基于机器学习的考虑气候因素的热电加湿-除湿脱盐多目标评估

《ENERGY CONVERSION AND MANAGEMENT》：Machine learning–based climate-aware multi-objective assessment of thermoelectric humidification–dehumidification desalination

　　

•气候感知HDH–TEC框架融合了热力学、机器学习与优化方法。•AdaBoost对淡水产量、增益比（GOR）和回收率（RR）的预测R2最高可达0.998。•目标权重分配与Pareto分析量化了相互竞争的性能权衡关系。•在以GOR为优先的工况下，10 V和1 m/s为优选参数组合。•8760小时全年评估证实了该框架在全年气候变异性条件下的鲁棒性。引言淡水短缺已成为21世纪最关键的全球性挑战之一，其驱动因素包括人口增长、工业扩张、农业需求增加以及气候变异性加剧。在干旱和半干旱地区，淡水可用量与消耗量之间日益失衡的局面，迫切要求发展可持续且高效节能的海水淡化技术[1]。因此，海水和苦咸水淡化已成为可持续供水的重要战略选择，尤其适用于面临淡水资源匮乏或季节性短缺的地区。近期研究还强调了以可再生能源驱动的低温海水淡化和热能储存技术作为提升淡水产量与可持续性的潜在路径[2]、[3]。淡化技术通常可分为热法和膜法两大类[4]。热法技术（例如多效蒸馏[6]、多级闪蒸（MSF）[5]及蒸气压缩（VC））依赖于热能驱动的相变过程，广泛应用于大型工业领域[7]。膜法系统，包括反渗透（RO）和电渗析（ED），则依赖选择性传质透过半透膜的原理，因其相对较低的单位能耗而在全球淡水生产中占据重要份额[8]、[9]。尽管这两类技术已趋成熟，但它们可能仍需要复杂的基础设施、较高的初始投资或相对稳定的运行条件，从而限制了其在小规模和分布式应用中的适用性。在热法淡化技术中，加湿–除湿（HDH）循环已被认定为低温紧凑型系统的有前景选择[10]。HDH过程受自然水文循环启发，利用含盐水中水分蒸发至气流中，随后冷凝产生淡水。由于其运行温度相对较低、结构简单且能够利用低品位或可再生能源，HDH特别适用于分布式及离网制水应用[11]、[12]。然而，其性能强烈依赖于运行条件与环境因素，因此需要系统评估和先进优化策略，以在真实气候变异性下维持高效节能运行。近年来HDH淡化技术的进展日益聚焦于提升冷凝效率、增强能源利用效率以及集成热电冷却（TEC）技术，以实现紧凑化与分布式运行。基于珀尔帖模块与HDH系统的集成，为精确热控、模块化扩展以及可再生能源集成提供了可能。然而，淡水产量、电耗与热力学效率之间的权衡仍然是主要挑战。下文综述了相关HDH–TEC系统的实验、数值及混合研究。Ashour等人[13]通过实验评估了一种蒸发–热电HDH海水淡化系统，以改善水蒸气冷凝并提升淡水产量。该系统采用蒸发湿帘进行加湿，并利用TEC模块在不同施加电压（6–12 V）和气流速度（1.5–2.5 m/s）下实现除湿。研究发现，淡水产量随电压增加约提升三倍，在12 V时达到42 mL/h，同时回收率几乎翻倍。然而，单位功耗的系统效率降至低电压下的约60%，而COP下降近70%，表明制冷性能增强与电能消耗之间存在显著权衡。Dizaji等人[14]实验研究了便携式HDH装置，集成蜂窝湿帘加湿器和商用热电除湿器。在180 W电力输入至两个TEC模块的条件下，系统在不同环境条件下产生22–37 g/h淡水，成本为0.14–0.24美元/h。研究同时考察了瞬态和稳态行为以及系统的热经济特性。Baei等人[15]开发了人工神经网络代理模型（ANN-SM）并结合非支配排序遗传算法（NSGA）以优化太阳能驱动的HDH系统与热电换热器的集成方案。该系统在GOR为0.46时实现最大淡水产量0.28 kg/h，Pareto分析确定了拐点解约为0.22 kg/h。第二定律分析进一步表明，在650–700 W/m2的适度太阳辐照度下性能良好，凸显了在变工况下进行多目标优化分析的重要性。