基于Dempster-Shafer理论的模糊逻辑在合成废水微塑料电絮凝pH控制中的应用

《Physics and Chemistry of the Earth, Parts A/B/C》:Application of Dempster–Shafer Theory–based fuzzy logic for pH control in electroflocculation of microplastics from synthetic wastewater

【字体: 大 中 小 】 时间:2026年09月21日 来源:Physics and Chemistry of the Earth, Parts A/B/C 3.0

编辑推荐:

   • Dempster-Shafer理论(DST)与模糊逻辑相结合,优化了电絮凝性能。 • 微塑料去除的最佳pH范围被确定为pH 9–12,置信度为68%。 • 实验结果利用合成废水验证了模糊–DST预测。 • 所提出的方法为可持续废水处理提供了一种智能决策支持工具。 1.

  

• Dempster-Shafer理论(DST)与模糊逻辑相结合,优化了电絮凝性能。
• 微塑料去除的最佳pH范围被确定为pH 9–12,置信度为68%。
• 实验结果利用合成废水验证了模糊–DST预测。
• 所提出的方法为可持续废水处理提供了一种智能决策支持工具。

1. 引言

微塑料(MP)是指直径小于5毫米的污染物,由各类塑料在使用或废弃后的降解产生(Hidalgo-Ruz等,2012)。微塑料的形状种类繁多,可分为碎片、泡沫、纤维和微珠(Estahbanati和Fahrenfeld,2016)。因此,微塑料在科学上被标注为不同的化学组成,如聚酰胺(PA)、聚氯乙烯(PVC)、聚丙烯(PP)、聚乙烯(PE)和聚苯乙烯(PS)(Alimba和Faggio,2019;Andrady,2011;Ebrahimbabaie等,2022;Guo和Wang,2019;Hu等,2021)。由于其微观尺寸无法用肉眼识别,微塑料可能对个人健康和环境造成比普通尺寸塑料(塑料瓶、衣物、轮胎等)更为有害的影响(Amesho等,2023;Chinglenthoiba等,2023)。它们吸收和转运有毒物质的能力使其在废水中尤为令人担忧,凸显了有效去除方法的必要性(Subair等,2023)。

电絮凝是一个涉及牺牲性阳极材料电解氧化的过程,在原地生成絮凝剂物种(Puri等,2021)。这些物种使污染物失稳并聚集,从而促进其去除。研究人员调查了多种电极材料,包括铝(Al)、铁(Fe)、钛(Ti)、石墨、低碳钢和碳(C)(G. Chen,2004;Lacasa等,2011;Murthy和Parmar,2011),发现铁和铝在理想工作条件下对污染物去除最为高效和有利(Ghosh等,2008)。电极起两个主要作用:(1) 中和悬浮颗粒的表面电荷;(2) 通过絮凝促进更大絮体的形成(Emamjomeh和Sivakumar,2009)。该过程涉及阳极溶解,形成金属离子,这些离子水解为氢氧化物(如Al(OH)?或Fe(OH)?),作为絮凝剂。同时,在阴极产生氢气(An等,2017)。这些氢氧化物絮凝剂吸附并包裹悬浮固体和溶解的污染物,促进其聚集和后续去除。

此外,电化学反应产生氧气和氢气,这些气体与絮体相互作用,要么将其提升至表面(浮选),要么使其沉降到反应器底部(沉淀)。主导的去除机制取决于操作电流:在高电流下,浮选占主导;在低电流下,沉淀更为显著。初始pH至关重要,因为它影响阳极和阴极分别形成的金属离子与氢氧根离子之间的相互作用。这些离子体现了絮体的形成,具体是溶解性絮体还是不溶性絮体,取决于离子的溶解性。正如研究人员(Tarte等,2026;Yan等,2025)分析了pH对废水去除的影响。

pH与污染物去除效率之间的关系高度非线性,并随废水特性、污染物浓度和电极溶解情况而异。因此,非最佳pH可能减少有效絮凝剂物种的形成,导致去除效率降低,并由于处理时间延长或电气和化学输入增加而导致能耗升高。与施加电压和电极板数量等其他操作参数不同,这些参数可以使用电源精确控制以维持其电压,且板数保持不变。因此,模糊逻辑提供了一种有前景的方法,用于建模这种不确定性并预测最佳pH条件以提高ECF效率。

模糊逻辑(FL)为表示测量不确定性和以自然语言表达抽象概念提供了稳健的框架,允许将人类评估整合到计算任务中(Lochab和Batra,2025;Mall等,2023)。与依赖刚性真值或假值的传统二元逻辑不同,FL在0到1的连续范围内表示信息,更好地反映现实世界决策的细微差别(Huang等,2025)。这种灵活性使FL在解决涉及多标准的争议、改进选项评估以及支持模式识别、优化、识别和控制等高级技术方面极具价值(Tajjour和Singh Chandel,2023)。FL已被证明在管理复杂的、非线性的和定义模糊的过程中非常有效,在这些过程中传统模型难以适用。

然而,推导模糊决策支持框架可能耗时费力,需要更系统和高效的知识获取与综合方法。自适应模糊逻辑,即结合语言输入并从过程数据中学习,为智能自动化系统提供了有前景的解决方案。在工程领域之外,模糊系统在金融领域的应用日益广泛,有助于过滤噪声、稳定策略并优化动态资源分配。FL也广泛应用于电力系统,因为其在处理不准确传感器方面具有低计算成本和简单的微控制器实现优势。尽管需要专家知识和定期规则更新,模糊模型仍是强大的不确定性建模工具,在多个领域不可或缺。

