《Journal of Cleaner Production》：Catalytic hydrothermal liquefaction of
Enteromorpha prolifera for bio-oil upgrading through in-situ hydrogenation
编辑推荐：
有害藻华控制中，基于机器学习的逆设计框架通过整合328篇文献数据和471组新正交实验，构建了含九种氧化剂、三种混凝剂及5-60分钟预氧化时间的平衡数据集（n=799）。采用CatBoost元学习的Stacked Ensemble模型结合SHAP分析，揭示了混凝剂投加量＞氧化剂投加量＞预氧化时间＞氧化剂类型的参数重要性排序，并发现预氧化时间在5-20分钟已达到效果饱和。通过逆参数优化算法SQP，在保持±8.34%精度的前提下将实验工作量降低98%（384-6次验证运行），经6组重复实验验证，模型预测准确性与工艺效率均获证实。该框架实现了实验室研究与规模化应用的有效衔接，为有害藻华控制提供了高效低耗的数据驱动解决方案。
刘宇欣|谢坤婷|卜凌军|周世清|朱淑敏
中国湖南省水利安全技术与应用工程研究中心，教育部建筑安全与能效重点实验室，湖南大学土木工程学院，长沙，410082
摘要
有害藻华（HABs）威胁饮用水安全及生态系统稳定性。预氧化-混凝是一种有效的控制方法，但由于参数之间的非线性相互作用和系统数据集的有限性，其操作优化仍具有挑战性。本研究开发了一个基于机器学习的逆向设计框架，以优化用于去除藻类的预氧化-混凝过程。文献数据（n = 328）与471个新进行的正交实验相结合，形成了一个包含九种氧化剂、三种混凝剂以及5至60分钟预氧化时间的平衡数据集（n = 799）。该框架采用CatBoost作为四个基础算法的元学习器，并通过SHAP分析进行解释。模型与序贯二次规划（SQP）结合使用，以实现90%的去除效率目标。集成模型的平均测试R2值为0.783，对于像K?FeO?这样的难处理氧化剂，去除效率提升了34.01%。SHAP分析显示参数重要性排序为：混凝剂剂量 > 氧化剂剂量 > 预氧化时间 > 氧化剂类型，表明在5-20分钟内预氧化效果已达到饱和。逆向设计将实验工作量减少了98%以上（384次对比6次验证运行），同时保持了8.34%的准确率。实验验证（6次重复实验）证实了模型的预测可靠性和过程效率。平衡的数据集对于捕捉氧化过程的特定动态至关重要。所提出的框架提供了一种成本效益高、数据驱动的解决方案，能够快速、精确地控制有害藻华，从而将实验室研究与全规模水处理操作联系起来。
引言
近年来，全球气候变化的加剧和富营养化现象导致有害藻华（HABs）的发生频率增加，对饮用水安全、水生生态系统稳定性和社会经济可持续性构成了严重威胁（Feng等人，2024；Kang等人，2025；Liu等人，2025；Wu等人，2022）。传统的藻类去除技术（如单独的混凝和溶气浮选）由于处理效果有限和化学药剂消耗量大而受到限制（Dai等人，2020）。相比之下，预氧化-混凝技术作为一种关键的藻类控制方法脱颖而出，因其卓越的去除效率和成本效益（Mao等人，2024）。越来越多的研究表明，通过审慎选择氧化剂和投加策略可以进一步增强这种协同效应。例如，Qiao等人（2013）发现低剂量的KMnO?能够选择性改变藻类细胞外有机物的分子量分布，从而在大幅降低PAC消耗的情况下去除超过90%的微囊藻。Li等人（2023）通过激活Mn(II)产生MnO?，扩展了氧化剂的使用范围，实现了88%的藻类去除率，并减少了氮类消毒副产物的生成。类似地，Zhou等人（2020）将Fe(II)与过一硫酸盐（PMS）结合，在现场生成磁性Fe?O?絮体，20分钟内去除超过92%的藻类和98%的藻类有机物质，从而在反应速度和化学效率上均优于传统的预氧化方案。
尽管取得了这些进展，但预氧化-混凝技术的大规模应用仍面临诸多挑战。过程参数（如氧化类型和剂量、混凝条件）与藻类生物特性之间的复杂非线性相互作用阻碍了通过传统的试错优化策略实现最佳过程控制（Lin等人，2023b）。目前，预氧化-混凝过程的设计主要依赖于经验公式和小型实验，这存在三个主要限制：首先，参数优化既耗时又昂贵，难以适应不同水源和水质的多样化需求；其次，对藻类去除率与过程参数之间关系的系统理解仍然不足；最后，现有研究主要集中在正向评估过程效果上，限制了从目标去除效率推导出最佳参数的逆向设计方法的发展（Kim等人，2024；Lin等人，2023a）。这些挑战严重限制了预氧化-混凝技术在应对有害藻华事件时的快速响应能力。
