基于芬顿法的污泥脱水中的可解释机器学习:性能分析与操作窗口

《Process Safety and Environmental Protection》:Interpretable machine learning for Fenton-based sludge dewatering: Performance analysis and operational windows

【字体: 大 中 小 】 时间:2026年07月30日 来源:Process Safety and Environmental Protection 7.9

编辑推荐:

  摘要芬顿氧化因其高效性及对不同类型污泥的广泛适用性,被视为深度脱水的一种有效方法。然而,传统的实验研究通常聚焦于特定反应条件下的单一污泥系统,难以得出可推广的结论以及提升芬顿法脱水性能的最佳操作参数。本研究运用五种机器学习算法,基于过去15年发表的72项研究中的335个数据点,分

  

摘要

芬顿氧化因其高效性及对不同类型污泥的广泛适用性,被视为深度脱水的一种有效方法。然而,传统的实验研究通常聚焦于特定反应条件下的单一污泥系统,难以得出可推广的结论以及提升芬顿法脱水性能的最佳操作参数。本研究运用五种机器学习算法,基于过去15年发表的72项研究中的335个数据点,分析了芬顿法及类似芬顿法系统中污泥的脱水行为。这些数据涵盖了污泥特性(污泥类型、VS/TS值以及胞外聚合物含量)、操作参数(初始pH值、反应时间以及铁催化剂和氧化剂的添加量)以及脱水指标(过滤阻力、毛细吸水时间以及污泥饼含水量)。在测试的模型中,随机森林模型的预测性能最佳(测试R2值为0.69,RMSE值为6.16)。通过SHapley加性解释法和偏依赖图对模型进行解读后,发现初始pH值、VS/TS值以及芬顿试剂的添加量是影响污泥脱水效率的关键因素。研究还确定了高效的污泥脱水操作范围:初始pH值应在2.8-5.5之间,铁催化剂的添加量应为5-20毫米摩尔,而氧化剂的添加量则为25-50毫米摩尔。进一步分析加入与胞外聚合物相关的变量后,预测性能提升至R2值为0.77,结果表明,紧密结合的胞外聚合物中的蛋白质与多糖比例以及多糖含量是影响污泥脱水性的关键指标。这项研究展示了可解释性机器学习作为预测污泥脱水性能、确定关键操作参数以及优化芬顿法系统设计以提升污泥处理效率的通用框架的潜力。

