综述:机器学习用于水处理吸附过程建模:数据、特征工程、验证及报告实践的系统性综述
《Journal of Water Process Engineering》:Machine learning for adsorption process modeling in water treatment: A systematic review of data, feature engineering, validation, and reporting practices
【字体:
大
中
小
】
时间:2026年08月30日
来源:Journal of Water Process Engineering 6.6
编辑推荐:
•大多数研究在小型(≤ 200)、单一实验室且很少共享的数据上训练浅层机器学习模型。
•模型仅使用操作条件,因此很少能跨材料迁移。
•内部 R2通常超过 0.98,但仅有 5.5% 的研究出现了外部验证。
•该领域分裂为两派;只有基于描述符的模型能跨材料泛化。
•我们提出了分
•大多数研究在小型(≤ 200)、单一实验室且很少共享的数据上训练浅层机器学习模型。
•模型仅使用操作条件,因此很少能跨材料迁移。
•内部 R2通常超过 0.98,但仅有 5.5% 的研究出现了外部验证。
•该领域分裂为两派;只有基于描述符的模型能跨材料泛化。
•我们提出了分级报告标准和通往可迁移机器学习模型的路线图。
引言
染料、重金属、药品和其他新兴有机微量污染物对水环境的污染一直是环境工程领域持续面临的挑战,因为这些物质即使在痕量浓度下也具有毒性、生物积累潜力和顽固性 [1], [2]。在现有的修复技术中,吸附在水和废水处理中保持着核心地位,因为其操作简单、成本低廉、设计灵活,且低成本可持续吸附剂(如生物炭、活性炭、生物聚合物复合材料和金属有机框架 (MOFs))日益可用 [2], [3]。吸附过程的合理设计关键取决于预测吸附行为的能力,将其视为吸附剂性质、吸附质特征以及操作条件(如溶液 pH 值、温度、初始浓度、接触时间和吸附剂量)的函数 [4], [5]。
传统上,这一预测任务通过机理模型和半经验模型来解决,包括平衡等温线方程(例如 Langmuir、Freundlich、Sips)、动力学表达式(例如准一级、准二级、颗粒内扩散)和热力学公式 [6], [7]。这些模型编码了物理可解释性,并为固 - 液界面提供了宝贵的机理见解,但其预测适用性受到内在限制。大多数经典等温线和动力学模型是在简化假设下推导出来的,例如 Langmuir 模型中的表面均一性或 Freundlich 模型中的经验拟合,这些假设在实际废水基质中经常被违反,实际废水基质以竞争性多组分吸附和异质结合位点为特征 [7], [8]。更根本的是,它们一次只描述一种关系,不适合捕捉多个操作和材料变量同时存在的非线性且强烈耦合的影响 [4], [5]。将它们扩展到新的吸附剂 - 吸附质系统需要重新拟合,且可迁移性有限,这限制了它们在实用处理设计所需的快速筛选、优化和放大中的用处。
在这种背景下,机器学习 (ML) 在过去十年中作为一种互补的数据驱动范式出现,用于吸附过程建模 [5], [9]。通过直接从实验数据中学习模式,ML 算法可以在不预设固定功能形式的情况下近似高度非线性、多变量输入 - 性能映射,并且可以整合从操作参数到吸附剂表征描述符的异质预测因子 [4], [5]。在吸附文献中,主导方法不是深度架构,而是我们统称的浅层机器学习。