饱和多孔介质中受环境因素影响的胶体输运的参数化与预测:一种基于物理原理的机器学习方法
《Journal of Contaminant Hydrology》:Parameterization and prediction of environment-dependent colloid transport in saturated porous media: A physics-informed machine learning approach
【字体:
大
中
小
】
时间:2026年07月23日
来源:Journal of Contaminant Hydrology 5.5
编辑推荐:
摘要:在多孔介质中,胶体传输行为会因溶液化学性质、水力条件以及孔隙结构特征的不同而出现显著差异。传统的平流-扩散模型通常将传输参数视为常数,这限制了其在不同环境条件下的预测能力。本研究构建了一种基于物理原理的机器学习框架,通过推导关键传输参数的显式表达式,来描述和预测不同环境条件
摘要:在多孔介质中,胶体传输行为会因溶液化学性质、水力条件以及孔隙结构特征的不同而出现显著差异。传统的平流-扩散模型通常将传输参数视为常数,这限制了其在不同环境条件下的预测能力。本研究构建了一种基于物理原理的机器学习框架,通过推导关键传输参数的显式表达式,来描述和预测不同环境条件下的胶体传输行为。该研究以98组柱状实验数据为基础,首先通过综合重要性分析确定各传输参数的主要影响因素,然后运用受胶体过滤理论约束的非线性拟合方法处理可逆吸附-解吸参数,同时采用混合极梯度提升算法与Python符号回归框架处理不可逆吸附参数。这些显式表达式将传输参数与流速、离子强度、pH值、孔隙度以及颗粒与载体粒径比联系起来。通过交叉验证、与文献参数对比以及突破曲线模拟等方式评估了模型的预测性能,结果表明所提出的参数化方法能够准确反映受环境影响的传输参数,并重现突破曲线。流速主要通过平流作用控制胶体传输,而通过参数调节产生的间接影响则较为有限。孔隙度既影响传输过程,也影响与吸附相关的参数,其中参数调节起着主导作用。pH值、离子强度以及颗粒与载体粒径比则主要通过改变界面相互作用、静电斥力以及物理挤压作用来调控胶体的沉积、释放及吸附容量。所提出的框架为在不同环境条件下模拟饱和多孔介质中的胶体传输提供了具有物理意义且可迁移的建模方法。
引言:在多孔介质中,胶体传输在污染物迁移、地下水风险评估以及地下修复和屏障系统性能评估方面发挥着重要作用(Deb和Chakma,2023;Liu等人,2025)。在天然含水层和人工多孔屏障中,重金属、放射性核素以及有机污染物可能会与可移动的胶体颗粒结合在一起(Sen和Khilar,2006;Sch?fer等人,2012;Alimi等人,2018;He等人,2024),从而提高它们的移动性,使其突破行为与单纯溶解态溶质有所不同(Flury和Qiu,2008;Bekhit等人,2009;Kheirabadi等人,2017;Valsala和Govindarajan,2022;Paswan和Sharma,2023、2024、2025)。近期研究进一步表明,胶体促进的传输会增加污染物羽流演变的不确定性,降低基于传统溶质传输假设的预测可靠性(Ma等人,2024;Wei等人,2024)。因此,提升在不同环境条件下对胶体传输的预测能力,对于评估污染物的长期命运、设计人工屏障以及制定受污染地下环境的修复策略至关重要(Kajal和Thakur,2024;Liu等人,2024)。
传统的胶体传输模型通常基于平流-扩散方程,并结合单点或双点吸附动力学来构建。在这些模型中,可移动的胶体通过平流和扩散作用传输,而吸附和释放则通过附着、脱附以及阻塞项来表示(Corapcioglu和Jiang,1993;Bekhit和Hassan,2005;?imunek等人,2006;Babakhani等人,2017a;Kheirabadi等人,2017;Chotpantarat和Kiatvarangkul,2018;Bai等人,2019)。这些模型为解释柱状实验结果和模拟突破曲线提供了有用的机制基础。然而,它们的预测能力在很大程度上依赖于诸如可逆沉积系数、释放系数、不可逆沉积系数以及最大吸附容量等传输参数。在大多数应用中,这些参数是为特定实验条件校准后的,之后被当作常数处理(Chotpantarat和Kiatvarangkul,2018;Cao等人,2023)。但这一处理方式与胶体吸附和释放实际上对溶液化学性质、水力作用以及孔隙结构极为敏感的事实不符(Fang等人,2016;Chen等人,2022;Ye等人,2024)。