机器学习的出现为克服现有瓶颈提供了一种新的方法。在环境工程领域，机器学习已被广泛应用于水处理过程的建模和优化，包括混凝优化和膜污染预测（Li等人，2021；Li等人，2021）。为了满足对环境水体智能监测日益增长的需求，Jiang等人（2024）开发了一个自适应随机森林框架，能够利用易获取的环境和土地利用变量在0.5小时内量化自然水体中的抗生素抗性负担，显著优于传统的3-7天实验流程。Jeong等人（2024）构建了可解释的机器学习模型（如Extra Trees），用于预测湄公河三角洲多层含水层的盐度，并利用SHAP分析阐明了Cl?、pH和HCO??如何受到人类活动抽水和距离海洋的影响。Cha等人（2024）利用随机森林和高斯过程回归基于臭氧衰减动力学参数构建了•OH暴露预测模型，表明加入∫[O?] dt可将R2值提高到0.95，从而提供了一种高效的现场微污染物控制工具。
在基于机器学习的逆向设计领域，Sun等人（2023）开发了一个用于电化学氧化的框架，能够精确地将目标反应速率映射到过程参数。最近，Sun等人（2024）开发了一个以XGBoost为中心的机器学习逆向设计框架，用于生物气升级。通过整合文献规模的数据和多目标粒子群优化，该框架同时预测了CH?含量和H?转化效率，确定了最佳操作条件，实验验证误差分别低至2.95%和8.50%。类似地，Chen等人（2022）开发了一个基于神经网络的逆向设计平台，结合有限元模拟数据训练多层感知器，快速（快100倍于实验速度）确定了微电极阵列的几何形状和电位参数，从而为微生物微环境研究提供了高通量工具。然而，针对预氧化-混凝过程中藻类去除的机器学习逆向设计仍大多未被探索，亟需系统的研究。
本研究提出了一种基于机器学习的逆向设计框架，用于通过预氧化-混凝去除藻类。通过整合文献数据和新的实验数据，开发了一个预测藻类去除效率的模型，并将其与逆向参数优化算法相结合，从而解决了试错方法中的方法论限制，为藻华控制提供了智能解决方案。具体而言，研究将（1）建立涵盖各种藻类去除率和过程条件的数据集，包括文献收集和实验获取；（2）开发一个高精度的机器学习模型来预测藻类去除效率；（3）利用SHAP分析阐明关键影响参数的机制作用；（4）构建一个逆向设计模块，用于快速推荐最佳过程参数；（5）通过目标实验验证逆向设计结果的可靠性。
数据收集与标准化
本研究系统地搜索了Web of Science、Elsevier和CNKI（2000–2025）等权威数据库，汇编了关于预氧化-混凝去除藻类的专门文献数据集。在数据收集过程中，建立了三级筛选机制：（1）确保文献报告了完整的预氧化条件（氧化剂类型、剂量、接触时间）和混凝参数（混凝剂类型、剂量、混合强度、接触时间）等。
数据集描述性分析
从24篇同行评审的出版物中提取了328个有效数据点。各氧化剂的数据点分布如下：KMnO?（n = 70）、O?（n = 65）、K?FeO?（n = 36）、Cl?（n = 36）、CaO?（n = 26）、H?O?（n = 16）、PMS（n = 41）和SPC（n = 38）。该数据集存在两个显著问题：首先，总体样本量较小且不平衡，例如H?O?子集仅占KMnO?子集的22.9%；其次，藻类种类分布不均。
结论
本研究提出了一个集成的、数据驱动的框架，结合了大规模实验数据增强、可解释的机器学习和逆向设计优化，为通过预氧化-混凝精确高效地控制有害藻华提供了新的方法。通过系统解决数据稀缺性和不平衡问题，并将机制可解释性嵌入预测建模中，该工作弥合了实验室规模研究与全规模工程之间的差距。
作者贡献声明
刘宇欣：撰写——原始草稿、可视化、数据分析、数据管理。谢坤婷：可视化、软件开发、数据管理。卜凌军：验证、正式分析。周世清：资源获取、正式分析、概念构建。朱淑敏：撰写——审稿与编辑、项目监督、资金筹集。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了湖南省自然科学基金（2025JJ40047）的财政支持。