Sharma等人使用基于模糊逻辑的分析研究了泰国乌汶府微塑料的渗出情况,突出了结合模糊逻辑的GIS工具在精确定位特定区域内微塑料源热点方面的稳健性和准确性(Sharma等,2025)。此外,Zahmatkesh等人在MATLAB中应用了基于模糊逻辑的模拟来降低废水中的化学需氧量,其已被证明的优势和稳健性被广泛认为是控制应用中可靠的替代算法(Zahmatkesh等,2022)。此外,Santín等人在生物废水处理中使用模糊逻辑调节内循环流量。该方法通过调整内循环来优化氮和氨的去除,同时降低运营成本(Santín等,2022)。

初始pH被选为基于Dempster-Shafer理论(DST)的模糊模型的主要参数。这些模糊逻辑和Dempster-Shafer理论(DST)处理决策中不同形式的不确定性。模糊逻辑处理与语言变量相关的模糊性,将范围归类为不同的组。相比之下,DST用于通过分配信念值并将它们组合成一个置信度量来管理不同证据来源之间的不确定性和冲突。因此,将模糊逻辑与DST结合提供了一个稳健的框架,用于评估电絮凝-絮凝研究中报告的具有不确定性和不一致性的pH信息。

1.1 目的与目标

尽管电絮凝在废水处理方面日益受到关注,但很少有研究探索模糊逻辑控制与该技术结合的应用,特别是在与微塑料去除的pH优化方面。本研究旨在开发和评估一种基于Dempster-Shafer理论(DST)的模糊逻辑框架,利用已发表的文献数据确定微塑料电絮凝(ECF)的最佳初始pH。具体目标包括:
• 汇编报告了初始pH影响的已发表ECF研究;
• 将报告的pH值分类为模糊语言类别;
• 使用Dempster-Shafer理论整合证据,确定具有最高信念值的pH范围;
• 在预测的pH范围下,使用合成聚苯乙烯废水进行初步实验室验证。

通过将电絮凝与智能控制相结合,本研究提供了一种新颖的框架,以增强微塑料去除,同时确保过程稳定性、成本效益和环境可持续性。

1.2 研究新颖性

尽管电絮凝已广泛应用于染料、重金属和其他污染物的处理,但其对新兴污染物(如微塑料)的应用仍然相对有限。此外,大多数研究依赖于传统的控制或优化方法,这些方法往往忽视了过程参数的非线性和不确定性。其中,pH在确定絮凝剂形成和去除效率方面起着关键作用;然而,很少有研究涉及其动态调节。本研究的新颖性在于将模糊逻辑作为智能控制策略整合到电絮凝中,以优化pH,从而提高微塑料去除效率,同时减少化学品使用、能耗和运营成本。这种方法为将电化学处理与高级决策工具结合用于可持续废水管理提供了新颖的视角。

2. 材料与方法

2.1 与Dempster-Shafer理论相结合的模糊分类框架

用于pH优化的模糊逻辑控制。使用MATLAB R2024a模糊逻辑工具箱实施了Mamdani型模糊逻辑决策支持框架,如图1所示。在MATLAB中开发了一个Mamdani型模糊推理系统,用于根据已发表的文献数据评估电絮凝的最佳初始pH。模糊分类通过将文献来源的pH条件分配到语言类别(低、中、高)来完成。由于不同废水系统和操作条件带来的不确定性,应用Dempster-Shafer理论来结合证据并获取每个pH类别的最终信念值。

下载:下载高分辨率图片(185KB)下载:下载全尺寸图片

图1. Mamdani型模糊逻辑决策支持框架框图。

该模型不执行实时过程控制;相反,提取了先前电絮凝研究中报告的初始pH值,将其分类为模糊语言类别(低、中、高),并使用Dempster-Shafer理论进行组合,以确定具有最高信念值的pH范围。通过模糊-DST框架获得的预测pH范围随后使用合成PS废水进行了实验评估。在这些验证实验中,初始pH在电絮凝过程前使用稀NaOH或H?SO?手动调节。在电絮凝期间未实施自动pH监测或反馈控制。这些pH值被分为三个pH范围组(酸性、中性、碱性),范围为pH 3 – 12。

表1、表2、表3、表4总结的模糊推理系统在MATLAB中开发。从文献中提取的初始pH值被分类为三个语言变量(低、中和高)。相应的模糊输出随后被转换为基本概率分配(BPAs),并使用Dempster-Shafer理论进行组合(见表5)。

表1. 模糊-DST决策支持框架的配置。

| 组件 | 描述 |
|------|------|
| 模糊推理类型 | Mamdani |
| 输入变量 | 初始pH |
| 输出变量 | 去除效率 |
| 模糊化方法 | 通过查找隶属度值 |
| 推理机制 | Mamdani模糊推理 |
| 解模糊化方法 | 重心法(COG) |
| 证据整合方法 | Dempster-Shafer理论(DST) |
| 最终输出 | 每个pH类别的信念值(%) |

表2. pH的模糊语言分类。

| 语言变量 | pH范围 | 描述 |
|----------|---------|------|
| 低(L) | 2–5 | 酸性条件 |
| 中(M) | 6–8 | 近中性条件 |
| 高(H) | 9–12 | 碱性条件 |

表3. pH分类的隶属函数参数。

| 输入变量 | 隶属函数 | 类型 |
|----------|----------|------|
| pH低 | 低 | 三角形 |
| pH中 | 中 | 梯形 |
| pH高 | 高 | 三角形 |

表4. 推理机制中应用的模糊IF-THEN规则。

| 规则 | IF条件 | THEN输出 |
|------|--------|----------|
| R1 | 如果pH为低 | 则去除效率为74.5 ± 1.49% |
| R2 | 如果pH为中 | 则去除效率为88.8 ± 3.81% |
| R3 | 如果pH为高 | 则去除效率为92.5 ± 2.85% |

