聚苯乙烯纳米塑料对哈尔滨产乙醇杆菌酸生成及生物膜适应的特异性影响与因果推断框架AquaCausal的整合研究

本文创新性地提出混合因果推断框架AquaCausal，通过整合时间感知PCMCI算法、深度学习与多级验证机制，有效识别污水处理中氮去除的因果机制。该研究通过L1正则化格兰杰检验、置换特征重要性（PFI）分析与四维鲁棒性评估，将初始93个因果关系精炼至25个核心关系，量化了关键时滞效应（如内回流比IR对厌氧区硝酸盐NO3_ANA的延迟影响），为污水处理工艺优化与智能控制提供了可解释的数据驱动模型。

　　

框架描述

本研究建立并验证了新型混合框架AquaCausal（图1），从数据驱动视角揭示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，通过整合深度学习与时间感知的PCMCI因果发现（一种识别参数间潜在时滞关系的统计方法），并结合多阶段机制消除虚假因果关系。

扰动模拟数据集对因果推断的适用性与挑战

本研究通过校准后的污水处理厂（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，为真实条件下评估因果发现算法建立了可靠基准。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高度保持（所有相关性变化<0.05），证实了数据集对因果推断的适用性。主要挑战包括：高维参数空间导致的组合复杂性、生物过程固有的非线性动力学，以及传感器噪声可能放大虚假相关性。

潜在应用与未来工作

AquaCausal框架通过识别强健因果关系和量化时滞效应推动污水处理发展。其核心应用包括实时工艺优化——例如内回流比（IR）对厌氧区硝酸盐（NO₃ANA）的时滞影响可指导动态参数调整，提升脱氮效率并降低能耗；基于因果知识库的强化故障检测——例如进水氨氮（NH₄in）与总氮出水（TN_eff）关联减弱可提前预警硝化过程异常；以及因果驱动的数字孪生系统构建。未来工作将拓展至多污染物协同去除机制解析，并探索框架在制药废水等工业场景的适应性。

结论

本研究建立了强健的污水处理因果发现框架，通过最小化相关性扰动（多数<0.05，最大<0.20）成功验证合成数据集完整性，并证明了氮转化路径的可靠保持。集成PCMCI、L1正则化格兰杰因果与MHSATCN的混合分析方法，结合置换特征重要性（PFI）分析，将93个初始因果关系精炼至25个统计强健的核心关系，实现了73%的虚假关联去除率。