基于五类机器学习模型比较与SHAP可解释性的UV-LED/氯高级氧化降解活性蓝19预测

《Chemical Engineering Journal Advances》：Comparative Machine Learning Models for Predicting Reactive Blue 19 Degradation in Ultraviolet Light Emitting Diode/Chlorine Process

　　

紫外发光二极管（ultraviolet light emitting diode, UV-LED）/氯高级氧化工艺（advanced oxidation process, AOP）可有效去除持久性污染物，但其非线性行为使降解预测的准确性复杂化。研究人员开发了一个集成实验与机器学习（machine learning, ML）的框架，用于预测纺织染料活性蓝19（Reactive Blue 19, RB19）在UV-LED/氯氧化过程中的降解效率。使用覆盖广泛操作条件、干扰阴离子和自由基清除剂的467个实验样本数据集，训练和评估五种ML模型：多元线性回归（Multiple Linear Regression, MLR）、K近邻（K-Nearest Neighbors, KNN）、随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGB）和人工神经网络（Artificial Neural Network, ANN）。采用决定系数R²、均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）和一致性指数（Index of Agreement, IA）评估模型性能，同时采用特征重要性和SHapley加法解释（SHapley Additive exPlanations, SHAP）解释模型预测。在所测试模型中，XGB获得最佳性能，测试集R²为0.9899、RMSE为3.24%、MAE为2.17%、IA为0.9974，表明其具有优异的预测能力且未出现过拟合。UV-LED注量（fluence）为23.6%和反应时间为20.8%具有最高的XGB特征重要性值，其次为亚硫酸钠为13.4%和pH为13.2%。SHAP分析表明，辐照相关参数值较高通常与较高的预测降解效率相关，而较高的初始染料浓度和亚硫酸盐浓度与较低的预测降解效率相关。总体而言，XGB为工艺优化、控制以及减少纺织废水处理中的实验工作量提供了可靠工具。

研究背景与问题：该文指出水资源对生命和社会发展至关重要，但人口增长、水资源短缺和资源管理挑战限制安全水获取；工业化加剧环境污染，使药物和个人护理产品等持久性有机污染物进入水体，主要来自工业、医院和市政废水。纺织和印染行业因废水体积大和污染程度高成为水污染重要来源；活性染料虽亮度好、稳定性高，但与纤维固着差，相当比例进入废水，其芳香结构使其在水环境中持久，造成有机物和色度污染，因此需要有效高级处理。常规处理对稳定活性染料效率有限，并可能产生污泥或二次污染；基于高反应性羟基自由基（OH•）的AOP成为降解难降解有机污染物的有效替代。UV/氯及新兴UV-LED/氯系统因兼具氧化和消毒能力受到关注，UV激活氯可生成OH•和活性氯物种（reactive chlorine species, RCS）以降解抗性污染物。RB19是纺织废水中重要的持久性蒽醌染料。传统汞UV灯能耗高且有环境问题，UV-LED无汞、寿命更长、设计灵活。已有研究显示UV-LED/氯对RB19去除率高，但过程受复杂非线性交互影响，预测困难；ML尤其ANN已用于建模优化此类系统。现有UV-LED/氯研究多关注实验性能，针对RB19降解的预测和智能建模有限，操作参数、自由基化学和水基质效应之间的复杂非线性交互尚未定量阐明，控制因素相对重要性不清楚，模型可解释性、参数敏感性、重要性和预测不确定性关注不足。因此研究人员开展集成实验-智能框架研究，以可靠预测、敏感性/重要性评价、不确定性评估和优化过程控制。

