合成经验增强：一种在水务整合背景下用于扩展快速砂滤器堵塞预测中 LSTM 外推能力的双机制框架

《Water Research》：Synthetic Experience Augmentation: A two-regime framework for extending LSTM extrapolation in rapid sand filter clogging prediction under water utility consolidation

　　

合成经验增强生成共时高速训练对，无需估计床层参数即可消除未知床层参数。瞬时合成经验增强在两座全尺寸水厂均优于基线LSTM模型。在15个随机种子上测试了均匀合成经验增强和物理损失基线。历史数据处理和运行数据覆盖情况对实际应用具有指导意义。引言快滤池反冲洗调度依据穿透点和压降增加情况。过度反冲洗会增加反冲洗水消耗并降低水回收率，因此在过滤速度变化时，适当的运行条件至关重要。日本因人口下降和运营效率需求正在推动水务公用事业合并。水厂合并后，具有剩余设计能力的存量设施可能会承担额外的处理负荷。增加现有设施的产能，例如服务于新的工业区开发，也可能需要更高的过滤速度。然而，仅凭剩余设计能力无法说明在不熟悉的流速下持续运行会对滤池性能产生何种影响。因此，在增加处理通量之前，需要在较长时期内评估流速增加的后果。长期示范试验需要可用的处理工艺和运行调整，这将带来巨大的成本和精力。预测流速增加后压降轨迹的模型可以帮助缩小需要测试的运行条件范围，并支持制定更具体的运行计划，减少现场工作量。快滤的物理描述包括描述颗粒去除的岩崎方程和描述压降的柯曾尼-卡曼方程。在岩崎方程中，过滤系数随过滤进程和床层状态变化，因此在全尺寸水厂的应用需要对这些变化进行表征。柯曾尼-卡曼方程将压降与孔隙率、比表面积和过滤速度联系起来，但也需要适当描述颗粒累积时的床层状态。一些考虑絮体特性的动态模型也已被提出。然而，这些模型包含许多必须识别的参数，而常规运行记录很少能提供足够信息来确定每个参数及其在过滤过程中的变化。这种参数识别负担限制了其实际应用。机器学习通过从运行记录中学习预测关系提供了另一种途径。长短期记忆网络利用先前的时间序列观测值，能够捕捉水质和运行条件的变化。然而，在训练数据覆盖范围内的条件下的高准确率并不能保证在超出该范围——即需要外推时——仍能保持准确。因此，在合并后可能需要的不熟悉过滤速度下预测构成了挑战。物理信息神经网络通过惩罚训练期间偏离物理方程的情况，鼓励与物理方程一致的预测。在水处理应用中，它们已被用于预测膜污染发展。然而，施加物理约束并不能提供更高流速下的实测压降数据，因此并不一定能保证在不熟悉的流速范围内准确预测。由于絮体破碎和颗粒重新悬浮，实际压降也可能偏离理想的物理关系。过度强制与物理关系一致可能会阻碍模型拟合这些观测变化的能力。除了改进模型，数据增强还可以通过丰富训练数据来改善预测。平移和旋转等不改变目标值的变换会在观测域内添加样本，但不会将目标值范围扩展到未观测条件。相比之下，可以利用物理生成新条件下的训练数据。基于观测校准的物理模型已被用于为湖泊温度预测、城市排水水力学、管道破裂定位、机器人学和水资源回收设施建模提供训练样本。基于物理关系对实测数据进行变换，而非完全通过模拟器生成数据，也已被应用于声学传感和在未见运行条件下的剩余使用寿命预测。对于快滤而言，挑战在于生成高速输入-压降对，同时保留温度、混凝剂投加量和浊度的观测组合。识别演变中滤床的物理模型参数仍然困难。据我们所知，基于物理关系的快滤实测数据变换之前尚未被用于训练针对不熟悉高速的压降预测器。因此，我们提出合成经验增强，一种基于物理的实测数据变换方法。