一种基于物理知识的神经网络,用于可解释的膜污染预测,并能够自适应地在不同污染机制之间切换

《Separation and Purification Technology》:A physics-informed neural network for interpretable membrane-fouling prediction with adaptive transitions between fouling mechanisms

【字体: 大 中 小 】 时间:2026年03月09日 来源:Separation and Purification Technology 9

编辑推荐:

  萨达夫·萨埃迪·加拉卡尼(Sadaf Saeedi Garakani)| 马吉德·哈萨纳巴迪(Majid Hassanabadi)| 贾伟周(Jia Wei Chew) 瑞典哥德堡查尔姆斯理工大学化学与化学工程系 **摘要** 膜污染仍然是过滤过程中的一个主要挑战,

  萨达夫·萨埃迪·加拉卡尼(Sadaf Saeedi Garakani)| 马吉德·哈萨纳巴迪(Majid Hassanabadi)| 贾伟周(Jia Wei Chew)
瑞典哥德堡查尔姆斯理工大学化学与化学工程系

**摘要**
膜污染仍然是过滤过程中的一个主要挑战,导致通量下降、效率降低和运营成本增加。传统的模型(如Hermia堵塞定律)描述了理想化的单一污染机制,但无法捕捉实际系统中发生的复杂动态转变。组合模型或经验模型虽然更具现实性,但常常存在参数拟合不唯一和解释性有限的问题,从而降低了其预测可靠性。机器学习(ML)的最新进展提高了预测准确性,但纯数据驱动的方法缺乏物理基础,并需要大量的数据集。为了解决这一难题,我们提出了一种物理信息神经网络(PINN),该网络将四种经典的Hermia污染机制——完全孔堵塞、中间孔堵塞、孔径收缩和滤饼过滤——整合到一个统一的、受物理约束的数据驱动模型中。PINN使用自适应Sigmoid权重函数来实现过滤阶段之间的平滑连续过渡,并通过自适应权重平衡数据真实性、物理约束和初始条件。该模型在包含多种膜类型、跨膜压力和进料条件的多样化数据集上进行了验证,能够准确识别阶段转换并量化每种污染机制的相对贡献。所开发的PINN具有高预测准确性和低不确定性,优于传统的污染模型,同时提供了机制可解释性和物理上一致的膜污染预测基础。

**1. 引言**
膜技术已成为现代分离过程的基石,具有低能耗、连续运行和基于尺寸、电荷和化学亲和力等特性的高选择性等显著优势[1]。其多功能性使其在从水和废水处理到生物加工、食品和气体分离等多个行业中得到广泛应用,凸显了其变革潜力。然而,膜污染(即颗粒、微生物和有机物在膜上或内部的积累)这一持续存在的挑战仍然阻碍了大规模应用,因为这会降低渗透通量、降低性能并增加运营成本[2]。值得注意的是,据报道,污染相关成本占膜基水处理系统运营支出的大约20-30%[3] [4]。因此,增强对污染现象的理解和预测能力以及制定有效的缓解策略对于优化基于膜的过程至关重要[5]。

膜污染是一个由多种相互作用机制驱动的多方面现象,包括完全和中间孔堵塞、孔径收缩以及滤饼层的形成,每种机制对通量下降的贡献各不相同[6]。传统的经验和半经验模型(如Hermia定律和临界通量假设)试图通过数学公式来描述这些机制。尽管这些模型提供了有用的见解,但它们往往简化了实际中污染机制之间的动态相互作用和转变(例如,从早期过滤中的孔堵塞主导行为到后期滤饼过滤的主导),导致预测能力有限和过程控制不佳[7]。为了解决这些问题,提出了组合污染模型。例如,Ho和Zydney[8]将BSA污染的孔堵塞和滤饼过滤结合起来,Duclos-Orsello等人[9]结合了孔径收缩、完全孔堵塞和滤饼过滤,Trinh等人[10]将内部滤饼形成与孔径收缩和孔堵塞耦合,Zydney[11]描述了具有可渗透污染层的互连孔结构。尽管这些方法具有更高的物理真实性,但它们通常需要复杂的数学处理、详细的系统表征,并依赖于限制性假设,这限制了它们的普遍适用性。此外,它们通常依赖于多参数拟合,不同的参数集可以产生相似的通量下降轨迹,导致参数非唯一性,从而限制了拟合参数在不同操作条件下的解释性和可转移性。