先前的实验研究表明,溶液化学性质是控制胶体传输的重要因素之一。离子强度会影响电双层的厚度以及胶体与载体表面之间的排斥能大小。离子强度的增加通常会压缩电双层,减弱静电斥力,从而促进胶体沉积,而较低的离子强度则可以提高胶体的移动性,有助于其释放(Wikiniyadhanee等人,2015;Ge等人,2018;Zhou等人,2023;Cao等人,2025)。pH值则会影响胶体以及多孔介质的表面电荷,进而改变其附着效率与吸附行为(Xu等人,2022;Boonkaewwan和Chotpantarat,2024)。这些化学效应在不同类型的胶体及多孔介质中均有报道,表明胶体的沉积和释放无法用与溶液化学性质无关的固定系数来描述。
水力条件以及孔隙几何结构也会对胶体传输产生重要影响。流速或孔隙水速度会影响停留时间以及水力阻力。较高的流速虽然能增加胶体向载体表面的输送量,但也可能由于水力作用的增强而促使那些附着较弱的颗粒重新移动(Bai等人,2021;Cao等人,2021;Pan等人,2023;Movahedi等人,2024;Bradford和Lin,2025)。此外,多孔介质的性质还会影响流动路径的可达性以及发生物理挤压的概率。孔隙度决定了可利用的孔隙体积以及流体分布情况,而胶体尺寸与载体粒径之比则可以从几何角度反映截留作用、孔喉可达性以及挤压潜力(Bradford等人,2002、2003、2007;Xu和Saiers,2009;Lin等人,2021、2022)。早期研究显示,当颗粒尺寸相对于孔隙空间较大时,胶体的吸附量会增加,而且尺寸排阻作用以及挤压作用可能会导致非指数型的吸附曲线,这类曲线无法仅通过传统的清洁床过滤模型来完全解释(Xu等人,2008;Porubcan和Xu,2011;Liu等人,2018;Zhang等人,2021)。这些研究结果表明,胶体传输参数本质上具有条件依赖性,应当作为可测量的环境变量的函数来表示。
为更好地描述胶体的吸附行为,一些研究试图建立传输参数与控制变量之间的显式关系。Yao等人(1971)以及Logan等人(1995)最初基于胶体过滤理论提出了传输参数的理论公式。后续研究则将附着效率以及载体效率纳入胶体传输模型,并利用这些公式来估算与沉积相关的参数(Bradford等人,2002、2004;Tong和Johnson,2006;Foppen等人,2007;O'Carroll等人,2013;Toloni等人,2014;Liu等人,2019)。还有些研究进一步引入了与离子强度以及流速相关的函数关系。Tosco等人(2009)、Tiraferri等人(2011)以及Liu等人(2020)将沉积系数和释放系数与离子强度联系起来。Tosco等人(2014)建立了涉及孔隙度、流速、胶体尺寸以及载体粒径的参数关系,并将释放系数与水力阻力以及流体粘度相关联。Bianco等人(2016)则进一步将离子强度纳入沉积和释放公式之中。Krishna等人(2022)通过直接拟合柱状实验数据,得出了传输参数与离子强度之间的经验关系。这些研究取得了重要进展,因为它们超越了仅为特定案例进行参数校准的做法。不过,现有的大多数公式仍然需要针对具体实验的经验系数,其在不同溶液化学性质、流速条件以及多孔介质中的应用范围仍然有限。
机器学习为捕捉胶体传输参数与环境变量之间的非线性关系提供了一种可能性。在地下水及污染物传输研究中,机器学习已被用于在复杂条件下预测浓度分布、突破行为以及与传输相关的参数(Nourani等人,2017;Huang等人,2021;Luo等人,2023;Samborska-Goik和Pogrzeba,2024;Baseka等人,2026)。在胶体传输研究领域,Babakhani等人(2017b)整理了柱状实验数据,利用人工神经网络预测了附着系数以及出水浓度,同时还分析了各控制变量的相对重要性。Goldberg等人(2015)将随机森林模型应用于纳米颗粒的吸附研究,结果表明数据驱动的方法相比传统的基于胶体过滤理论的描述,能更好地再现非指数型的吸附曲线。