这一类别包括浅层人工神经网络和多感知器(通常不超过两个隐藏层)、随机森林、支持向量机和回归、梯度提升家族 (XGBoost、GBDT、LightGBM、CatBoost、AdaBoost)、决策树、k 近邻、高斯过程回归、自适应神经模糊推理系统、贝叶斯方法及其混合或集成变体。这种流行并非偶然:吸附研究主要基于台式批量实验,产生相对较小且结构化的表格数据集,在这种情境下,浅层机器学习模型不仅足够,而且通常比数据饥饿的深度学习网络更合适,后者在训练数据稀缺时容易发生过度拟合且可解释性有限 [10], [11]。因此,浅层机器学习构成了一个连贯且实际相关的方法论类别,值得单独进行系统审查,区别于卷积、循环、Transformer 或图神经网络等深度架构。
尽管此类研究迅速普及,但现有的综述文献未能充分描述该领域的方法论现状。最近的综述倾向于分为三类:涵盖水和废水处理中人工智能的广泛调查,其中吸附仅被表面化处理 [9], [12];采用材料发现视角的机器学习辅助吸附剂材料设计综述 [13];以及聚焦于单一吸附质类别的污染物特异性综合 [5]。虽然有价值,但这些综述存在两个反复出现的局限性。首先,它们主要专注于性能:其组织问题是哪种算法实现了最高的预测准确性,而不是报告的预测是否可重复、经过正确验证且具有机理可解释性。其次,它们通常将浅层和深度学习混为一谈,归入单一的"ML"伞下,并依赖文献计量或叙事综合。因此,关于数据集如何获取和共享、输入特征如何工程化、模型如何验证以及其预测如何解释等根本问题,在整个语料库层面仍未得到解答。这些维度并非次要关注点:它们决定了基于机器学习的吸附模型是否可以被信任、跨研究比较,并转化为可靠的工程实践,而不是保持孤立和不透明的曲线拟合练习。
最近几项综述为基于机器学习的吸附建模做出了宝贵的见解贡献,但留下了本工作填补的方法论缺口。Reynel-ávila 等人 [5] 调查了污染物吸附中的人工神经网络应用,主要采用以性能为中心的视角,编目算法准确性,但未审计验证协议或报告透明度。Zhu 等人 [9] 确定了环境机器学习在领域层面的常见陷阱,但未专门针对吸附研究进行语料库级别的提取。Alprol 等人 [12] 广泛审查了废水处理和机器学习,将吸附作为众多单元过程之一。Yuan 等人 [13] 专注于机器学习辅助吸附剂材料设计,采用材料发现而非过程建模的视角。这些综述中没有一个对吸附建模研究中的数据集来源、特征工程选择、验证设计、超参数透明度、不确定性报告和可解释性实践进行了结构化、语料库级别的审计;也没有将传统(浅层)机器学习与深度学习隔离开来。本综述通过提供正是这样的审计来填补这一缺口,仅限于浅层机器学习,以便对这种主导的小型数据范式特有的实践进行描述,而不被深度学习工作稀释。
本综述通过对应用于水处理中吸附过程建模的浅层机器学习进行系统综述来解决这一缺口。与先前的性能导向调查不同,重点是数据集如何获取和共享、特征如何工程化、模型如何验证以及其预测如何解释,并且范围仅限于浅层机器学习,以便描述这种主导的适合小型数据的范式特有的实践,而不被深度学习工作稀释。综述围绕三个操作性研究问题构建,这些问题共同管辖搜索策略、数据提取和综合。第一个问题涉及数据来源和数据集特征:用于训练水处理吸附浅层机器学习模型的数据集来源、规模和组成特征是什么,以及这些数据集在多大程度上共享以实现可重复性?第二个问题涉及特征工程实践:哪些类别的输入特征(操作、吸附剂表征或领域衍生)以及哪些特征处理实践占主导地位,这些选择如何限制模型跨吸附剂和污染物的可泛化性?第三个问题涉及算法选择和性能报告:哪些浅层机器学习家族最频繁地用于每个吸附任务,支撑其性能声称的验证协议和超参数策略是什么,以及误差指标、不确定性和可解释性报告的频率如何?