随着机器学习(ML)的出现,为建模复杂的膜污染动态提供了新的机会。代表性的模型包括前馈神经网络(NNs)、支持向量机(SVM)、基于集成树的方法(如随机森林(RF)和梯度提升(例如XGBoost),以及为序列过滤数据设计的深度学习架构(如长短期记忆(LSTM)和门控循环单元(GRU)[12] [13] [14]。Liu等人[15] [16]证明神经网络可以通过捕捉不同微过滤条件下的非线性、时间依赖的污染行为来超越单一Hermia堵塞定律模型,而Tanudjaja等人[17]使用随机森林分析了数十年的蛋白质污染数据,确定孔径大小是通量和截留率的主要驱动因素。使用统计方法、遗传算法和混合框架的进一步研究进一步增强了预测和优化能力[18] [19] [20]。比较研究表明,ANN通常比Hermia模型具有更高的预测准确性,而遗传编程可以提供明确、可解释的关系[21],综述强调了ANN、SVM和GA在污染预测中的有效性[22]。SVM分类器也被用于识别由不同生物聚合物/EPS替代物引起的污染行为[23]。尽管取得了这些进展,纯数据驱动的模型通常需要大量数据集,并且难以从物理上解释,限制了可解释性和鲁棒性。为了克服这些限制,最近的研究转向了结合机器学习和物理原理的混合或“灰箱”模型。这一新兴的物理信息机器学习(PIML)领域通过偏微分方程(PDEs)将控制方程纳入学习框架,以确保预测与已知物理定律一致。Raissi等人的开创性论文[24]概念化了物理信息神经网络(PINN),即不仅训练用于拟合实验数据,还通过基于物理的损失项满足控制物理方程的NN,将Navier-Stokes方程嵌入深度学习架构中,实现了流体力学中的高准确性和物理一致性。类似地,Tagliavini等人[25]将荧光光谱与机制建模和ML结合,提高了超滤通量的预测能力,展示了整合物理约束对有意义参数估计的好处。这种物理感知或灰箱模型提高了泛化能力和可解释性,弥合了数据驱动预测和物理理解之间的差距。尽管取得了这些进展,但仍然缺乏一个统一的、物理上一致的框架,能够同时表示混合污染机制、量化它们的时变贡献,并识别过滤过程中的转换时间。

在此基础上,我们之前的研究引入了一个PINN框架,将Hermia的污染定律嵌入神经网络架构中,实现了机制合理且数据高效的污染建模[26]。该模型仅使用20%的训练数据就成功识别了主导污染机制并实现了准确预测,展示了其效率和可解释性。在本研究中,我们通过开发一个改进的PINN框架来推进这一方法,该框架动态学习污染动力学,随时间为每种污染机制分配分数权重,并自动确定污染阶段之间的转换点。重要的是,将所有四种Hermia机制整合到一个统一的框架中,使模型能够捕捉混合和演变的污染行为,而无需手动选择或切换机制,同时提供了每种机制对通量下降贡献的可解释、时间分辨的分解。这一新框架提供了整个过滤过程中污染演变的连续和物理上一致的表示。通过将自适应Sigmoid基的阶段转换与学习到的损失权重相结合,该模型实现了高预测准确性和机制透明度。这一创新代表了向数据高效、可解释和可泛化的膜污染预测和过程优化模型的重要一步。