研究人员开展的研究、结论与意义：研究人员以RB19的UV-LED/氯AOP降解为对象，系统量化关键过程参数影响，建立包含特征重要性、SHAP分析和回归误差特征（Regression Error Characteristic, REC）曲线评价的预测框架；比较MLR、KNN、RF、XGB和ANN五种复杂度递增的ML模型，并量化各操作参数相对重要性。结论是XGB预测性能最佳，测试R²为0.9899、RMSE为3.24%、MAE为2.17%、IA为0.9974，训练与测试差距小，无明显过拟合；UV-LED注量和反应时间为最重要预测因子，亚硫酸钠和pH亦有显著贡献；SHAP显示辐照相关参数较高一般对应较高预测降解效率，初始染料浓度和亚硫酸盐浓度较高对应较低预测降解效率；非线性模型显著优于线性MLR基线，说明该过程具有内在非线性。其意义在于为UV-LED/氯工艺优化、控制和减少实验工作量提供可靠数据驱动工具，并为染料污染物UV基高级氧化提供数据驱动优化策略。

关键技术方法（不超过250字）：数据集来自Gholizadeh et al.前期实验研究的467个实验运行；采用280 nm UV-LED批式光反应器，设置UV-LED单独、氯化单独和UV-LED/氯过程，以591 nm吸光度测RB19，COD用比色法，并进行自由基清除实验。输入含pH、初始RB19浓度、初始氯浓度、反应时间、波长、UV-LED注量、六种阴离子及三种自由基清除剂，输出为RB19降解效率。数据经Z-score标准化，采用随机70%/15%/15%划分及按实验条件分组的5折GroupKFold交叉验证，网格搜索调参；比较MLR、KNN、RF、XGB和ANN，以R²、RMSE、MAE、平均偏差误差（Mean Bias Error, MBE）和IA评价，并用XGB增益特征重要性、SHAP和REC曲线分析。

研究结果：4.1.1 多元线性回归（MLR）：通过训练、验证和测试集评价，MLR测试R²为0.6566、RMSE为18.86%、IA为0.8899，训练与测试存在差距，说明线性模型不能充分表征UV-LED/氯过程的非线性。4.1.2 K近邻（KNN）：网格搜索得到k=9、曼哈顿距离和距离加权；训练集R²接近1，测试R²为0.8477、验证R²为0.7160，表明其可作非参数基准但泛化有限。4.1.3 随机森林（RF）：训练、验证和测试R²分别为0.9848、0.9837和0.9804，差距很小，说明bagging集成可降低方差并避免过拟合。4.1.4 极端梯度提升（XGB）：训练R²为0.9976、测试R²为0.9899，MBE接近零、IA超过0.997，说明序贯提升和正则化带来高精度与良好泛化。4.1.5 人工神经网络（ANN）：该节报告训练、验证和测试R²为0.9816、0.9723和0.9670，早停于256轮，训练与验证RMSE、MAE接近，说明dropout、批归一化和早停后泛化良好；但表4和4.2节将ANN测试R²列为0.9463并排第三，原文存在数值不一致。4.2 模型性能比较：通过测试集指标比较，排序为XGB>RF>ANN>KNN>MLR，所有非线性模型均优于线性基线。4.3 GroupKFold交叉验证：按实验条件分组进行5折验证，XGB平均R²为0.9692±0.0130、RMSE为5.54%、MAE为3.52%、IA为0.9921，RF第二但折间变异较大，模型排序不变，GroupKFold结果更保守。4.4 特征选择：Time vs Fluence：比较“仅时间”“仅注量”和“二者同时”三种配置，仅时间与二者同时差异很小，仅注量性能明显较低，说明反应时间与UV-LED注量信息冗余而反应时间更具信息性；VIF分析显示去除波长后注量和时间VIF显著下降。4.5 总体性能评分与排名：采用评分系统，XGB总分69最高，RF为53，KNN为48，ANN为35，MLR为21；KNN训练得分高但验证和测试低，显示泛化弱。4.6 REC分析：REC曲线显示XGB测试AUC最高，RF为17.03，ANN为15.14，KNN训练AUC为19.97但测试降至11.23，MLR为8.25，说明集成方法尤其XGB预测最可靠，线性方法不足。4.7 特征重要性分析：XGB增益重要性显示UV-LED注量为0.2355、反应时间为0.2080，二者约占45%；亚硫酸钠为0.1344、pH为0.1318、初始RB19浓度为0.0763、波长为0.0546、IPA为0.0476、初始氯浓度为0.0260，其余低于0.022。4.8 SHAP分析：SHAP显示UV-LED注量和反应时间主要呈正贡献，低pH对应较高预测降解效率而高pH推低预测，初始RB19浓度和亚硫酸钠浓度较高对应较低预测；其余变量影响较小；原文强调这些是模型关联而非因果或机制证据。4.9 稳健性分析：分组特征重要性显示辐照相关组为38.36%、阴离子组19.74%、pH为17.41%、波长为8.99%、初始RB19浓度为6.63%、自由基清除剂组6.52%、初始氯浓度为2.34%；子集评估中全数据集XGB R²为0.9461±0.0324，无干扰子集为0.9761±0.0213，含非零阴离子子集为0.5981±0.4936（12组、84样本），提示干扰条件下预测需谨慎。