为了回答这些问题,从 Scopus 和 Web of Science 检索了 2020 年 1 月 1 日至 2026 年 4 月 25 日(搜索执行日期)之间发表的同行评审研究,并根据预定义的资格标准进行筛选,最终得出 55 项纳入研究的语料库。本工作的主要贡献不是另一个算法性能排名,而是一个方法论聚焦的综合,映射了基于机器学习的吸附水处理中的数据、特征工程、验证和可解释性实践,并将观察到的模式转化为基于证据的议程,以推进这些模型成为可持续水处理设计的可信工具。
除了单独审计这些实践外,通过整体阅读语料库,出现了三个领域层面的见解。首先,方法论选择不是独立分布的,而是作为连贯的配置共同出现:一种主导体制结合了小型、单一实验室数据集、仅操作特征、浅层神经或神经模糊模型以及单次分割验证,而较小的体制结合了文献汇编数据、吸附剂描述符、树集成模型和模型无关的可解释性。其次,语料库中大部分研究的内部预测准确性已经非常高(报告中测试集 R2的中位数达到 0.991),这表明对该领域更紧迫的约束不太在于算法拟合能力,而在于决定这种准确性是否可信和可迁移的数据表示、验证设计和报告基础设施。第三,跨材料迁移的潜力似乎更多取决于特征表示,而不是学习算法的选择:通过可测量描述符编码吸附剂身份的模型是那些在结构上具备跨材料迁移能力的模型,尽管跨材料泛化的证明迄今为止仅由少数经过外部验证的研究支持。这些见解将本综述的贡献重新定位为基于证据的账户,说明哪些方法论实践主导了吸附建模中浅层机器学习的可靠性和可泛化性,而不是对所做工作的目录。
章节摘要
信息来源与搜索策略
本综述围绕引言中陈述的三个操作性研究问题构建,这些问题共同管辖了搜索策略、资格标准、提取矩阵设计和分析综合。完整的数据提取矩阵作为补充材料发布。
搜索了两个主要的多学科引文数据库,Scopus 和 Web of Science (WoS) 核心合集。选择这两个索引是因为它们提供了全面且互补的内容。
纳入语料库的总体特征
第 2 节中描述的筛选和资格过程得出了最终语料库,包含 55 项主要研究,发表于 2020 年至 2026 年之间,将浅层机器学习应用于水和废水处理中吸附过程的建模。该语料库是近期且快速扩展的:只有少数记录出现在 2020–2021 年,而大多数发表于 2023 年及以后,并且有大量研究标注为 2025 年或 2026 年出版日期。这种时间集中度与讨论部分一致。
讨论
三个研究问题,在第 3 节中单独解决,描述了当前如何将浅层机器学习应用于水处理中吸附过程建模的不同方面。放在一起阅读,它们揭示了一种反复出现的方法论配置,其中数据、特征、算法和验证的几种特征倾向于在同一主要研究中共同出现。本节综合了这些跨切面模式,并根据有关透明性的既定指南对其进行解释。
局限性与未来研究方向
本综述中表征的语料库揭示了几个结构约束,限制了当前基于浅层机器学习的吸附过程建模作为可迁移预测工具的功能范围。第一组约束涉及该领域建立的基础数据。语料库主要由小型、作者生成的实验数据集主导:非常小 (N ≤ 50) 和小型 (51–200) 研究合计占 55 项纳入研究的 80.0%,并且 76.4% 的数据集是在同一实验室产生的。
建议
第 4 节综合的模式转化为了一系列分层的实用建议,供未来将浅层机器学习应用于水处理中吸附过程建模的研究使用。这些建议被框定为建设性指导,而不是要求,并按照从三个研究问题中浮现的五个维度进行组织。由于语料库涵盖了从非常小的实验设计矩阵 (N ≤ 50) 到小型和中等规模数据的广泛范围。
结论
语料库表现出一种典型配置,即小型、作者生成的实验数据集(非常小和小型数据集合计占语料库的 80.0%),描述单一污染物、单一吸附剂系统(最常见的是碳质吸附剂上的染料和重金属),仅使用操作变量建模 (85.5%),使用浅层神经网络或神经模糊模型,并主要在留出式设计上验证 (65.5%)。在此体制内,内部准确性一致地保持高位。
CRediT 作者身份贡献声明
WuZhen Yan:写作 – 原稿,可视化,方法论,形式分析。
Rosnani Alkarimiah:写作 – 审阅与编辑,监督,概念化。
资金
本研究没有外部资金。
利益冲突声明
作者声明他们不存在已知的竞争财务利益或个人关系,这些关系可能会影响本文中报告的工作。
致谢
作者衷心感谢机构图书馆服务,该服务提供了用于记录检索的引文数据库访问权限,并感谢同事和导师在综述协议开发过程中的建设性讨论。
WuZhen Yan | Rosnani Alkarimiah
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