已报道的PINN在膜污染建模中的应用主要集中在物理上一致的预测和/或有效参数的推断上,通常在特定系统和操作条件下进行演示。这里提出的框架通过在一个统一的PINN架构中引入多种污染机制的物理信息表示来扩展这一概念。通过同时嵌入四种Hermia堵塞定律并实现它们之间的平滑、可学习的转换,该模型可以动态捕捉演变的污染阶段,而无需手动选择机制。除了预测通量下降外,该框架还量化了每种污染机制的时间分辨贡献,并识别了阶段之间的转换时间,提供了多阶段污染动态的机制可解释表示。

**2. 方法**
**2.1. 控制方程**
Hermia在四十年前提出的污染模型[7]仍然是描述膜过滤中不可避免的通量下降的基础框架。图1示意性地展示了四种主要的污染机制,即完全孔堵塞(即孔入口的完全阻塞)、中间孔堵塞(即孔入口的部分阻塞)、孔径收缩(即由于内部污染导致的孔体积减少)和滤饼过滤(即形成增加渗透阻力的表面层)。这些机制共同导致了渗透通量随时间的特征性下降,如Hermia模型所表达的:
$$
d^2V_t = \frac{kd}{t} \cdot dV_n
$$
其中V是过滤时间t内的累积渗透体积。相应的渗透通量J的形式为:
$$
dJ_t = -\frac{k_n}{J} \cdot d^3t
$$
其中kn是渗透率参数,n是每种污染机制特有的特征指数。

**2.2. 物理信息神经网络架构**
开发了一个全连接的前馈物理信息神经网络(PINN)来模拟膜污染动态,使用Hermia污染定律作为控制物理约束(图2)。该网络包括一个输入层、两个各包含300个神经元的隐藏层(使用双曲正切(tanh)激活函数),以及一个单神经元线性输出层,预测渗透通量J(t)作为归一化时间t(从物理时间域[0, tmax]缩放到[0,1])的函数。架构和训练超参数(tanh激活函数、Adam优化器、学习率0.001)基于我们之前的研究[26]选择,该研究证明了类似膜污染PINN公式的稳定和准确收敛。所有数据集和操作条件都应用了相同的超参数设置;没有进行特定情况的调整(例如网格搜索),也没有使用dropout。

污染率系数kn被视为可学习参数。为了确保物理合理性(即kn>0),未受约束的标量参数通过softplus函数进行了转换。固定的指数n=2, 1.5, 1, 或0对应于Hermia模型定义的四种经典污染机制(图1)。为了捕捉污染阶段之间的平滑过渡,引入了三个可训练的转换参数(即ttransition1、ttransition2和ttransition3)沿着归一化时间轴。这些转换时间是从未受约束的可训练变量中学习得到的,并使用Sigmoid函数映射到区间[0,1]中。选择Sigmoid函数是因为它们可以实现污染阶段之间的平滑、可微分过渡,避免了与突然切换相关的不连续性,并支持稳定的基于梯度的训练。连续的转换通过额外的Sigmoid缩放的delta(Δ)参数累积,产生每种污染残差的分段加权贡献。这种公式使模型能够在保持可微分性的同时表示逐渐的机制转变,确保训练期间的稳定和高效反向传播。

因此,通量下降曲线被分为四个不同的阶段——在图2中标记为I、II、III和IV——每个阶段对应于一种主导的污染机制或机制组合。该框架假设在研究条件下的通量下降可以通过四种经典的Hermia污染机制来表示,整体过滤轨迹通过阶段演化和平滑过渡来描述。Hermia公式未明确建模的效应(例如详细的传输或流体动力学现象)通过学习到的动力学和阶段加权隐式捕获。总体而言,这种公式使网络能够结合数据真实性和物理一致的结构,弥合了数据驱动预测和物理理解之间的差距。