表5. 所选研究中报告的pH范围分类及相应去除效率(%)转换为平均信念值。

| 作者 | pH类别 | 去除效率(%) | 平均信念值 |
|------|--------|---------------|-----------|
| El-Naas等(2009) | M | 65–70 | 0.675 |
| | M | 93 | 0.93 |
| | H | 85 | 0.85 |
| X. Chen等(2000) | {L,M,H} | 70–72(COD) | 0.71 |
| | H | 98–99(油) | 0.985 |
| Shafaei等(2011) | L | <35 | 0.35 |
| | {M,H} | >80 | 0.8 |
| (Kobya等,2003)(Al) | {L,M} | 61–65 | 0.63 |
| | {M,H} | 45–50 | 0.475 |
| | H | 20–40 | 0.3 |
| (Kobya等,2003)(Al;TBD) | {L,M} | 98 | 0.98 |
| | {M,H} | 85–80 | 0.825 |
| | H | 80–70 | 0.75 |
| (Kobya等,2003)(Fe) | L | 48 | 0.48 |
| | L | 55–70 | 0.625 |
| | {M,H} | 75–78 | 0.765 |
| | H | 25–75 | 0.5 |
| (Kobya等,2003)(Fe;TBD) | {L,M} | 75–95 | 0.85 |
| | {M,H} | 95 | 0.95 |
| | H | 85–95 | 0.9 |

2.2 Dempster-Shafer理论

在本研究中,模糊逻辑被用于识别ECF过程的合适操作参数。模糊逻辑的设计首先定义了输入变量(初始pH)和输出变量(去除效率)。该输入被分配了适当的隶属函数来表示语言类别,如低、中和高。然后构建模糊规则,采用if-then语句形式(例如,如果pH为中性且电流密度为高,则去除效率为高),反映了如下方程(1)至方程(6)所示的过程专家知识。推理方法用于评估规则,并应用质心法进行解模糊化以获得精确的输出值。这种基于模糊的框架能够有效处理不确定性和非线性,与传统的统计方法相比提供了更灵活


• Dempster-Shafer理论与模糊逻辑相结合,优化了电絮凝性能。
• 微塑料去除的最佳pH范围被确定为pH 9–12,置信度为68%。
• 实验结果通过合成废水验证了模糊–DST预测。
• 所提出的方法为可持续废水处理提供了一种智能决策支持工具。

**1. 引言**

微塑料(MP)是指直径小于5毫米的污染物,由各类塑料在使用或废弃后的降解产生(Hidalgo-Ruz等,2012)。微塑料的形状种类繁多,可分为碎片、泡沫、纤维和微珠(Estahbanati和Fahrenfeld,2016)。因此,微塑料在科学上被标注为不同的化学组成,如聚酰胺(PA)、聚氯乙烯(PVC)、聚丙烯(PP)、聚乙烯(PE)和聚苯乙烯(PS)(Alimba和Faggio,2019;Andrady,2011;Ebrahimbabaie等,2022;Guo和Wang,2019;Hu等,2021)。由于其微观尺寸无法用肉眼识别,微塑料可能对个人健康和环境造成比普通尺寸塑料(塑料瓶、衣物、轮胎等)更为有害的影响(Amesho等,2023;Chinglenthoiba等,2023)。它们吸收和转运有毒物质的能力使其在废水中尤为令人担忧,凸显了有效去除方法的必要性(Subair等,2023)。

电絮凝是一个涉及牺牲性阳极材料电解氧化的过程,在原地生成絮凝剂物种(Puri等,2021)。这些物种使污染物失稳并聚集,从而促进其去除。研究人员调查了多种电极材料,包括铝(Al)、铁(Fe)、钛(Ti)、石墨、低碳钢和碳(C)(G. Chen,2004;Lacasa等,2011;Murthy和Parmar,2011),发现铁和铝在理想工作条件下对污染物去除最为高效和有利(Ghosh等,2008)。电极起两个主要作用:(1) 中和悬浮颗粒的表面电荷;(2) 通过絮凝促进更大絮体的形成(Emamjomeh和Sivakumar,2009)。该过程涉及阳极溶解,形成金属离子,这些离子水解为氢氧化物(如Al(OH)?或Fe(OH)?),作为絮凝剂。同时,在阴极产生氢气(An等,2017)。这些氢氧化物絮凝剂吸附并包裹悬浮固体和溶解的污染物,促进其聚集和后续去除。

此外,电化学反应产生氧气和氢气,这些气体与絮体相互作用,要么将其提升至表面(浮选),要么使其沉降到反应器底部(沉淀)。主导的去除机制取决于操作电流:在高电流下,浮选占主导;在低电流下,沉淀更为显著。初始pH至关重要,因为它影响阳极和阴极分别形成的金属离子与氢氧根离子之间的相互作用。这些离子体现了絮体的形成,具体是溶解性絮体还是不溶性絮体,取决于离子的溶解性。正如研究人员(Tarte等,2026;Yan等,2025)分析了pH对废水去除的影响。

pH与污染物去除效率之间的关系高度非线性,并随废水特性、污染物浓度和电极溶解情况而异。因此,非最佳pH可能减少有效絮凝剂物种的形成,导致去除效率降低,并由于处理时间延长或电气和化学输入增加而导致能耗升高。与施加电压和电极板数量等其他操作参数不同,这些参数可以使用电源精确控制以维持其电压,且板数保持不变。因此,模糊逻辑提供了一种有前景的方法,用于建模这种不确定性并预测最佳pH条件以提高ECF效率。

模糊逻辑(FL)为表示测量不确定性和以自然语言表达抽象概念提供了稳健的框架,允许将人类评估整合到计算任务中(Lochab和Batra,2025;Mall等,2023)。与依赖刚性真值或假值的传统二元逻辑不同,FL在0到1的连续范围内表示信息,更好地反映现实世界决策的细微差别(Huang等,2025)。这种灵活性使FL在解决涉及多标准的争议、改进选项评估以及支持模式识别、优化、识别和控制等高级技术方面极具价值(Tajjour和Singh Chandel,2023)。FL已被证明在管理复杂的、非线性的和定义模糊的过程中非常有效,在这些过程中传统模型难以适用。