讨论部分总结：4.10 讨论指出，该文与近期ML驱动废水处理研究一致，非线性模型如XGB、RF、ANN和ANFIS常优于线性方法，pH、剂量、浓度和接触时间等关键操作参数强烈控制处理效率；但该文聚焦UV-LED/氯处理RB19的建模预测而非新实验，并整合SHAP可解释性、严格模型比较和过拟合分析，使用467个样本，且考虑干扰阴离子和自由基清除剂，扩展了分析范围；SHAP和特征重要性提供数据驱动的变量贡献解释，但不应解释为反应机制或因果关系的直接证据。4.11 工程启示指出，UV-LED注量和反应时间是最重要预测因子，实际应用应优先调整UV暴露时间和保证足够UV强度，而非增加化学剂量；将初始pH调至约5—6可增强降解；初始氯浓度重要性较低，说明足够氯剂量后继续增加收益递减，可减少化学消耗和消毒副产物（disinfection by-products, DBPs）形成；亚硫酸钠作为自由基清除剂呈显著负影响，提示应尽量减少干扰阴离子，预处理去除亚硫酸盐和自由基清除剂可提高效率；XGB高精度可用于数字控制系统实时监测和自适应控制。

研究结论部分翻译：该研究开发并比较了五种ML模型（MLR、KNN、RF、XGB和ANN），用于预测UV-LED/氯高级氧化过程中RB19降解效率。在所评估模型中，XGB表现出最高预测性能，测试R²为0.9899、RMSE为3.24%、MAE为2.17%、IA为0.9974。训练（R²=0.9976）与测试性能差异小，表明泛化良好且无实质性过拟合证据。XGB特征重要性分析识别UV-LED注量（23.6%）和反应时间（20.8%）为最具影响预测因子，合计约占归一化特征重要性评分的44%。pH（13.2%）和亚硫酸钠浓度（13.4%）也对模型预测显示显著贡献。SHAP分析表明，辐照相关参数值较高通常与较高预测降解效率相关，而较高初始染料浓度和亚硫酸盐浓度与较低预测降解效率相关。这些模型衍生趋势与UV-LED/氯氧化预期行为一致；但不应解释为因果或机制关系的直接证据。ML模型比较表明，非线性模型优于线性MLR基线（R²=0.6566），说明非线性模型更适合表征实验数据集内观察到的关系。KNN训练性能很高，但测试R²较低（0.8211），表明其泛化弱于XGB。所开发XGB模型为估计研究实验条件下RB19降解效率提供可靠预测工具，并可支持工艺优化和减少实验工作量。识别出的特征—预测关系为理解模型行为提供有用信息，并与预期UV-LED/氯降解趋势大体一致。需要进一步实验研究以建立因果关系并验证这些机制解释。