**2.3. 物理信息损失公式**
对于通量下降曲线中的每个阶段(即图2中的I、II、III和IV),Hermia定律始终作为控制物理约束:
$$
dJ_t = -\frac{k_n}{J} \cdot d^3t
$$
通过对PINN输出关于归一化时间t的自动微分,获得一阶导数dJdt。为了表示不同的污染行为,制定了四个残差值——每个残差值对应一种污染机制——然后使用可微分指示函数将它们组合起来。为了划分四个连续的污染阶段,在标准化时间轴上定义了三个过渡时间参数——ttransition1、ttransition2、ttransition3。在优化过程中,每个参数都被视为一个不受约束的变量,并使用标准Sigmoid函数映射到区间[0,1]:(4)teff=σtunconstrained。为了确保0 < ttransition1 < ttransition2 < ttransition3 < 1的有序进展,引入了两个额外的不受约束的Δ参数,并使用Sigmoid函数进行映射,使得每个后续的过渡被定义为剩余时间间隔的正比例部分,从而确保过渡序列在物理上是连贯的。具体来说,有效的有序过渡时间定义为:teff,1=σtunconstrained,1, teff,2=teff,1+1?teff,1σΔ2, teff,3=teff,2+1?teff,2σΔ3,其中tunconstrained,1、Δ2和Δ3是不受约束的可训练标量,σ·表示Sigmoid函数。这种映射保证了0< />< />
2.4. 数据损失和初始条件的强制执行
实验通量数据jtrue(t)被导入并转换为浮点数组。时间变量被最小-最大标准化到区间[0,1],而渗透通量保持其原始的物理单位。数据拟合损失定义为(8)ldata=1nd∑i=1ndjti?jtrueti2,其中nd是实验训练点的数量。为了确保与t = 0时的初始通量一致,引入了一个额外的初始条件(ic)损失项:(9)lic=j0?jtrue02。ic损失项作为一个正则化约束,将预测的通量固定在过滤开始时的实验值(即t = 0),防止在训练过程中出现非物理偏差。在这个pinn框架内,总损失函数实现了平衡的目标:(i)数据损失确保与实验观察结果一致,(ii)基于物理的损失约束模型遵守控制物理定律,(iii)ic损失保持对起始渗透通量的遵守。这些组件共同使网络能够在学习通量下降动态的同时,确保数据保真度(即预测数据与测量数据之间的一致性)和与控制污染物理的一致性。

2.5. 通过学习不确定性进行自适应损失加权
为了在不同损失组件之间实现平衡的优化,引入了三个可训练的对数方差参数:log σdata、log σphysics和log σic。然后总损失函数被定义为:(10)l=e?logσdataldata+logσdata+e?logσphysicslphysics+logσphysics+e?logσiclic+logσic。这种概率加权框架[29]允许模型通过将方差参数解释为不确定性的度量来学习每个损失项的相对重要性。每个组件的权重与其学习到的不确定性成反比,使网络能够自适应地在数据保真度、物理一致性和边界强制执行之间进行平衡,而无需手动调整权重系数。因此,模型可以在必要时降低噪声较大的实验数据或物理残差的权重,从而提高训练稳定性、收敛效率和pinn的总体鲁棒性。

3. 结果与讨论
开发用于膜过滤过程的预测模型是一个主要的研究焦点,因为这样的模型对于预测膜系统性能至关重要。准确的预测不仅有助于高效的过程设计和放大,而且还提供了对膜污染的关键洞察,这是基于膜的操作中最持久的挑战之一[30]。在不同的建模方法中,堵塞定律长期以来一直被用作解释污染行为的基石。最初由hermans和breedee[31]引入,并后来由hermia[32]进一步完善,这些模型为描述不同的污染机制提供了机制框架,包括与非牛顿流体相关的机制(表1)。堵塞定律基于物理原理,将理论公式与对膜操作的实际理解结合起来,提供了一种结构化的方法来关联渗透通量下降与潜在的污染动态。

表1. 四种基本膜污染机制的数学公式。
污染机制 | 流量公式 | 方程编号
----------------|-------------------------------------------|
cake过滤 | 0kc1j2=1j02+kct | (11)
中间孔堵塞 | 1ki1j=1j0+kit | (12)
孔道收缩 | 1.5ks1j0.5=1j00.5+kst | (13)
完全孔堵塞 | 2kblnj=lnj0?kbt | (14)
综合:完全孔堵塞和cake过滤 [8] | 0和2αβjj0=exp?αj0t+1?exp?αj0t1+βj0t | (15)

