基于软传感器增强污水处理过程中空间变异氧化亚氮模型预测可解释性研究

《ACS ES&T Engineering》：Enhancing the Interpretability of Spatially Variable N2O Model Predictions with Soft Sensors during Wastewater Treatment

　　

基于污水处理厂(WWTP)营养盐控制运行数据与专用N2O监测战役构建的模型化解决方案，常用于推断氧化亚氮(N2O)排放。研究人员分析了机器学习(ML)模型如何预测污水处理(WWT)运行扰动及空间变异N2O排放。采用真实数据集验证建模框架，由四种ML模型预测的N2O排放取得R2=0.79–0.89。利用全厂机理模型模拟N2O监测战役，纳入附加传感器、厂级N2O数据集及污水扰动(n=16)。ML模型精度极高(0.97±0.02, n=80)，但特征重要性依赖于模型、情景及N2O测量尺度（反应器 vs. 厂级）。研究人员指出，N2O软传感器模型预测受限于测量位置与数据集的方法学不确定性，进而影响模型可解释性。最后，机理模型结构分析揭示了自养与异养途径经一氧化氮(NO)的相互作用，可能高估好氧亚硝酸盐生成并偏倚N2O途径贡献。

研究背景方面，氧化亚氮(N₂O)作为硝化副产物与反硝化必经中间体，其排放受技术、运行策略、微生物群落及气候共同影响，在时间与空间多尺度上高度变异。现有物理传感器数量少、可靠性有限，点测量（气体罩约1 m²或单点液体传感器）难以表征厂级空间变异，短期监测无法捕捉长期时间变异，导致排放因子(EF)估算偏差。机理模型(McM)虽能刻画途径贡献，但全尺度长期应用受限；机器学习(ML)黑箱模型在既有数据集上报告极高精度(R²可达0.98)，然而其准确性绑定于特定工艺、运行与测量方式，鲁棒性与可解释性边界不清。为此，研究人员在《ACS ES&T Engineering》发表该研究，结合真实全尺度数据集与机理模型合成厂级数据，系统诊断ML软传感器在空间变异N₂O预测中的性能、扰动敏感性与结构限制。

关键技术方法上，研究人员采用荷兰Kralingseveer污水处理厂真实数据集（314天、25分钟频次、13182样本、12特征、4个N₂O目标函数：Carrousel北/南北合计/推流反应器/PFR均值为WWTP_tot）；以改进BSM2布局（缺污泥线）在Matlab/Simulink生成16个合成监测战役（n=16，每年365天、15分钟频次、无误差），覆盖目标函数类型（单反应器气/液、厂级气）、特征数（12/14/21）、运行扰动（传质方程、好氧体积、微生物动力学±10%~20%、进水负荷、数据偏倚、6年混合、AOB生物学结构变更）；ML侧评估五模型（AdaBoost、XGBoost、Random Forest(RF)、Support Vector Regression(SVR)、k-Nearest Neighbors(kNN)）配合线性回归，数据归一化、5折交叉验证、Hyperband调参，用置换特征重要性(Permutation Feature Importance)与R²/MSE/MAE及残差时序分析评测。

研究结果部分，3.1节建模Kralingseveer厂N₂O排放显示，总排放均值94.5 kgN/d，两Carrousel占74%，Carr_N与WWTP_tot相关0.96而PFR_tot仅0.20；五ML模型中四模型R²=0.79–0.89（SVR最低），Carr_N场景下顶部特征含NH₄⁺_PFR、NO₂^–_CARR等，但模型间重要性排序相关性低（AdaBoost-RF为0.93，其余0.24±0.18），表明单点监测位置主导特征解释。3.1.3节空间变异预测表明，换用WWTP_tot/Carr_tot/PFR_tot作目标，精度仍0.73–0.90，但特征重要性随目标切换而变，WWTP_tot与Carr_N重要性相关高（kNN 0.99）与PFR_tot则低至负，证实软传感器解释受测量位置绑缚；线性与二阶交互模型R²_adj仅0.46–0.66，关系非线性重交互。3.2节改进BSM2中，基线工况N₂O排放因子(EF)1.09±1.11%，rA1/rA2/rA3贡献64%/24%/12%，厂级Gas.TOT与rA2相关最高(0.96)；途径上硝化菌反硝化占rA1达93%。3.3节合成数据上五ML模型总体R²=0.97±0.02（XGBoost 0.99±0.01最高），但特征排名跨模型无一致模式，达到90%精度所需特征数4–12不等；用基线超参迁移至扰动情景精度损失0.69±0.72%，而未重训直接外推时，好氧体积情景跌11%、偏倚数据跌13%、变更AOB生物学结构跌47%。3.3.1节目标函数影响显示，Gas.rA1、Liq.rA1、Gas.TOT三者特征模式互异，气液测量相关结构不同，单点训练模型不能代表厂级。

讨论与结论翻译：研究人员论证N₂O软传感器预测被限定于测量位置与数据集方法学不确定性，削弱可解释性；特征重要性依模型、情景与测量尺度而变，不能作为通用途径诊断依据；机理模型结构里自养（氨氧化菌AOB/亚硝酸盐氧化菌NOB）与异养反硝化经NO的耦合会高估好氧NO₂^–生成并扭曲N₂O途径分配；ML高精度（R²>0.9）常超过分析不确定度（10–25%），应警惕过拟合与虚假解释。该研究意义在于给出评价ML软传感器用于厂级N₂O减排的边界条件：需多位置气体收集、覆盖扰动工况、对齐McM途径结构，方能将黑箱预测转化为可信释因。