基于非理想反应器水力学机理引导的饮用水消毒预测机器学习框架

《Process Safety and Environmental Protection》：Mechanism-Guided Machine Learning Framework for Potable Water Disinfection Prediction Based on Non-Ideal Reactor Hydraulics

　　

摘要

在污水处理厂出水预测中，数据驱动模型往往追求由自相关驱动的伪高性能，而忽略了非理想反应器水力特性。这导致进水与出水数据之间出现严重的时间错位，破坏了模型的可物理解释性。为此，本文提出了一种机制引导预测（MGP）框架，用于预测饮用水处理中的出水余氯。该框架利用串联水箱停留时间分布，在充分考虑返混和短流效应的情况下，将沉淀池进水特征与出水数据精确对齐。这些对齐后的特征与一阶氯衰减动力学耦合，建立起机制性预测基线。随后，将机制性预测结果与对齐后的进水数据输入基于XGBoost的MGP模型中，并有意舍弃滞后的自回归出水余氯特征。在某个满规模水厂九个月数据的验证中（出水标准为0.4 mg/L），MGP模型的均方根误差为0.017 mg/L，R²为0.77，显著优于纯机制模型和机器学习基线模型（后者的R2值较低）。此外，SHAP分析证实，排除自回归特征能够有效避免伪高性能并恢复物理可解释性。MGP方法无缝融合了机制可解释性与机器学习预测精度，为精确加氯控制和环境安全消毒提供了可靠的技术支撑。

引言

饮用水消毒是确保供水安全的核心工艺。含氯消毒剂广泛应用于饮用水处理厂（DWTPs）中，用于灭活病原微生物并防止其再生长。这些消毒剂因其成本低廉、获取方便和强效持续性而备受青睐（Anastasi等人，2013；Liang等人，2025）。出水余氯是消毒效果的关键控制指标。浓度过高会增加消毒副产物（DBP）生成的风险，而浓度不足则无法满足配水管网的生物安全要求（Richardson和Ternes，2022；Wagner和Plewa，2017；Wang等人，2025a）。目前，大量饮用水处理厂仍然依赖人工经验调节模式，容易导致加药过量或不足以及出水余氯剧烈波动等问题（Bello和Owoeye，2022；Huang等人，2025）。因此，迫切需要构建精确的出水余氯预测模型，为精确加氯和环境安全消毒提供技术支撑。

纯机制模型建立在反应器（如沉淀池）水力特性和氯衰减动力学基础上。虽然它们具有优良的可解释性，但难以全面表征复杂水力条件和水质因素对氯衰减的非线性影响，从而限制了预测精度（Jafari等人，2023）。近年来，以长短期记忆（LSTM）网络和极端梯度提升（XGBoost）为代表的机器学习（ML）方法被广泛应用于水处理领域的出水水质预测中，展现出优异的非线性拟合能力（Feng等人，2025；Pang等人，2025；Xie等人，2024；Yu等人，2025）。然而，正如Y. Wang等人（2026）所指出的，水处理领域时序机器学习预测模型的高性能往往因目标变量的强自相关性而被严重高估。这些模型中很大一部分预测精度来源于出水水质指标的历史滞后值，而非对进水-出水因果关系的有效学习。在此类场景中，简单的持续性模型往往优于复杂的机器学习模型。这些仅依赖自相关的黑箱模型无法反映加药量和进水水质变化对出水余氯的真实影响，从而完全丧失了其作为饮用水处理厂加药控制核心工程工具的价值。

此外，饮用水处理厂出水余氯预测面临固有的时间匹配挑战。在沉淀池前端添加的次氯酸钠等消毒剂需要一定的液压停留时间才能影响出水余氯。实际沉淀池普遍呈现返混、短流和死区等非理想水力特性。因此，进水对出水的影响并非类似于理想活塞流的简单时间对应关系（Essadki等人，2011；Wilson和Venayagamoorthy，2010）。如果使用固定的液压停留时间（HRT）或先进先出（FIFO）方法进行数据对齐（Rossman，2020），则无法匹配沉淀池的真实停留时间分布（RTD）。这导致进水与出水数据出现时间错位，使模型极难学习真正的输入-输出映射关系。Pang等人（2025）指出，引入长间隔时滞特征能够有效捕捉出水水质预测中化学加药的滞后影响。然而，这类时滞参数大多通过超参数调优确定，缺乏物理水力约束，极易拟合数据中的虚假相关关系。