尽管这些经典堵塞模型具有坚实的理论基础,但它们在实施过程中通常需要广泛的过程表征和详细的膜属性数据,而这些在实践中很少可用。此外,它们对简化假设的依赖限制了它们在特定操作条件和狭窄过程范围内的适用性[33]。值得注意的是,这些现有模型没有提供一种直接的方法来量化每种污染机制对观察到的通量下降的贡献程度。这些限制突显了需要更灵活的、基于数据的框架,以捕捉膜污染的复杂和动态性质。

为了评估所提出的pinn模型的通用性和鲁棒性,从两个微过滤研究[26]、[29]中收集了20个数据集(每个数据集有150-350个数据点)。观测数据用于强制执行复合损失函数中的数据保真度项,而hermia的污染定律通过物理残差损失来强制执行。因此,没有在每个数据集内应用传统的随机训练/验证/测试分割;相反,所有可用点都被用作数据驱动的约束,通过检查20个不同实验案例中的性能一致性来评估鲁棒性。这些数据集涵盖了广泛的膜过滤场景,包括膜类型、跨膜压力(tmp)、进料流速、污染物类型和污染物浓度的变化(表2)。对于某些案例,原始研究中没有报告某些操作参数(例如进料流速或浓度);因此这些值在表2中不可用。在训练数据中包含这种多样性,可以严格评估模型捕捉不同系统中的不同物理行为的能力。尽管与黑盒机器学习基准相比,实验案例的数量较少,但物理控制的约束显著减少了有效自由度并减轻了过拟合。与我们之前的pinn研究一致,即使可用的训练数据减少了80%,预测准确性仍然保持稳定,这种物理规范的结构在数据有限的情况下支持可靠的学习和泛化[26]。

表2. 早期微过滤研究[34]、[35]中的污染物和操作参数摘要。
案例编号 | 污染物 | 膜材料 | 孔径大小(μm) | tmp(bar) | 进料流速(l/h) | 浓度(mg/l) |
----------------|----------------------------------|------------------|------------------|------------------|------------------|
1 | 废洗衣物 | 纤维素酯 | 0.22 | 0.58 | 未指定 |
2 | 废洗衣物 | 纤维素酯 | 0.22 | 1.58 | 未指定 |
3 | 废洗衣物 | 纤维素酯 | 0.22 | 0.56 | 未指定 |
4 | 废洗衣物 | 纤维素酯 | 0.22 | 1.06 | 未指定 |
5 | 废洗衣物 | 纤维素酯 | 0.22 | 0.54 | 未指定 |
6 | 废洗衣物 | 纤维素酯 | 0.22 | 0.53 | 未指定 |
7 | 聚酰胺 | 纤维素醋酸酯 | 50.3 | 未指定 |
8 | 聚酰胺 | 纤维素醋酸酯 | 50.3 | 未指定 |
9 | 聚苯乙烯 | 纤维素醋酸酯 | 50.3 | 未指定 |
10 | 聚苯乙烯 | 纤维素醋酸酯 | 50.3 | 未指定 |

图3将实验渗透通量数据与经典hermia污染模型和pinn模型的预测进行了比较。在所有案例中,没有单一的污染机制能够同时再现快速的初始通量下降和逐渐的长期减少。一方面,完全孔堵塞模型在过滤的早期阶段与实验数据非常吻合,但一旦标准化时间(t)约为0.1时,就显著低估了通量。另一方面,cake过滤模型在后期阶段提供了更好的拟合,但在开始时高估了通量。中间堵塞和孔道收缩模型表现出介于两者之间的行为,但未能在整个过滤期间准确捕捉通量演变。