引言

随着污水收集和处理设施的不断扩展,全球每年产生的污泥固体总量预计将达到8000万至9000万吨,这给环境管理带来了巨大挑战(Gu等人,2024年)。污泥通常含有较高的水分(超过99重量%),同时还存在重金属和难降解有机化合物等多种污染物(Christensen等人,2015年)。因此,机械脱水是污泥处理过程中的重要步骤,它能够将污泥体积减少一个数量级以上,从而显著降低后续运输和处置的成本(Nabi等人,2025年)。不过,由于原始污泥具有高度水合的胶体结构,其脱水难度较大(Wu等人,2020年)。尤其是胞外聚合物会形成三维网络结构,通过黏附作用和化学键将大量水分保留在污泥团块中(Kim等人,2016年;Liang等人,2026年;Sheng等人,2010年)。
近几十年来,芬顿氧化因其强大的氧化能力以及对初级污泥、活性污泥和厌氧消化污泥等不同类型污泥的广泛应用,而成为一种有效的污泥预处理方法。基于芬顿法的处理系统包括传统的Fe2+/H2O2系统,以及采用铁基催化剂(如Fe0、有机螯合态的Fe2+/3+、铁氧化物、铁矿物和电铁)和其他氧化剂(如CaO2和Na2CO3·1.5H2O2)的类似芬顿法系统(Liang和Zhou,2022年;Olvera-Vargas等人,2019年;Xiao等人,2017年)。这些系统通过Haber-Weiss型反应产生高活性的自由基(如·OH)和可溶性的Fe3+,进而破坏胞外聚合物的结构,损害污泥细胞,促进细小颗粒的聚集,从而提升污泥的脱水性(Neyens等人,2004年;Yu等人,2019年)。先前的研究表明,经过30–60分钟的芬顿处理后,污泥的过滤阻力可从1013米/千克降至1011米/千克,毛细吸水时间则可从约80秒缩短至约20秒(Li等人,2025年;Yu等人,2021年;Zhang等人,2022年)。若将此方法与板框压滤机等机械脱水技术结合使用,污泥饼的含水量还可进一步降低至60%以下(Wu等人,2020年)。
尽管芬顿法具有诸多优势,但其实际应用仍面临一些技术和经济上的难题。这些问题包括需要较高剂量的化学物质(通常铁催化剂和氧化剂的添加量为干固体的50–500毫克/克),以及处理像H2O2和H2SO4这样的腐蚀性化学物质时存在的安全风险(Liang和Zhou,2022年;Tao等人,2026年)。此外,虽然通过传统的统计方法(如皮尔逊相关分析),已经可以将污泥的表面电荷、颗粒大小分布和胞外聚合物组成等特性与脱水性联系起来(Lv等人,2019年;Li等人,2023年;Skinner等人,2015年;Wang等人,2020年),但这些因素的相对重要性及其综合效应仍未被充分理解。尤其是在芬顿处理过程中,污泥的脱水性能受多种变量之间的复杂相互作用影响,这些变量包括污泥本身的特性(如污泥类型、胞外聚合物组成和微生物群落)以及操作参数(如pH值、反应时间、铁催化剂和氧化剂的添加量)(Babuponnusami和Muthukumar,2014年;Cao等人,2021年;Li等人,2020年;Liang等人,2020年;Wen等人,2024年)。传统的统计方法往往无法捕捉到这些非线性且多变量之间的关系。这些局限性凸显出需要采用先进的数据驱动方法,以便在优化脱水性能、控制化学物质消耗、确保操作安全的同时,深入理解相关机制。
机器学习为建模复杂的非线性系统以及从多维数据集中提取有意义的信息提供了强大的工具(Yang和Li,2025年)。这一能力使得机器学习特别适合用于分析芬顿法处理过程中的各种变量与污泥脱水性能之间的关联。近年来,已有研究开始将机器学习技术应用于污泥处理领域。例如,结合图像传感器的技术被用于优化絮凝剂的添加量(Yokoyama等人,2024年),通过对生物絮团的图像分析,可以准确判断最佳的混合条件(Fukasawa和Watanabe,2025年),还有可解释性的机器学习模型被用来预测高级氧化工艺对污泥饼含水量的影响(Ling等人,2025年)。这些研究都表明,机器学习有望将污泥处理从传统的经验试错方式转变为基于数据的优化方式。不过,目前仍缺乏将机器学习用于系统评估芬顿法促进污泥脱水的应用研究。尤其是在机器学习框架中,尚未明确界定出能够在保障脱水效率的同时控制化学物质消耗的可操作范围。尽管有研究表明,SHapley加性解释法能够量化特征的重要性并提升模型的可解释性(Zhang等人,2025年),但利用偏依赖图来分析关键操作变量在实际操作范围内的边际效应的研究仍然较少。这类分析可以为实际工艺的优化提供更直接的指导(Hu等人,2025年;Molnar等人,2023年)。
因此,本研究旨在通过将可解释性机器学习与基于大量文献整理的芬顿法及类似芬顿法污泥预处理数据库相结合,来填补现有研究的空白。具体而言,本研究的目标是:(1)从72项经过同行评审的研究中整理出一个数据库,构建基于SHAP解释的机器学习模型,从而量化多因素输入(污泥特性和操作条件)与脱水性能指标(毛细吸水时间、过滤阻力以及污泥饼含水量)之间的关系;(2)运用偏依赖图将模型得出的关系转化为可用于工艺优化的实际操作范围;(3)借助可解释性机器学习框架,深入分析胞外聚合物的变化如何影响污泥的脱水行为。

章节要点

材料与方法

本研究的整体工作流程如图1所示,主要分为三个阶段:数据集准备、模型构建以及模型解读。首先,根据关于污泥芬顿法脱水的专业知识,对现有的文献资料进行整理、筛选和标准化处理。接着,构建多种机器学习模型并对它们进行比较评估。表现最佳的模型随后通过超参数优化和交叉验证进一步改进。最后,

污泥脱水模型的特征编码

分类变量的编码策略会显著影响机器学习模型的性能(Yang和Li,2025年)。图2和图S1展示了在训练集和测试集中,采用不同编码策略时,随机森林模型预测值与实际观测值在三种污泥脱水指标(即毛细吸水时间、过滤阻力以及污泥饼含水量)上的差异。在所测试的三种编码方法中,标签编码在测试集的所有目标指标上始终能带来最佳的预测效果(见图2),其性能优于独热编码法。

结论

本研究构建了一个可解释性的机器学习框架,用于分析常见的芬顿法及类似芬顿法处理系统中的污泥脱水行为。各模型的性能排序为随机森林 > XGBoost > 支持向量机 > 岭回归 > Lasso回归。通过结合标签特征编码与网格搜索超参数优化方法,进一步提升了随机森林模型在预测污泥脱水性能方面的稳定性和准确性,其在测试集上的R2值为0.69,RMSE值为6.16。该模型

未引用参考文献

(Cetin和Erdincler,2004年;Dou等人,2023年;Guo等人,2016年;Li和Yang,2007年)

CRediT作者贡献说明

徐美才:撰写原文初稿、验证结果、阐述方法、开展研究、整理数据。李光通:开展研究、整理数据。郑敏:参与文章审阅与编辑、负责监督工作、提出研究构想。方迪:参与文章审阅与编辑、验证结果、承担监督职责、争取研究资金、提出研究构想。Volodymyr Tarabara:参与文章审阅与编辑、提出研究构想。郭巧文:开展研究、整理数据。孙玉英:开展研究、整理数据。钟英烨:开展研究、整理数据

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果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(项目编号为42477266)以及江苏省高校青蓝工程的资助。
徐美才|李光通|孙玉英|钟英烨|郭巧文|方迪|Volodymyr Tarabara|郑敏
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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