Atmanandmaya等人[16]开发了一种采用珀尔帖辅助与闭环潜热回收过程的混合热法海水淡化系统。实验验证后，该系统相比单独使用加热器的运行模式使淡水产量提高约50%，效率从54.9%提升至64.8%。不同运行电流下的COP范围为1.5至8.3，表明潜热回收具有显著效益。Baiju等人[17]提出了一种混合吸附–热电除湿（AD–TED）淡化系统，可在相对较高蒸发器温度（35–60°C）下运行。该系统在开放气流加湿条件下实现1.25 L/h的水产量，在评估构型下性能提升约45%。Han等人[18]研究了一种基于热电冷却与HDH原理的家庭闭式循环水净化器。在所述工况下，系统产生414 g/h的水，日产量高达8.3 L。通过优化气流分布和喷淋水控制改善了其能源效率，凸显了热流与气流协同管理的重要性。Poblete和Bakit[19]比较了管式换热器与珀尔帖模块在工业污泥干化中应用HDH工艺的冷凝效果。管式换热器实现了约2.2–2.6的较高GOR，高于珀尔帖构型，展示了不同冷凝技术间的经济与性能权衡。Ali和Reda[20]开发了集成Maisotsenko循环加湿器和热电除湿器的可移动HDH淡化系统。该系统实现了最高61 g/h的冷凝水产量，SEC为3.2–7.8 kWh/kg，具体取决于环境条件。Maghsodlou等人[21]对HDH应用中的热电除湿器鳍片构型进行了CFD优化。与简单鳍片相比，圆形凸台鳍片使水产量增加24%，达到126.65 g/h。Kabeel等人[22]实验表明热电冷却性能强烈依赖于电力输入和流动条件，在较低电力负荷下获得最高COP。这些发现强调了热电系统中热能与能源管理的重要性。随着HDH淡化系统日趋复杂，近期研究越来越多地采用机器学习与混合优化方法来捕捉气候条件、运行变量和性能指标之间的非线性交互作用。Lawal等人[23]为热泵驱动的HDH系统开发了混合优化框架，评估了神经模糊、梯度提升和集成模型以预测淡水产量和回收率。其提升树模型对回收率和淡水产量的Nash-Sutcliffe效率分别达到94%和88%。Du等人[24]提出了一种机器学习辅助的准数字孪生框架以实现HDH实时优化。代理模型对淡水产量和温度的R2值分别为0.96和0.93；基于遗传算法的运行模式使日产量在晴天增加25%、阴天增加49%，节能模式分别降低日能耗58%和52%。Ahmed等人[25]将人工神经网络应用于不同气流提取构型的热力学平衡HDH循环，报告预测精度超过96%，与实验数据偏差小于4%。Faegh等人[26]比较了多层感知神经网络、径向基函数网络和自适应神经模糊推理系统用于热泵辅助HDH装置；多层感知器模型对GOR的R2=0.915，对传热速率的值高于0.98。Elhashimi-Khalifa和Abbasi[27]将过程模型与数据驱动建模结合至数字孪生框架，报告能耗预测精度在约1%以内，并使用贝叶斯优化高效探索运行空间。Kandeal等人[28]评估了ANN、随机森林、支持向量回归和线性支持向量回归在太阳能淡化预测中的应用；随机森林在贝叶斯超参数优化后R2=0.997。Parnian Gharamaleki等人[29]将机器学习与基于生物质的电力和淡水系统热经济多目标优化相结合。Ashour等人[30]开发了深度学习框架用于变气候条件下的热电大气水生成，对水冷凝率和系统有效性的R2值分别为0.982和0.975。总体而言，这些研究证明了数据驱动代理模型在预测和运行优化中的价值，同时也强调了在现实气候变异性下泛化能力评估的重要性。尽管此前已有研究将机器学习方法应用于HDH系统的性能预测、设计、数字孪生控制与优化，但本研究的创新重点并不在于引入新的机器学习算法。其贡献在于将实验验证的HDH–TEC热力学模型与气候依赖的运行数据、代理建模及多目标决策分析统一于全年评估框架中。与主要聚焦特定工况、单一目标或短期性能的研究相比，本框架明确耦合了气候变异性与可控的TEC电压和气流速度，并评估其对淡水产量、GOR和RR的联合影响。