这些结果证实了预期,即膜过滤性能不能完全由hermia框架内的任何单一理想化机制来表示。实际上,膜污染本质上是一个多阶段过程,通常表现为从完全孔堵塞的初始主导到后来cake过滤的普遍存在。污染机制之间的这种动态相互作用突显了需要像这里开发的pinn模型这样的建模框架,它可以自适应地跟踪污染机制的转变,从而提供更准确和物理上一致的通量下降行为预测。一些研究人员提出了考虑多种污染机制同时影响的组合污染模型。ho和zydney[8]的开创性工作(方程15)将完全孔堵塞和cake过滤结合到一个统一的框架中,旨在改进膜过滤系统中通量下降行为的预测。尽管这个模型在概念上很有吸引力,但其实际应用面临挑战。有效使用需要将实验数据拟合到所提出的方程中,并确定两个经验参数,即孔堵塞参数(α)和cake过滤参数(β),这些参数代表污染机制的相对贡献。然而,这种和类似组合污染模型的一个公认限制[9]、[10]是参数估计的非唯一性。多个不同的α值可以产生相似的高决定系数(r2),表明对实验数据的拟合同样好。如表3所示,相差几个数量级的α值会产生相似的mse和r2值。这种参数非唯一性削弱了人们对这些模型捕捉真实潜在污染动态的能力的信心,因此也难以可靠地预测膜过滤性能。当不同的α和β组合可以同样好地解释通量下降数据时,就很难在特定操作条件下得出关于主导污染机制的物理上有意义的结论。因此,虽然组合模型提供了更全面的污染行为理论表示,但它们对经验参数拟合的严重依赖——在没有物理约束的情况下——引入了不确定性,限制了它们的可解释性和实际效用。

表3. 组合污染模型[8]的非唯一拟合结果:相差几个数量级的α值产生相似的mse和r2。
案例编号 | α | β | mse | r2 |
----------------|---------------|---------------|----------------|----------------|
1 | 0.000 | 2 | 10.000 | 90.000 |
2 | 0.000 | 5 | 90.000 | 59.000 |
3 | 0.001 | 2 | 10.000 | 90.001 |
4 | 0.000 | 3 | 0.92 | 90.001 |
5 | 0.000 | 5 | 40.000 | 23.000 |
6 | 0.000 | 3 | 0.93 | 90.002 |
7 | 0.000 | 4 | 50.000 | 40.001 |
8 | 0.000 | 5 | 40.002 | 50.91 |
9 | 0.000 | 6 | 0.000 | 30.002 |
10 | 0.000 | 4 | 50.000 | 40.91 |
11 | 0.000 | 5 | 40.000 | 50.95 |