然而,推导模糊决策支持框架可能耗时费力,需要更系统和高效的知识获取与综合方法。自适应模糊逻辑,即结合语言输入并从过程数据中学习,为智能自动化系统提供了有前景的解决方案。在工程领域之外,模糊系统在金融领域的应用日益广泛,有助于过滤噪声、稳定策略并优化动态资源分配。FL也广泛应用于电力系统,因为其在处理不准确传感器方面具有低计算成本和简单的微控制器实现优势。尽管需要专家知识和定期规则更新,模糊模型仍是强大的不确定性建模工具,在多个领域不可或缺。

Sharma等人使用基于模糊逻辑的分析研究了泰国乌汶府微塑料的渗出情况,突出了结合模糊逻辑的GIS工具在精确定位特定区域内微塑料源热点方面的稳健性和准确性(Sharma等,2025)。此外,Zahmatkesh等人在MATLAB中应用了基于模糊逻辑的模拟来降低废水中的化学需氧量,其已被证明的优势和稳健性被广泛认为是控制应用中可靠的替代算法(Zahmatkesh等,2022)。此外,Santín等人在生物废水处理中使用模糊逻辑调节内循环流量。该方法通过调整内循环来优化氮和氨的去除,同时降低运营成本(Santín等,2022)。

初始pH被选为基于Dempster-Shafer理论(DST)的模糊模型的主要参数。这些模糊逻辑和Dempster-Shafer理论(DST)处理决策中不同形式的不确定性。模糊逻辑处理与语言变量相关的模糊性,将范围归类为不同的组。相比之下,DST用于通过分配信念值并将它们组合成一个置信度量来管理不同证据来源之间的不确定性和冲突。因此,将模糊逻辑与DST结合提供了一个稳健的框架,用于评估电絮凝-絮凝研究中报告的具有不确定性和不一致性的pH信息。

**1.1 目的与目标**

尽管电絮凝在废水处理方面日益受到关注,但很少有研究探索模糊逻辑控制与该技术结合的应用,特别是在与微塑料去除的pH优化方面。本研究旨在开发和评估一种基于Dempster-Shafer理论(DST)的模糊逻辑框架,利用已发表的文献数据确定微塑料电絮凝(ECF)的最佳初始pH。具体目标包括:
• 汇编报告了初始pH影响的已发表ECF研究;
• 将报告的pH值分类为模糊语言类别;
• 使用Dempster-Shafer理论整合证据,确定具有最高信念值的pH范围;
• 在预测的pH范围下,使用合成聚苯乙烯废水进行初步实验室验证。

通过将电絮凝与智能控制相结合,本研究提供了一种新颖的框架,以增强微塑料去除,同时确保过程稳定性、成本效益和环境可持续性。

**1.2 研究新颖性**

尽管电絮凝已广泛应用于染料、重金属和其他污染物的处理,但其对新兴污染物(如微塑料)的应用仍然相对有限。此外,大多数研究依赖于传统的控制或优化方法,这些方法往往忽视了过程参数的非线性和不确定性。其中,pH在确定絮凝剂形成和去除效率方面起着关键作用;然而,很少有研究涉及其动态调节。本研究的新颖性在于将模糊逻辑作为智能控制策略整合到电絮凝中,以优化pH,从而提高微塑料去除效率,同时减少化学品使用、能耗和运营成本。这种方法为将电化学处理与高级决策工具结合用于可持续废水管理提供了新颖的视角。

**2. 材料与方法**

**2.1 与Dempster-Shafer理论相结合的模糊分类框架**

用于pH优化的模糊逻辑控制。使用MATLAB R2024a模糊逻辑工具箱实施了Mamdani型模糊逻辑决策支持框架,如图1所示。在MATLAB中开发了一个Mamdani型模糊推理系统,用于根据已发表的文献数据评估电絮凝的最佳初始pH。模糊分类通过将文献来源的pH条件分配到语言类别(低、中、高)来完成。由于不同废水系统和操作条件带来的不确定性,应用Dempster-Shafer理论来结合证据并获取每个pH类别的最终信念值。

*下载:下载高分辨率图片(185KB)*

*图1. Mamdani型模糊逻辑决策支持框架框图。*

该模型不执行实时过程控制;相反,提取了先前电絮凝研究中报告的初始pH值,将其分类为模糊语言类别(低、中、高),并使用Dempster-Shafer理论进行组合,以确定具有最高信念值的pH范围。通过模糊-DST框架获得的预测pH范围随后使用合成PS废水进行了实验评估。在验证实验中,初始pH在电絮凝过程前使用稀NaOH或H?SO?手动调节。在电絮凝期间未实施自动pH监测或反馈控制。这些pH值被分为三个pH范围组(酸性、中性、碱性),范围为pH 3 – 12。

表1、表2、表3、表4总结的模糊推理系统在MATLAB中开发。从文献中提取的初始pH值被分类为三个语言变量(低、中和高)。相应的模糊输出随后被转换为基本概率分配(BPAs),并使用Dempster-Shafer理论进行组合(见表5)。

**表1. 模糊-DST决策支持框架的配置。**

| 组件 | 描述 |
|------|------|
| 模糊推理类型 | Mamdani |
| 输入变量 | 初始pH |
| 输出变量 | 去除效率 |
| 模糊化方法 | 通过查找隶属度值 |
| 推理机制 | Mamdani模糊推理 |
| 解模糊化方法 | 重心法(COG) |
| 证据整合方法 | Dempster-Shafer理论(DST) |
| 最终输出 | 每个pH类别的信念值(%) |

**表2. pH的模糊语言分类。**

| 语言变量 | pH范围 | 描述 |
|----------|---------|------|
| 低(L) | 2–5 | 酸性条件 |
| 中(M) | 6–8 | 近中性条件 |
| 高(H) | 9–12 | 碱性条件 |