为应对这些挑战，本研究提出了一种用于饮用水处理厂出水余氯的机制引导预测（MGP）方法。该方法以串联水箱（TiS）理论模型为核心，融合停留时间分布（RTD）理论和一阶氯衰减动力学，同时实现进出水数据的精确时间对齐和纯机制基线预测。通过将机制先验信息与水力对齐特征融合，构建基于XGBoost的MGP模型，彻底消除自回归特征。这从根本上规避了与自相关相关的伪高性能问题，同时平衡了机制可解释性与预测精度。基于中国北方某大型地表水饮用水处理厂的实际数据进行了实验验证，对不同模型的预测性能、可解释性和工程价值进行了全面分析，为饮用水处理厂智能化精确消毒控制提供了理论与技术支持。

章节摘要

方法论概述

本研究提出MGP框架，以解决预测饮用水处理厂出水余氯时存在的时间错位问题和数据驱动模型对自相关的依赖问题。

如图1所示，该框架首先利用TiS-RTD物理引擎将沉淀池进水特征与出水余氯对齐，输出水力对齐的特征集。然后将其与氯衰减动力学耦合以实现机制性预测，详见

研究对象与数据来源

本研究对象为中国北方某地表水饮用水处理厂中的一座多隔板沉淀池。该厂的处理工艺包括"常规处理+臭氧-生物活性炭+超滤"。消毒采用次氯酸钠溶液。该厂设有两座相同规格的沉淀池，设计有效容积为10,368 m3。基于实际运行期间的平均水位和进水流量，计算得到的平均HRT为7.5 h，且

PM与MGP模型性能分析

经过贝叶斯优化后，PM模型在预设搜索范围内的最优参数汇总于表3中。所有参数值均符合沉淀池水力和氯衰减动力学的标准工程范围。

图5以4×4矩阵布局展示了PM模型的单参数敏感性分析，其中四行分别对应四项性能指标（RMSE、MAE、SMAPE和R2），四列分别对应四个关键参数（N、$\gamma$、$k_{20}$和$\theta$）。值得注意的是

结论

针对预测饮用水处理厂出水余氯时存在的时间错位和自相关导致的伪高性能问题，本研究基于TiS停留时间理论提出了一种MGP方法。主要结论如下：

(1) 非理想水力特性为精确对齐和机制性预测奠定了基础。与传统FIFO和固定HRT方法相比，所提出的TiS-RTD方法有效表征了返混和

未引用参考文献

(Akiba等人，2019；Huang等人，2026；Wang等人，2026；Zhu等人，2023)

CRediT作者贡献声明

朱建萱：验证、调查研究、数据整理。田志敏：可视化、验证、软件。王泽民：验证、资源、方法学。刘树明：写作-审阅与编辑、监督、经费获取、概念化。于磊：验证、调查研究、数据整理。吴雪：项目管理、调查研究。牛宇海：写作-审阅与编辑、资源、方法学、形式分析。张娟：写作-审阅与编辑、资源、项目管理，

生成式AI及AI辅助技术在写作过程中的使用声明

在撰写本文过程中，作者使用了Gemini 3.1 Pro以改善语言和可读性。在使用该工具/服务后，作者对内容进行了审查和编辑，并对出版物的内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。

致谢

本工作得到中国教育部基础学科与交叉学科突破计划（项目编号：JYB2025XDXM905）和河北省科技计划项目（项目编号：252Q0101D）的资助。

吴熠鹏|牛宇海|张娟|王泽民|朱建萱|田志敏|于磊|吴雪|刘树明