更近期的研究则将机器学习的应用扩展到了涵盖不同类型胶体、多孔介质以及环境条件的更广泛数据集上(Yu等人,2020;Banerjee等人,2023;Gomez-Flores等人,2023;Zheng等人,2023)。人工智能还被用于相关的胶体研究任务,例如在饱和多孔介质中自动检测胶体颗粒(Mirzaei等人,2025)。此外,将机器学习与孔隙尺度模拟技术相结合,包括计算流体动力学以及格子玻尔兹曼方法,已被证明可以降低微观传输模拟的计算成本(Marcato等人,2021;Aslannejad等人,2022)。
尽管取得了这些进展,但目前大多数关于胶体传输的机器学习应用都集中在直接预测吸附分数、附着系数或突破曲线之上。所学习到的关系很少被转化为可以纳入机制性传输方程的显式参数表达式,因此它们在基于过程的模拟中的可解释性和适用性仍然有限。因此,一个关键的挑战在于将机器学习的非线性学习能力与物理约束以及符号可解释性相结合,从而以适合机制建模的形式估算出受环境影响的传输参数。
为应对这一挑战,本研究开发了一种基于物理原理的机器学习框架,用于在不同环境条件下推导胶体传输的显式参数化表达式。该研究的创新之处在于,它将针对特定条件拟合得到的参数转化为可嵌入双点平流-扩散模型中的通用表达式。具体而言,利用胶体过滤理论来约束可逆沉积和释放参数,而采用混合极梯度提升算法与符号回归策略来获得不可逆沉积参数的显式表达式。这些推导出的表达式将传输参数与离子强度、pH值、流速、孔隙度以及颗粒与载体粒径比联系起来。
从实际应用的角度来看,当具备特定场所的氢化学、水力以及多孔介质相关数据时,所提出的框架可以为机制性胶体传输模型提供初步的参数估算值。它有助于对含水层中由胶体促进的污染物迁移、黏土衬层及过滤屏障的突破风险,以及受污染场地的工程屏障性能进行初步评估。
方法部分:本节介绍了本研究采用的方法论框架。首先介绍一种广泛应用的胶体传输模型,为后续的参数化分析提供理论基础,随后阐述数据集的收集、筛选以及预处理流程。接着通过综合重要性分析来确定每个传输参数的关键影响因素。最后介绍用于参数估算的机器学习方法。
实验突破曲线验证:通过机器学习得到的胶体传输参数公式(方程式(9)、(10)、(11)、(12)、(13)、(14)、(15)、(16)、(17))被纳入双点胶体传输模型(方程式(1)、(2)、(3)、(4))中。之后将模拟得到的突破曲线与实验结果进行对比,以验证所提出参数化方法的准确性。比较所使用的实验数据来自Cao等人(2023)以及Wei等人(2023)的研究。表3总结了实验相关内容。
应用部分:基于所推导出的传输参数公式,本节重点分析关键因素对胶体突破曲线的影响。模拟的土壤柱直径为2.6厘米,高度为10厘米,容重为2.6克/立方厘米。注入的胶体浓度c0设定为200毫克/升。水力扩散系数按照D=D0+av的公式计算,其中D0表示胶体的分子扩散系数(1.0×10?12米2/秒),a为扩散系数。
讨论部分:本研究的主要贡献在于建立了将环境条件与双点胶体传输模型中的关键参数相联系的显式参数化关系。这些关系是在物理原理指导下通过统计拟合得到的表达式,而非分析公式或基于第一性原理的公式。其可解释性主要体现在对预测因子的合理选择,以及所识别出的趋势与已知胶体传输规律的一致性上。
结论部分:本研究利用基于物理原理的机器学习框架,量化了环境因素对胶体传输参数的影响。所建立的参数化模型包含了流速、离子强度、pH值、颗粒与载体粒径比以及孔隙度这五个关键环境变量。将这些推导出的传输参数表达式纳入双点模型中,用以评估它们对胶体突破行为的影响。主要结论如下:1.流速对胶体传输具有显著影响。
CRediT作者贡献声明:林涵:撰写——原始草案、验证、软件应用、研究实施、形式分析、概念构建。张志红:写作——审稿与编辑、项目监督、资金筹措、概念构思。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金(编号:42477212)的支持。林涵|张志红中国北京市北京工业大学,教育部城市安全与灾害工程重点实验室
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号