**表3. pH分类的隶属函数参数。**

| 输入变量 | 隶属函数 | 类型 |
|----------|----------|------|
| pH低 | 低 | 三角形 |
| pH中 | 中 | 梯形 |
| pH高 | 高 | 三角形 |

**表4. 推理机制中应用的模糊IF-THEN规则。**

| 规则 | IF条件 | THEN输出 |
|------|--------|----------|
| R1 | 如果pH为低 | 则去除效率为74.5 ± 1.49% |
| R2 | 如果pH为中 | 则去除效率为88.8 ± 3.81% |
| R3 | 如果pH为高 | 则去除效率为92.5 ± 2.85% |

**表5. 所选研究中报告的pH范围分类及相应去除效率(%)转换为平均信念值。**

| 作者 | pH类别 | 去除效率(%) | 平均信念值 |
|------|--------|---------------|-----------|
| El-Naas等(2009) | M | 65–70 | 0.675 |
| | M | 93 | 0.93 |
| | H | 85 | 0.85 |
| X. Chen等(2000) | {L,M,H} | 70–72(COD) | 0.71 |
| | H | 98–99(油) | 0.985 |
| Shafaei等(2011) | L | <35 | 0.35 |
| | {M,H} | >80 | 0.8 |
| (Kobya等,2003)(Al) | {L,M} | 61–65 | 0.63 |
| | {M,H} | 45–50 | 0.475 |
| | H | 20–40 | 0.3 |
| (Kobya等,2003)(Al;TBD) | {L,M} | 98 | 0.98 |
| | {M,H} | 85–80 | 0.825 |
| | H | 80–70 | 0.75 |
| (Kobya等,2003)(Fe) | L | 48 | 0.48 |
| | L | 55–70 | 0.625 |
| | {M,H} | 75–78 | 0.765 |
| | H | 25–75 | 0.5 |
| (Kobya等,2003)(Fe;TBD) | {L,M} | 75–95 | 0.85 |
| | {M,H} | 95 | 0.95 |
| | H | 85–95 | 0.9 |

**2.2 Dempster-Shafer理论**

在本研究中,模糊逻辑被用于识别ECF过程的合适操作参数。模糊逻辑的设计首先定义了输入变量(初始pH)和输出变量(去除效率)。该输入被分配了适当的隶属函数来表示语言类别,如低、中和高。然后构建模糊规则,采用if-then语句形式(例如,如果pH为中性且电流密度为高,则去除效率为高),反映了如下方程(1)至方程(6)所示的过程专家知识。推理方法用于评估规则,并应用质心法进行解模糊化以获得精确的输出值。这种基于模糊的框架能够有效处理不确定性和非线性,与传统的统计方法相比提供了更灵活的参数优化方法。

**2.2.1 判别域和概率质量函数**

设Φ为判别域中的全集。对于每个子集???Φ,概率质量函数值或基本信念值m(M)在0到1之间,定义如下性质:

方程1
??(??)=0
∑??∈??(Φ) ??(??)=1

其中P(Φ)是Φ的幂集(所有子集的集合),??是空子集。

**2.2.2 组合概率质量函数**

对于两个独立的概率质量函数,例如???和???,Dempster-Shafer理论中定义的组合概率质量函数????如下:

方程2
????(??)=1/(1???) × ∑??∩??=?? ???(??)·???(??)

其中,

方程3
??=∑??∩??=? ???(??)·???(??)

是冲突值,1–K是可信度值(见表7)。

**2.2.3 分配pH类别和信念值**

从表8假设pH范围类别如下:
• 低(L):pH 3–5
• 中(M):pH 6–8
• 高(H):pH 9–12

**表6.**

基于平均信念值计算基本概率赋值(BPAs)及后续归一化以获得归一化BPAs(NBPAs)。

| 作者 | pH类别 | BPA | 归一化BPA |
|------|--------|-----|-----------|
| El-Naas, M et al. (m?) | M | 0.8025 | 0.485628 |
| | H | 0.85 | 0.514372 |
| Chen, X et al. (m?) | {L,M,H} | 0.71 | 0.418879 |
| | H | 0.985 | 0.581121 |
| Shafaei, A et al. (m?) | L | 0.35 | 0.304348 |
| | {M,H} | 0.8 | 0.695652 |
| Kobya, M et al. (m?) | L | 0.5525 | 0.203593 |
| | {L,M} | 0.82 | 0.302165 |
| | {M,H} | 0.75375 | 0.277752 |
| | H | 0.5875 | 0.21649 |

表7. 最终组合结果可用于计算最终结果,绘制于图4c中。

| m??? | m? | m???∩m? | m???? |
|-------|-----|----------|--------|
| M | L | ? | 0.283396 × 0.203593 = 0.057697 |
| M | {L,M} | M | 0.283396 × 0.302165 = 0.085632 |
| M | {M,H} | M | 0.283396 × 0.277752 = 0.078714 |
| M | H | ? | 0.283396 × 0.21649 = 0.061352 |
| H | L | ? | 0.716604 × 0.203593 = 0.145895 |
| H | {L,M} | ? | 0.716604 × 0.302165 = 0.216533 |
| H | {M,H} | H | 0.716604 × 0.277752 = 0.199038 |
| H | H | H | 0.716604 × 0.21649 = 0.155138 |

冲突度 K = 0.057697 + 0.061352 + 0.145895 + 0.216533 = 0.481478。
1 – K = 0.518522。
m????(M) = (0.085632 + 0.078714)/0.518522 = 0.316951
m????(H) = (0.199038 + 0.155138)/0.518522 = 0.683049

