《Processes》：Mamba-PINN Resilience Assessment Model: A Data–Physics Integrated Approach for Typhoon-Resistant Adaptation of Zhuhai Coastal Sewage Treatment Systems
Sujun Xie,
Xiaolong Chen and
Hongfeng Zhang
编辑推荐：
研究人员提出一种新型数据-物理集成韧性评估模型Mamba-物理信息神经网络（Mamba-PINN），用于评估珠海沿海污水处理系统的抗台风扰动能力。极端天气事件频率的增加对城市基础设施构成重大挑战；然而，现有方法通常无法捕捉台风影响的复杂时空动态。该方法结合了用
研究人员提出一种新型数据-物理集成韧性评估模型Mamba-物理信息神经网络（Mamba-PINN），用于评估珠海沿海污水处理系统的抗台风扰动能力。极端天气事件频率的增加对城市基础设施构成重大挑战；然而，现有方法通常无法捕捉台风影响的复杂时空动态。该方法结合了用于高频监测数据处理的Mamba神经网络和物理信息神经网络（Physics-Informed Neural Network, PINN），以量化台风条件下的过程恢复动态。Mamba网络提取关键风暴影响特征，而PINN嵌入流体惯性和微生物活性抑制机制来建模系统响应。此外，研究人员引入了一种扰动-恢复韧性指数（disturbance–recovery resilience index），提供系统鲁棒性的定量度量，能够实现针对沿海污水厂的有目标适应性改造。所提出的方法通过整合两种范式，解决了纯数据驱动模型或纯物理模型的局限性，提供了对韧性机制更全面的理解。实验结果表明该模型在捕捉台风扰动与处理过程恢复之间的非线性相互作用方面具有有效性。该工作通过为气候变化下基础设施适应提供科学依据的框架，有助于沿海城市的可持续发展。
本论文提出了一种数据-物理集成的Mamba-PINN韧性评估框架，以应对珠海沿海污水处理系统面临的台风扰动挑战。研究背景方面，极端天气事件频发使城市基础设施暴露于显著风险，而现有韧性评估方法难以捕捉台风影响下系统复杂的时空动态特性。现存问题包括：台风扰动下污水物理性质（如颗粒密度）的动态变化常被忽略；物理定律在正常与极端条件下的应用边界模糊；先进状态空间神经网络（如Mamba）与物理信息神经网络（PINN）的集成在特定领域尚属空白。为此，研究人员构建了Mamba-PINN混合架构，该框架融合了Mamba神经网络的高频监测数据处理能力与PINN的物理约束建模优势，并引入扰动-恢复韧性指数（RI）用于定量评估系统鲁棒性。研究基于珠海3座代表性沿海污水厂（处理总容量85万m3/d）10年间37次台风事件的高频监测数据，以及中国气象局和珠海海洋环境监测站的气象与地理数据，通过12次台风事件进行了实证评估。主要结论表明，Mamba-PINN在扰动幅度预测（平均MAE=0.19）、恢复时间估计（如溶解氧恢复MAE=2.1 h）以及韧性指数与实际恢复率相关性（r=0.89）方面均优于纯数据驱动（LSTM、随机森林）和纯物理仿真模型（HBS），验证了数据-物理集成范式的有效性。该项工作为气候变化背景下沿海基础设施适应提供了科学工具，论文发表在《Processes》。
关键技术方法概述（不超过250字）：研究人员主要采用了三种关键方法：①Mamba神经网络的选择性状态空间机制，用于高效处理三座污水厂（来源：珠海水务局智能运维平台）的五分钟高频监测数据，提取时空扰动特征；②物理信息神经网络（PINN），嵌入Navier–Stokes方程（含浮力效应）和修正Monod方程（含底物抑制项）作为损失函数约束，确保预测的物理与生物学合理性；③扰动-恢复韧性指数（RI），通过归一化恢复容量与扰动幅度的比值，量化系统在不同工况下的韧性水平。数据来源包括珠海A、B、C三厂的历史传感器记录、CMA热带气旋数据库风暴潮数据及珠海海洋站水深岸线数据，所有高频数据均基于Nyquist准则以5分钟间隔采集，共获得129.6万有效数据点，按70%训练、15%验证、15%测试划分。
研究结果部分：
5.1 实验设置与基线比较：基于12次台风事件数据，将Mamba-PINN与LSTM、水力-生物动力学仿真（HBS）和随机森林进行对比。采用平均绝对误差（MAE）评估扰动幅度预测，Mamba-PINN在三厂均取得最小值（平均MAE=0.19），较次优的HBS降低18.18%，较最差的LSTM降低32.14%。与LSTM-PINN（MAE=0.25）和CNN-PINN（MAE=0.23）对比，Mamba-PINN的优越性进一步验证了选择性状态空间机制在台风特征提取上的优势。
