基于机器学习的重力驱动膜过滤响应预测与调控机制研究

本文系统构建了机器学习（ML）驱动的重力驱动膜（GDM）通量预测模型，通过递归特征消除（RFE）与极端梯度提升（XGBoost）融合算法解析多参数交互机制，揭示了陶瓷膜材质、运行天数和预处理工艺的关键作用，并开发了实时通量预测图形界面（GUI），为低能耗水处理技术优化提供理论支撑与智能解决方案。

　　

Highlight

GDM技术因其低能耗和可持续运行特性成为废水处理领域的新兴解决方案。本研究通过机器学习（ML）方法结合递归特征消除（RFE）与极端梯度提升（XGBoost），构建了能够解析膜参数、运行参数与进水水质参数间复杂交互作用的预测模型。经RFE特征选择后，最终采用515个样本和11个特征组成的高信噪比数据集进行建模。结果表明，XGBoost模型预测精度显著优于RFE-随机森林（RFE-RF）、RFE-决策树（RFE-DT）及RFE-多元线性回归（RFE-MLR）（R² = 0.93，RMSE = 3.55）。基于优化RFE-XGBoost的SHAP分析揭示，陶瓷膜、运行天数和预处理是通量预测中最具影响力的参数。陶瓷膜对通量提升起到主导作用，而膜孔径则表现出阈值效应，需要在渗透性与抗污染性之间权衡。短期运行（＜25天）与优化预处理可有效缓解通量衰减。协同控制pH（7.4–7.8）、进水化学需氧量（COD）（＜4 mg/L）和进水溶解氧（DO）（＞7.3 mg/L）可通过静电排斥与好氧降解机制提升通量。此外，本研究开发了用于实时通量预测与参数优化的图形用户界面（GUI），并使用四篇论文（2020–2024）中的61个数据点进行验证，大部分通量预测误差控制在20%以内。

Materials and methods

基于机器学习的GDM过滤净化研究方法如图1所示，使用膜参数、运行参数与进水水质参数预测稳定膜通量。工作流程包括数据预处理、特征选择和模型训练，并通过交叉验证与超参数调优进行优化。模型评估特征重要性，并借助SHAP和局部依赖图解析参数影响机制，从而实现过程优化与智能决策。

Performance of RFE-based models in predicting stable membrane flux

为更好地拟合数据集，本研究应用了四种机器学习算法（RFE-XGBoost、RFE-RF、RFE-DT和RFE-MLR）进行通量预测。在训练阶段，每个模型均进行了超参数优化与特征选择，并采用5折交叉验证以最小化预测误差（图S2）。特征选择细节见补充材料。四种RFE模型的通量预测值与实际值高度吻合，显示出XGBoost在捕捉非线性关系方面的显著优势。

Conclusions

本研究通过融合机器学习技术与机理分析，显著推进了对GDM水处理系统的理解与优化。具体而言，开发的RFE-XGBoost动态通量模型量化了膜参数、运行参数与进水水质参数对通量的联合影响，达到了R²为0.93、RMSE为3.55的预测精度。该模型进一步识别出维持通量的关键阈值，包括最优膜材料特性、运行时间窗口与水质控制区间，为GDM系统的实际应用提供了可靠的理论依据与智能操作框架。