基于物理原理的机器学习方法，结合经粗糙度校正的界面描述符用于膜污染预测

《Industrial & Engineering Chemistry Research》：Physics-Guided Machine Learning with Roughness-Corrected Interfacial Descriptors for Membrane Fouling Prediction

　　

摘要

膜污染仍然是基于膜的水处理技术在设计、优化及长期稳定性方面的一个重要挑战。然而，由于膜表面粗糙度所引发的复杂的膜与污染物界面相互作用，使得准确预测污染行为变得困难。本研究提出了一种两阶段的物理引导型机器学习框架，以提升污染预测的准确性。在第一阶段，构建了一个残差学习模型，用于修正扩展的Derjaguin–Landau–Verwey–Overbeek（XDLVO）理论中关于理想平滑表面的假设，从而生成经过粗糙度校正的界面描述符。在第二阶段，将这些描述符引入机器学习模型中，利用包含162种膜和68种污染物的实验数据集来预测通量下降率（FDR）和通量恢复率（FRR）。使用经过粗糙度校正的界面描述符的模型，其性能始终优于使用未校正界面描述符的模型以及纯数据驱动的模型。在多次随机训练-测试划分中，该模型的平均绝对误差低于7%，而基于组的验证则显示出其在外推性能上的不足，尤其是在面对未见过的污染物时。模型分析进一步表明，在各种界面描述符中，Lifshitz-van der Waals相互作用（ΔG^LW）和静电相互作用（ΔG^EL）分别是影响FDR和FRR预测的关键因素；在当前数据集中，那些ΔG^LW值高于?1994 ± 88 kT且ΔG^EL值低于250 ± 8 kT的系统，通常具有更低的预测FDR值和更高的预测FRR值。