表8. 不同研究者报道的最优初始pH值比较,用于处理各种类型的废水。

| 作者 | 废水及电极 | 最优初始pH范围及RE% |
|------|-----------|-------------------|
| El-Naas, M et al. | 炼油废水;Al、SS、Fe电极 | pH 8,硫酸盐还原率高于90% |
| Chen, X et al. | 餐饮废水,Al、Fe电极 | pH 3–10;两种电极去除率均高于90% |
| Shafaei, A et al. | 硝酸钴 | pH 8–9;>99% |
| Kobya, M et al. | 纺织厂废水,Al和Fe电极 | Al:pH >6;浊度去除率(98%),COD去除率(61–65%) |
| | | Fe:pH 7–10;浊度去除率(高于95%),COD去除率(高于65%) |

### 2.2.4. 赋值归一化BPAs

将证据按不同文献来源分为4个质量函数(m?, m?, m?, m?)。

定义每个证据的基本概率赋值(BPA):
- 当总和大于1时,归一化到[0, 1](假设100% = 1)
- 映射到{L}、{M}、{H}或组合子集如{M,H}

以(El-Naas, M et al.)为例:
{M} = (0.675 + 0.93)/2 = 0.8025
{H} = 0.85
总和 = 0.8025 + 0.85 = 1.6525
m?({M}) = 0.8025/1.6525 = 0.485628
m?({H}) = 0.85/1.6525 = 0.514372

### 2.2.5. 应用Dempster组合规则

来自每个文献来源的BPA值通过Dempster组合规则依次组合,直至获得每个pH类别的最终信念值。设C为全集Φ中的任意子集,则Dempster-Shafer组合理论定义为:

公式4:
m??(C) = (1/(1-K)) × Σ[A∩B=C] m?(A)·m?(B)

因此:

公式5:
K = Σ[A∩B=?] m?(A)·m?(B)

其中K的定义见公式(3)。

首先组合El-Naas, M et al. (m?)和Chen, X et al. (m?):

m??示例:
冲突度K = 0.282209
1-K = 0.717791
m??(M) = 0.203419/0.717791 = 0.283396
m??(H) = 0.298912/0.717791 = 0.716604

Dempster组合规则分别绘制于图4a、b和c中,对应m??、m???和m????。

### 2.3. 实验室初步验证;电絮凝

#### 2.3.1. 对照实验

在相同条件下但不施加电压(0V)的情况下进行了对照实验,以评估非电化学效应对MP去除的贡献。对照条件是在不施加电流的同时保持相似的实验条件:80 ppm的MP和NaCl,10分钟,8块间距1cm的EF板。这些实验证实,MP去除主要归因于电絮凝机制,而非自然沉降或其他物理效应。

#### 2.3.2. 聚苯乙烯微塑料和合成废水的制备

PS MP通过筛分按尺寸分离:180、500、710、2000 μm,本研究使用500 μm的MP来分析ECF。这些MP用70%乙醇和0.01% Triton X清洗,使其疏水性降低。合成废水由500 mL去离子水组成,含80 ppm PS MP(500 μm)和80 ppm NaCl电解质,电絮凝前使用稀NaOH或H?SO?调节初始pH值。

#### 2.3.3. 实验装置

实验在0.8 L容器中进行,每次运行使用0.5 L体积进行电絮凝。电絮凝在聚丙酸容器(10×8.5×10 cm)中进行。该ECF使用薄矩形铝电极(阳极和阴极),表面面积以单极并联方式排列,每块电极板有20 cm2的表面面积暴露在溶液中。电极连接到数字直流电源(WANPTEK DC电源GPS305D)。在每次ECF运行中,溶液在室温下用磁力搅拌器以相同速度持续搅拌,每次运行之间用酸清洗电极。实验装置示意图见图2。

图2. 电絮凝-电絮凝(ECF)实验装置示意图。连接到直流电源的电极浸没在合成废水中,整个ECF过程中使用磁力搅拌器持续搅拌溶液。

#### 2.3.4. 实验步骤

在500 mL体积下,对不同pH值条件下含NaCl电解质的聚苯乙烯微塑料合成废水进行电絮凝,其他参数保持不变:80 ppm的MP和NaCl,10分钟,8块间距1cm的EF板,15V。在初始pH值下使用少量NaOH和H?SO?调节pH值。实验过程中不再进行pH调节。每次运行后,记录电流密度,溶液静置1小时,使絮体上浮至表面。去除絮体后,对上清液进行离心以去除残余絮体,随后进行过滤。最终MP重量在70°C烘箱中干燥20分钟,然后用微量天平测量以得出MP最终浓度并计算去除效率(RE%)。

每项电絮凝实验在相同操作条件下独立重复三次进行。报告的去除效率为三次实验重复的平均值。流程总结见图3。使用单因素方差分析(ANOVA)在95%置信水平(p < 0.05)下评估实验验证组之间的统计显著性。

图3. 研究方法的流程图,从选定文献来源中提取数据开始,随后应用模糊逻辑和Dempster-Shafer理论(DST)确定最优pH范围,最后通过评估ECF性能进行实验验证。

图4. 从每次组合获得的pH类别计数分布:(a) m??,(b) m???和(c) m????。组合结果随后用于确定最优初始pH范围,如图(d)所示。

#### 2.3.5. 去除效率测定

ECF运行后,溶液进行过滤,使用滤纸的权重差来推导MP最终浓度以计算溶液的去除效率(RE%)。

公式6:
RE% = (m?? - m_f??)/m?? × 100%

### 3. 结果与讨论

#### 3.1. 模糊-DST分析结果

评估了四项已发表的电絮凝研究,这些研究调查了初始pH对污染物去除的影响。这些研究被纳入是因为它们报告了(i)电絮凝过程中使用的初始pH和(ii)相应的去除效率,因此,满足这些标准的代表性研究被选入模糊-DST分析。研究者发现,在低初始pH(高酸性)下,金属离子和氢氧根离子形成的化合物大多可溶;因此,阳极处形成的絮体较少,从而去除效率较低(Chen et al., 2000; El-Naas et al., 2009; Kobya et al., 2003; Shafaei et al., 2011)。因此,寻找最优初始pH对于实现不溶性絮体以有效去除特定废水中目标金属至关重要。