5.2 扰动传播分析：Mamba网络成功捕获了台风诱导的扰动在各级处理单元间的时空传播模式。以2017年台风Hato和2018年台风Mangkhut为例，模型预测的扰动传播速度与实测值的Pearson相关系数分别达0.92和0.94，扰动幅度分布相关系数分别为0.89和0.91。更强台风表现出更快传播速度（0.35 m/s vs. 0.18 m/s）和更广影响范围。
5.3 消融研究与精度增强分析：通过对比完整框架与“仅Mamba”和“仅PINN”两个消融版本，验证了各模块贡献。完整Mamba-PINN在扰动幅度预测MAE上较最佳消融版（仅PINN）降低20.8%（0.24→0.19）；关键溶解氧恢复时间估计精度提升44.7%（MAE从3.8 h降至2.1 h）；韧性指数与实际恢复率相关性提升近10%（r从0.81升至0.89）。
5.4 恢复动力学建模：PINN组件在预测台风后恢复轨迹方面表现优异，尤其针对溶解氧（DO）和混合液悬浮固体（MLSS）等关键参数。恢复时间估计误差较基线模型显著降低：DO恢复MAE为2.1 h（较HBS降低44.74%），MLSS恢复MAE为3.4 h（降低20.93%），流量稳定MAE为1.8 h（降低33.33%），物理约束有效避免了数据驱动模型常出现的生物学不合理预测。
5.5 韧性指数验证：所提出的扰动-恢复韧性指数（RI）与12次台风事件中基于实测高频传感器数据计算的实际恢复率呈强相关（r=0.89，p<0.001）。RI值有效区分了不同工艺配置的脆弱性：传统活性污泥厂（A厂）RI=0.62±0.08；膜生物反应器厂（B厂）RI=0.71±0.06；集成固定膜活性污泥厂（C厂）RI=0.68±0.07，结果与各工艺已知的稳定性特征相符。
5.6 计算效率：尽管架构复杂，Mamba-PINN仍表现出实际可用性：总训练时间8.2 h（12次台风事件），预测时间0.4 s/时间步，内存占用6.8 GB。Mamba网络线性复杂度O(n)使其处理速度较基于Transformer的替代模型快3.2倍，适用于台风期间近实时场景。
讨论部分总结：讨论首先强调了基于实测地面真值对比所得核心优势——数据-物理集成范式使模型既具备高频数据的高拟合精度，又拥有强泛化能力，优于纯数据驱动和纯物理模型。局限性包括：模型精度依赖传感器数据质量与覆盖度；物理约束可能过度简化复杂微生物群落动态；计算延迟影响实时决策；假设供电稳定在强台风中常不成立。未来工作方向包括：开发降阶模型用于应急响应；扩展至基础设施互依系统；关注数据隐私与韧性投资公平性。
研究结论翻译如下：本研究的核心贡献在于提出了一种因果一致的数据-物理集成范式。该范式通过耦合高频特征提取与时变物理参数，揭示了台风扰动下污水颗粒密度动态偏差在系统恢复过程中的主导作用。定量结果表明，集成该动态物理偏差使预测误差降低12.3%，模拟恢复与实际恢复的相关性提升至0.89。提供了一种可转移的方法论，适用于任何因极端事件导致物质属性快速变化的气候脆弱系统（如河流泥沙输运、海岸侵蚀或土壤液化）。因此，该项工作为更广泛的科学机器学习领域贡献了一种新颖的“物理特征感知”建模范式。本研究提出了一个新颖的数据-物理集成Mamba-PINN框架，用于评估沿海污水处理系统对台风扰动的韧性，并通过珠海12次台风事件的实证评估严格验证了其有效性。基于定量实验结果的关键发现如下：①卓越的扰动传播表征：Mamba网络选择性状态空间机制实现了时空扰动模式的精确捕捉，三厂平均扰动幅度预测MAE=0.19，整合颗粒密度动态偏差使预测精度提升12.3%；②准确且物理合理的恢复建模：PINN组件嵌入Navier–Stokes和修正Monod方程，DO恢复MAE=2.1 h（较HBS降低44.7%），MLSS恢复MAE=3.4 h，流量稳定MAE=1.8 h；③已验证且有分辨力的韧性指数（RI）：RI与实际恢复率强相关（r=0.89，p<0.001），有效区分不同工艺配置（A厂0.62±0.08，B厂0.71±0.06，C厂0.68±0.07）；④为实际应用展示了计算效率：总训练时间8.2 h，预测时间0.4 s/时间步，较Transformer方案提速3.2倍。综上所述，该工作通过提供严格验证的数据-物理集成工具，不仅推进了基础设施韧性评估的方法论前沿，也为增强关键沿海基础设施的气候适应能力提供了实用的科学依据。未来工作将聚焦于将这一验证的方法扩展到其他气候脆弱系统，并开发用于实时应急响应场景的降阶模型。