代表性年度数据集结合了288个逐时气候状态与15组VTEC–Uair配置，形成4320个气候–运行组合。该数据集的意义不仅在于其规模，更在于其对耦合气候与运行变异性结构化覆盖。代理模型评估通过分组交叉验证和受控输入扰动测试得到加强，同时选定的运行策略利用全年8760小时气候鲁棒性评估进行独立检验。优化贡献也超越了单一综合评分解。修订框架评估了优选工况对不同目标权重分配方案的敏感性，并结合了与权重无关的Pareto前沿分析，以考察淡水产量、GOR和RR的权衡关系。随后对Pareto最优配置从SEC及电力相关水成本角度进行了评估。因此，本研究的主要贡献在于为HDH–TEC海水淡化系统集成气候感知全年评估、鲁棒代理模型验证、权重敏感性分析、基于Pareto的决策支持以及能耗与成本解读，而非引入新的机器学习算法。各节摘要系统描述与基线模型本研究所考察的HDH–TEC海水淡化系统基于Ashour等人[31]先前报告并经实验验证的构型。系统示意图如图1所示。该构型由两个主要部分构成：加湿单元和基于热电的除湿单元，以开放气流配置排列。环境空气由可变速度风扇引入加湿室。一台泵循环输送液体，[原文截断]月度气候特征本研究所用气候数据来自Weather Underground[32]，获取了伊拉克巴格达的逐时环境干球温度和相对湿度。针对每个月基于典型气象条件选取代表日，生成288个基线逐时气候状态（12个代表日×24小时）。图2(a,b)展示了相应的逐时温度和相对湿度曲线。明显存在强烈的季节和昼夜变化：夏季午后峰值温度[原文截断]预测建模框架开发了一种数据驱动代理建模框架，以预测HDH–TEC性能，避免重复热力学模拟。环境温度、相对湿度、TEC电压和入口气流速度作为输入特征，淡水冷凝率、GOR和RR为目标输出。五个候选模型均使用热力学模型生成的4320个运行点数据进行训练和评估。多目标优化框架为识别HDH–TEC海水淡化系统在全年气候变异性下的鲁棒且实用优选工况，基于第4节选定的AdaBoost模型开发了代理模型驱动的多目标优化框架。利用训练好的代理模型，预测涵盖4320个条件的全部运行数据集中的关键性能指标mwc、GOR和RR。此方法避免了重复热力学模拟。[原文截断]热电模块性能分析图4汇总了TEC电压对热电和淡化性能的影响。如图4(a)所示，施加电压从6增至14 V，制冷量从约19增至41 W（约115%），但TEC电功率从约15增至90 W，增速更快。COP因此从约1.35下降至0.45，证实了高电力负荷下焦耳热惩罚加剧。对淡水产量的影响为[原文截断]结论本研究提出了HDH–TEC系统的全面气候感知优化框架，结合全年热力学模拟、基于机器学习的代理建模以及归一化多目标决策分析。与传统的短期或稳态评估不同，所提方法系统性地在全统一计算结构中整合了季节气候变异性与运行灵活性。通过将物理验证的支配方程与[原文截断]CRediT作者贡献声明Sadiq T. Bunyan：原稿撰写、正式分析。Ali M. Ashour：审阅与编辑、原稿撰写、方法论、调查研究。Saif Ali Kadhim：审阅与编辑、方法论。

Ali Habeeb Askar：撰写——审阅与编辑，形式分析。Farhan Lafta Rashid：撰写——审阅与编辑，监督指导。Ines Hilali Jaghdam：撰写——审阅与编辑，经费获取。Walid Aich：撰写——审阅与编辑，监督指导。利益冲突声明：作者声明，他们没有已知的竞争财务利益或个人关系可能影响本文所报告的工作。致谢：本工作得到了沙特阿拉伯利雅得诺拉宾特阿卜杜勒阿齐兹公主大学研究人员支持项目（编号PNURSP2026R845）的资助。作者名单：Sadiq T. Bunyan | Ali M. Ashour | Saif Ali Kadhim | Ali Habeeb Askar | Farhan Lafta Rashid | Ines Hilali Jaghdam | Walid Aich