨氧化菌群对离子液体的代谢补偿与基因调控机制

本文提出新型混合因果推断框架AquaCausal，集成时序感知PCMCI算法与深度学习，通过多阶段机制消除伪因果关系，建立可解释的脱氮机制模型，为污水处理过程的优化与自适应智能控制提供理论支撑。

　　

框架描述

本研究建立并验证了新型AquaCausal混合框架（图1），从数据驱动角度阐释污水处理中氮去除的复杂因果机制。该框架作为渐进式过滤系统，可识别过程数据中真实的因果关系。通过将深度学习与时序感知PCMCI因果发现（一种识别参数间潜在时滞关系的统计方法）相结合，并纳入多阶段验证机制，显著提升了因果关系的可靠性。

扰动模拟数据集对因果推断的适用性与挑战

本研究通过校准的WWTP模型生成合成扰动数据集，在保持结构完整性的同时引入真实噪声，为评估真实条件下的因果发现算法建立了可靠基准（Glymour等，2019）。扰动后结构与变量间关系的保持性通过相关性分析定量验证（图2a-c）。19个变量间的关键多变量模式保持高度稳定，证实了数据集在保留基本过程动力学方面的可靠性。虽然扰动引入了轻微变化（大多数相关性变化<0.05，最大<0.20），但这些变化并未显著改变底层因果结构，表明数据集适合进行因果发现。

潜在应用与未来工作

AquaCausal框架通过识别强健的因果关系和量化时滞效应，推动了污水处理技术的发展。其主要支持实时工艺优化，例如通过内循环（IR）对厌氧池硝酸盐（NO₃ANA）的时滞影响洞察，可动态调整参数以增强脱氮效果并降低能耗（Parsa等，2024）。此外，该框架通过因果知识库强化故障检测，例如进水氨氮（NH₄in）与总氮出水（TN_eff）关联的减弱可触发早期预警。未来工作将探索与实时控制系统的集成，扩展至其他新兴污染物（如药品和个人护理用品，PPCPs），并研究跨厂迁移学习的可行性。

结论

本研究建立了一个强健的污水处理因果发现框架，通过最小化相关性扰动（大多数<0.05，最大<0.20）成功验证了合成数据集的完整性，并证明了氮转化途径的可靠保留。结合PCMCI、L1正则化格兰杰因果检验、MHSATCN及PFI分析的集成分析方法，将93个初始因果关系精炼至25个具有统计稳健性的核心关系，实现了73%的伪关联削减率。最终因果网络量化了关键的时滞依赖关系，为优化处理工艺和推动自适应智能控制建立了可解释的数据驱动表征。