合成经验增强利用过滤速度与压降之间的比例关系生成高速输入-压降训练对，而无需单独识别特定水厂的滤床参数。本研究旨在开发并评估一种基于现有运行记录预测此前未观测到的高过滤速度下压降的方法，同时考虑水厂合并和产能扩张。我们利用合成经验增强将物理生成数据与实测记录相结合，使用某水处理厂24个月的长期记录评估性能，并利用某水处理厂3个月的短期记录检验有效性。与未使用增强数据的LSTM以及与物理信息神经网络的对比评估了高速预测及获得改进的条件。我们还在理论上模拟了持续在提高流速下运行，并考察物理适用性和预测误差。这些分析共同构成了在合并或产能扩张前评估反冲洗频率和运行条件的基础。水处理厂与数据集为预测压降轨迹，我们以松井1992年动态柯曾尼-卡曼模型为物理基础，选择了可观测输入变量。在某水处理厂使用五个变量预测压降：过滤速度、原水温度、聚合氯化铝投加量和两个取水系统的进水浊度。渗透性、孔隙率和比表面积随颗粒累积而变化，且难以从运行记录中推断。合成数据覆盖与物理一致性图3比较了某水处理厂实测样本和合成样本的流速范围和流速-压降对。面板(a)和(b)展示均匀合成经验增强，面板(c)和(d)展示瞬时合成经验增强。两种情况下，坐标轴均指代与最后输入位置相同的目标时间。每种方法向6855个实测训练窗口添加6000个窗口，4055个高速实测窗口构成外域测试集。所有合成的最终流速均超过4.3 m h?1。均匀合成经验增强覆盖4.30至6.18 m h?1，合成经验增强带来的改进与物理信息神经网络的差异共时比较评估了在目标时间运行变量条件下的压降。因此，它估计了与指定流速和水质条件相关的压降，而非预测未知的未来运行状态。瞬时合成经验增强在两座水厂均显著改善了基线外域R2。M1和M4i共享相同的架构和训练设置，额外的合成样本构成主要实验差异。低。结论我们开发了同步合成经验增强训练对，用于在不熟悉过滤速度下进行条件压降估计。得到以下发现：同一目标时间的过滤速度和压降乘以相同系数，无需单独识别特定水厂的孔隙率或比表面积。合成样本覆盖了某水处理厂被保留的流速范围，且比例缩放偏离阿尔贡基准保持在约1.2%以内。贡献声明广濑：构思、方法论、形式分析、验证、监督、原创草稿撰写、审阅与编辑。中根：方法论、软件、调查、数据管理、验证、审阅与编辑。岛谷：调查（某水厂数据集）、数据管理（某水厂数据集）、验证、审阅与编辑。清塚：资金获取、资源（政策信息）、调查（水务公用事业合并政策）。数据与代码可用性前述版本的分析代码，包括合成经验增强生成、模型训练、物理缩放检查及图形生成脚本，已根据MIT许可归档于Zenodo。逐小时重分析脚本伴随本次修订。两个版本均包含独立生成的人工数据演示并记录了所需输入。某水处理厂和某水处理厂的运行记录不公开，因此未包含在声明生成式AI及AI辅助技术在写作过程中的使用在撰写本稿件期间，作者使用了Claude和Codex辅助语言编辑和翻译、稿件组织以及支持分析、图形准备和文档制作的脚本。作者审阅和编辑了由此产生的材料，并对本出版物的科学内容和结论承担责任。贡献声明广濑：审阅与编辑、原创草稿撰写、验证、监督、方法论、形式分析、构思。中根：验证、软件、方法论、调查、数据管理。岛谷：数据管理、调查、验证、审阅与编辑。清塚：审阅与编辑、资源、调查、资金获取。利益冲突声明清塚是日本水处理设备制造商员工。该隶属关系未影响本研究的设计、执行、分析或解释。其他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论文中报告的工作。致谢我们感谢新潟市水道局提供某水处理厂的运行数据，感谢大分市水道下水道局员工，包括荒兼和竹下，提供某水处理厂的运行数据。我们也感谢日本水研究中心就政策背景提供的专业建议。本工作得到日本国土交通省通过支持。广濑|中根|岛谷|清塚