根据上述研究,使用Dempster-Shafer理论算法,基于最终输出,最佳初始pH范围为"高范围(9-12)",信念值最强,为68%。因此,确定每种特定类型废水的最优初始pH至关重要。

##### 3.1.1. 以百分比形式赋值最终结果

将模糊-DST框架应用于文献数据产生了以下信念值(表9)。从表6获得的M和H的最终值已转换为百分比(图4d)。

表9. 以百分比表示的最终BPA值。

| m????(M) | 32% |
| m????(H) | 68% |

因此,基于表9的最终输出,最佳初始pH范围为"高范围(9-12)",置信水平为68%。

模糊逻辑模型与实验数据表现出良好的一致性,表明其在预测处理结果方面具有可靠性。例如,它可以调整内部回流以优化氮和氨的去除,预测不同pH和电导率条件下微塑料的絮凝效率,并在实现更高去除率和更低能耗方面优于传统的固定参数方法。展望未来,模糊逻辑在通过有效处理不确定性和非线性过程行为来增强废水处理方面具有强大潜力。

应用基于模糊的方法还可以促进可持续性,因为它允许优化操作参数以实现高去除效率,同时最大限度地减少化学品使用、能耗和整体环境影响。为进一步验证模糊数据库,我们在各种pH变量(Low: 3-5, M: 6-8, H: 9-12)条件下使用ECF进行了微塑料去除实验并检查了去除率。

需要注意的是,所获得的pH推荐是基于文献证据而非实时反馈控制得出的。因此,模糊逻辑-DST方法应被视为确定适宜pH条件的决策支持框架,而非实验优化的替代方案。

#### 3.2. 模糊-DST预测的实验室初步验证

##### 3.2.1. 聚苯乙烯微塑料的电絮凝

为评估所提出的模糊-DST框架的预测,使用合成聚苯乙烯(PS)微塑料废水进行了实验室初步电絮凝实验。该实验的目的不是优化电絮凝过程,而是确定模糊-DST分析确定的pH范围在受控实验条件下是否产生了更高的去除效率。

评估了聚苯乙烯(PS)微塑料的去除效率,改变pH值范围同时保持其他参数恒定(NaCl浓度 = 80 ppm,电压 = 15 V,电解时间 = 10分钟,电极间距 = 1 cm,八块铝电极)。在电絮凝开始前,使用稀NaOH或H?SO?手动调节初始pH值以代表三个模糊类别(低、中、高)。实验过程中不再进行pH调节。

每种实验条件重复三次进行,结果以均值 ± 标准差报告。结果表明在测试的pH范围内去除效率存在明显差异,这与模糊逻辑预测一致,即pH对系统性能有显著影响。低、中和高pH范围的去除效率分别为74.5 ± 1.49%、88.8 ± 3.81%和92.5 ± 2.85%(图5)。

图5. 柱状图显示了不同初始pH类别下聚苯乙烯微塑料(PS MPs)的去除效率(%):低(L, pH 3–5)、中(M, pH 6–8)和高(H, pH 9–12)。

去除效率从酸性到中性pH增加,在碱性条件下小幅增加。这些观察结果与铝电极溶解和絮体形成的电化学原理一致。实验数据与模糊逻辑之间的一致性证实,所开发的模糊模型可能准确地表示微塑料去除过程中电絮凝-絮凝(ECF)的复杂非线性相互作用。

为确定测试条件之间的差异是否具有统计显著性,进行了单因素方差分析。

进行了单因素方差分析(ANOVA),以评估三种初始pH条件下获得的去除效率是否显著不同。如表10所示,ANOVA得出的F值为35.91,p值为0.00075,低于0.05的显著性水平。这表明低、中和高pH组之间平均去除效率的差异具有统计显著性。因此,实验验证支持了模糊-DST的预测,即在测试条件下初始pH对聚苯乙烯微塑料的电絮凝去除效率有显著影响(见表11)。

表10. 单因素ANOVA分析。

| 来源 | SS | df | MS | F值 | p值 |
|------|-----|-----|------|------|--------|
| 组间 | 398.98 | 2 | 199.49 | 35.91 | 0.00075 |
| 组内 | 33.34 | 6 | 5.56 | | |
| 总计 | 432.32 | 8 | | | |

表11. 对照条件(无施加电压)与施加电压的电絮凝-絮凝(ECF)处理之间微塑料去除效率(%)的比较。

| 条件 | 电压(V) | 目的 | 去除效率(%) |
|------|---------|------|------------|
| 对照 | 0 | 评估自然MP去除 | 5.40 |
| ECF | 15 | 验证模糊逻辑预测 | 73.40 |

需要注意的是,实验室验证旨在对受控合成废水条件下模糊-DST预测进行初步评估。仅研究了初始pH,而其他电絮凝操作参数保持不变。因此,在更广泛地应用所提出的框架之前,需要使用不同的废水基质、微塑料类型和操作条件进行进一步验证。

##### 3.2.2. 对照实验

对照实验表明微塑料去除主要与电絮凝相关,支持在模糊逻辑优化框架中使用ECF作为处理方法。

无ECF对照实验中观察到的低去除率表明,自然沉降或物理效应对MP去除的贡献微乎其微,而通过ECF获得的显著更高的去除率归因于电絮凝/絮凝机制。

#### 3.3. 传统解释与所提出模糊-DST框架的比较

由于本报告基于文献衍生的ECF数据而非实验室实验,因此传统的无ECF或不调节pH的对照运行不适用。

此外,未进行直接的非模糊比较,因为现有文献在pH范围、废水基质、电极材料和去除目标方面存在差异,因此简单的统计平均不足以满足需求。从表12可以看出,传统方法仅提供定性理解,因为它未考虑每项研究相关的置信度和不确定性。相比之下,模糊- DST模型对pH范围赋予隶属度和 belief 值,从而能够系统性地整合来自不同研究的相互矛盾的证据。因此,选择模糊-DST方法以克服不同文献来源之间的不确定性、模糊性和相互矛盾的证据(见表13)。

