清华大学环境学院黄霞团队合作提出光谱指纹驱动的膜污染小样本智能预测方法

（通讯员 丁昊杰）以膜生物反应器（MBR）为代表的膜技术，是未来城市污水资源化从而实现可持续发展目标的关键一环，但膜污染会导致膜分离效能下降，从而制约其经济技术可行性。膜污染过程高度复杂，对从分子层面理解污染行为并实现精确预测提出了更高要求。

近日，清华大学环境学院黄霞教授团队联合中国科学院大学肖康教授团队和中信环境技术有限公司相关研究团队，创新性地融合污染物光谱表征与数据-知识共驱动的建模策略，从物质行为监测和工艺动态解析两个维度着手，建立了光谱指纹-污染物分子特性-污染物行为之间的响应关系，实现了小样本下大型实际MBR工程中膜污染趋势的高效预测（图1）。该研究提出的融合光谱指纹的数据-知识共驱动建模策略，明确了光谱指纹在膜污染预测中的关键信息价值，降低了模型对大规模数据的依赖，有望在小样本条件下辅助工艺运行决策，为膜工艺的精细化运行和可持续发展提供技术支撑。

图1.膜污染过程及其监测、建模与预测示意图

该研究以中国北方某5万吨/日级市政污水MBR处理工程为对象，开展了为期近一年的连续监测，系统收集了包括“污染物性质-污染潜势-运行工况-膜污染状况-维护性清洗事件”在内的多维特征数据。研究表明，该MBR工程膜污染的主导机制在于凝胶层污染，单一宏观浓度指标难以准确反映溶解性有机物（DOM）的凝胶层污染行为，需重点关注含氧不饱和物质对凝胶层污染的贡献。基于数据-知识共驱动的光谱特征工程表明，光谱指纹是连接污染物分子特征与污染行为的“桥梁”，部分光谱指纹指标（如UVA₂₅₄、FI-Ⅰ、peak B和peak T）可用于后续定量建模（图2）。

图2.紫外-可见（UV-vis）光谱和三维荧光（FEEM）光谱指示膜污染潜势：（a）UV-vis光谱均值-标准差谱及吸光度与凝胶层污染潜势（K_gel）之间的逐点扫描稳健回归R²；（b）FEEM平均强度谱、荧光强度与K_gel之间的逐点扫描稳健回归R²谱和变量重要性谱；（c）光谱指纹和污染潜势之间的冗余分析

研究以光谱指纹表征DOM性质，并结合胶体与颗粒特性、运行工况、膜运行与污染状态及清洗事件等信息作为模型输入，对不同时间滞后条件下的膜污染发展趋势进行预测。研究表明，基于光谱指纹驱动的机器学习模型在小样本条件下实现了膜污染发展趋势的高效预测，可有效预测5‒7天后的膜累积阻力，并表现出良好的跨膜池泛化能力（图3a）。进一步的SHAP分析和敏感性分析表明，光谱指纹对膜污染发展趋势预测能力具有重要贡献（~30%）（图3b），可据此通过调节曝气强度实现工艺运行由“高污染风险-高能耗”向“低污染风险-低能耗”的优化转变。总体而言，该研究提出的基于光谱特征工程的数据-知识共驱动建模策略，在小样本下兼顾了预测准确性、模型泛化能力与可解释性，为实际工程中的膜污染调控提供了新的思路和方法。

图3.融合光谱指纹的可解释机器学习模型表现：（a）长短时记忆网络（LSTM）模型在不同时间滞后条件下的模型表现（图中所示为10次重复模拟下的平均表现）；（b）LSTM模型在∆t= 7天时，基于SHAP分析的输入对模型输出的相对贡献度（图中所示为10次重复模拟下的平均相对贡献度）

研究成果以“膜法污水处理中的膜污染智能监测”（Intelligent fouling monitoring in membrane-based wastewater treatment）为题，于2月9日在线发表于《自然·可持续性》（Nature Sustainability）。

清华大学环境学院教授黄霞和中国科学院大学教授肖康为论文通讯作者，中国科学院大学2021级博士生来怡哲为论文第一作者。论文合作者包括清华大学环境学院丁昊杰博士，中国科学院大学2023级博士生田亦臣、研究助理邢勐、教授谭吉华，中信环境技术有限公司张劲松博士、彭赞国博士、范宇工程师、鲁显位总工程师，北京林业大学教授梁帅，泰国亚洲理工学院教授薛文超。

该研究在清华大学（环境学院）–中信环境技术有限公司先进膜水处理及资源化技术联合研究中心的支持下开展，并得到国家自然科学基金委、北京市自然科学基金委和中央高校基本科研业务费专项资金的资助。

论文链接：

https://www.nature.com/articles/s41893-026-01766-2

供稿：环境学院

编辑：李华山

审核：郭玲