可解释的机器学习分析方法用于研究水中有机污染物去除的性能及机制

《Process Safety and Environmental Protection》：Explainable machine learning analysis of trace organic contaminants removal performance and mechanisms in water purification processes

　　

安琪·朱 | 元宇·吴 | 永利·安 | 清阳·刘 | 章琳·吉

摘要

痕量有机污染物（TrOCs）在水生环境中普遍存在。它们的高持久性和抗降解性对生态系统健康构成了严重威胁。从水中有效去除这些污染物仍然是水处理领域面临的重大挑战。为了理清影响分离效果的复杂因素，本研究开发了一个基于机器学习（ML）的模型，该模型利用包含30种结构各异的TrOCs的综合性数据集进行训练，整合了膜结构、操作条件以及污染物的物理化学性质，以预测反渗透（RO）膜的去除性能。在评估的模型中，极端梯度提升（XGBoost）模型取得了最高的准确率，训练集和测试集的决定系数（R2）分别为0.98和0.91。Shapley加性解释（SHAP）分析指出，分布系数、ζ电位和膜孔径是最重要的因素，成功揭示了疏水性亲和力、静电排斥和空间阻碍等作用机制。此外，部分依赖图（PDPs）评估了协同作用，表明当分布系数在-0.2至0之间、ζ电位在-20至10 mV之间时，反渗透效果最佳。这些发现为反渗透去除TrOCs的性能提供了机制上的见解。通过将性能与基本的物理化学参数关联起来，本研究为优化水处理策略和降低长期环境风险提供了定量阈值。