**表12. 使用传统解释和集成模糊逻辑-Dempster-Shafer理论(模糊-DST)方法所获得结果的比较。**

| 方法 | 结果 |
|------|------|
| 传统解释 | 大多数研究表明ECF在pH 6-10范围内运行有效,但确切的最优值仍不明确 |
| 模糊-DST | 根据不确定性和去除性能识别出具有最高 belief 值的pH区域 |

**表13. 其他研究人员收集的关于不同类型ECF的数据(废水WW、重金属HM、染料和微塑料MP)(Akyol, 2012; Al-Shannag et al., 2015; Chafi et al., 2011; Ikhlaq et al., 2022; Merzouk et al., 2009; Senathirajah et al., 2023; Shen et al., 2022; Subair et al., 2024; Zhang et al., 2023)。**

| 编号 | 种类 | 类型 | 电极 | 仪器 | 资源 |
|------|------|------|------|------|------|
| 1 | WW | 餐厅废水 | Al, Fe | COD、分光光度计 | Chen X. et al., Separa. and Purifi. Tech. 19 (2000) 65–76 |
| 2 | HM | CO (II) | Al | XRD, SEM, EDAX | Shafaie A. et al. Desalination 279 (2011) 121–126 |
| 3 | WW | 纺织废水 | Al, Fe | 分光光度计 | Kobya M. et al., Jour. of Hazard. Mater. B100 (2003) 163–178 |
| 4 | HM | Cu2?, Cr3?, Ni2?, Zn2? | 碳钢 | AAS | Al-Shannag M. et al., Chem. Engineer. Jour. 260 (2015) 749–756 |
| 5 | HM | Cu, Ni, Zn, Mn | Fe | ICP-OES | Al Aji B. et al., Separa. and Purifi. Tech. 86 (2012) 248–254 |
| 6 | WW | 油漆废水 | Al, Fe | COD | Akyol A, Desalination 285 (2012) 91–99 |
| 7 | 染料 | 结晶紫 | Al | UV分光光度计 | Ghosh D. et al., jour. of env. Prot. Sci. (2008), Vol. 2, pp. 25–35 |
| 8 | 染料 | 红色染料 | Al | UV-Vis | Merzouk B. et al., Chem. Engi. Jour. 149 (2009) 207–214 |
| 9 | 染料 | 橙II | Al, Fe | UV-Vis | Chafi M. et al., Desalination 281 (2011) 285–292 |
| 10 | MP | PS | Al, SS | SEM-EDS | Subair A. et al., Envi. Research 243 (2024) 117887 |
| 11 | MP | PA, PE, PET, PP | Fe, SS | 体视显微镜, FTIR, SEM | Senathirajah K. et al., Environ. Poll. 334 (2023) 122159 |
| 12 | MP | PE, PMMA, CA, PP | Al, Fe | 金相显微镜, SEM | Shen M. et al., Chemical Engineering Journal 428 (2022) 131161 |
| 13 | 染料 | 靛蓝 | Al, 石墨 | 显微镜 | Zhang W. et al., Arab. Jour. of Chem. 16 (2023) 105335 |
| 14 | 染料 | 黑5 | Al | UV-Vis | Ikhlaq A et al., Desal. and Water Treat. 259 (2022) 221–229 |

## 4. 结论与展望

电絮凝(ECF)方法是一种有前景的处理技术,它提供了一种成本效益高且环保的废水处理途径,因为它不像其他可变方法那样需要添加化学品。它是一种新兴的水和废水电化学处理技术,利用电解过程,其中牺牲性金属阳极溶解,产生混凝剂,同时在阴极释放氢气。

最近,其在微塑料去除方面的潜力日益受到关注,使其成为应对环境应用中新兴污染物的有力候选技术。模糊逻辑已被证明是优化废水处理过程(包括微塑料去除)的可靠工具。通过处理不确定性和非线性行为,它允许更精确地控制运行参数,提高去除效率,同时减少化学品使用和能源消耗。其适应性和预测能力使其成为未来可持续和高效水处理的一个有前景的方法。

计算得出,中等和高pH下的BPA百分比分别为32%和68%。鉴于其多功能性和性能,ECF在未来研究中可作为去除微塑料的一种可行主要方法,染料和重金属可作为补充基准,以进一步验证其在不同污染物特征下的有效性。在初始pH下计算的模糊逻辑通过进行短期实验室工作为所提出的模糊-DST框架提供了初步支持,其去除效率分别为低、中、高pH范围的74.5 ± 1.49%、88.8 ± 3.81%和92.5 ± 2.85%。初步的实验室验证支持了模糊-DST的预测,即在所测试的实验条件下,碱性pH提供更高的去除效率。

此外,本研究的主要贡献是将基于DST的证据处理方法与模糊逻辑相结合,以在来自文献数据的不确定性下支持pH选择。因此,未来工作应侧重于验证这种模糊逻辑方法,使其更加可靠作为一种决策技术,并且应执行超过一个参数来使用该方法。

**CRediT作者贡献声明**

Amal Farzana Binti Hasnan:撰写——原稿,方法论,调查,数据整理。Chingakham Chinglenthoiba:撰写——审阅与编辑,验证,指导,概念构思。Irene Hepzibah:软件,方法论。M. Devi:软件,方法论。Jose Hernandez Santos:撰写——审阅与编辑,指导,项目管理,概念构思。

**声明**

作者声明他们没有已知的相互竞争的财务利益或个人关系,这些关系可能会影响本文报告的工作。

Amal Farzana Binti Hasnan | Chingakham Chinglenthoiba | Irene Hepzibah | M. Devi | Jose Hernandez Santos
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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