鉴于准确描述通量下降趋势的挑战,需要更先进的建模框架。机器学习提供了一种强大的手段来表示膜污染中的复杂性和非线性。为了应对这一挑战,我们的主要目标是开发一个受物理控制方程约束的数据驱动模型,从而提供整个过滤过程中污染行为的动态和可解释的表示。膜过滤通常表现出顺序的通量下降曲线:初始阶段由孔堵塞主导,随后由于孔道收缩和吸附而迅速下降,最后随着 cake 层的形成而稳定[36]、[37]。由于主导机制随时间演变,因此需要一个多阶段的概念模型,理想情况下该模型能够(1)识别任何给定时刻的主导污染机制,以及(2)确定连续机制之间的转换时间。为此,开发的pinn框架系统地将四个经典的hermia污染模型作为基础组件,这些组件的影响在过滤阶段中有所不同。通过将通量-时间轨迹划分为多个可能不相等的部分,pinn模型在不同时间点为每种污染机制动态分配自适应权重。这种方法不仅增强了了对膜污染的理解,还为膜设计、过程优化和维护调度提供了实际见解。特别是,它使操作员能够根据需要精确预测和计划清洁干预,针对主导的污染机制进行定制,从而延长膜寿命,降低运营成本,并提高整体可靠性。所提出的pinn的另一个优势是它能够估计连续阶段之间的转换时间,确定一种污染机制何时转变为另一种。这产生了一个时间上解析的污染行为图,精确量化了整个过滤过程中的机制贡献和转换。通过结合物理可解释性和预测准确性,该框架提供了关于特定污染机制何时以及如何演变的前所未有的见解,直接为最佳清洁和操作策略提供了信息。如图4(以及图s1 – s11)所示,pinn模型生成的通量预测与十个不同案例研究中的实验数据非常吻合。 2.4. 数据损失和初始条件的强制执行 实验通量数据jtrue(t)被导入并转换为浮点数组。时间变量被最小-最大标准化到区间[0,1],而渗透通量保持其原始的物理单位。数据拟合损失定义为(8)ldata=1Nd∑i=1NdJti?Jtrueti2,其中Nd是实验训练点的数量。为了确保与t = 0时的初始通量一致,引入了一个额外的初始条件(ic)损失项:(9)lic=J0?Jtrue02。IC损失项作为一个正则化约束,将预测的通量固定在过滤开始时的实验值(即t = 0),防止在训练过程中出现非物理偏差。在这个pinn框架内,总损失函数实现了平衡的目标:(i)数据损失确保与实验观察结果一致,(ii)基于物理的损失约束模型遵守控制物理定律,(iii)ic损失保持对起始渗透通量的遵守。这些组件共同使网络能够在学习通量下降动态的同时,确保数据保真度(即预测数据与测量数据之间的一致性)和与控制污染物理的一致性。 2.5. 通过学习不确定性进行自适应损失加权 为了在不同损失组件之间实现平衡的优化,引入了三个可训练的对数方差参数:log σdata、log σphysics和log σic。然后总损失函数被定义为:(10)l=e?logσdataLdata+logσdata+e?logσphysicsLphysics+logσphysics+e?logσICLIC+logσIC。这种概率加权框架[29]允许模型通过将方差参数解释为不确定性的度量来学习每个损失项的相对重要性。每个组件的权重与其学习到的不确定性成反比,使网络能够自适应地在数据保真度、物理一致性和边界强制执行之间进行平衡,而无需手动调整权重系数。因此,模型可以在必要时降低噪声较大的实验数据或物理残差的权重,从而提高训练稳定性、收敛效率和PINN的总体鲁棒性。 3. 结果与讨论 开发用于膜过滤过程的预测模型是一个主要的研究焦点,因为这样的模型对于预测膜系统性能至关重要。准确的预测不仅有助于高效的过程设计和放大,而且还提供了对膜污染的关键洞察,这是基于膜的操作中最持久的挑战之一[30]。在不同的建模方法中,堵塞定律长期以来一直被用作解释污染行为的基石。最初由hermans和breedee[31]引入,并后来由hermia[32]进一步完善,这些模型为描述不同的污染机制提供了机制框架,包括与非牛顿流体相关的机制(表1)。堵塞定律基于物理原理,将理论公式与对膜操作的实际理解结合起来,提供了一种结构化的方法来关联渗透通量下降与潜在的污染动态。 表1. 四种基本膜污染机制的数学公式。 污染机制 | 流量公式 | 方程编号 ----------------|-------------------------------------------| cake过滤 | 0kc1j2=1J02+Kct | (11) 中间孔堵塞 | 1ki1j=1J0+Kit | (12) 孔道收缩 | 1.5ks1j0.5=1J00.5+Kst | (13) 完全孔堵塞 | 2kblnj=lnJ0?kbt | (14) 综合:完全孔堵塞和cake过滤 [8] | 0和2αβjj0=exp?αJ0t+1?exp?αJ0t1+βJ0t | (15) 尽管这些经典堵塞模型具有坚实的理论基础,但它们在实施过程中通常需要广泛的过程表征和详细的膜属性数据,而这些在实践中很少可用。此外,它们对简化假设的依赖限制了它们在特定操作条件和狭窄过程范围内的适用性[33]。值得注意的是,这些现有模型没有提供一种直接的方法来量化每种污染机制对观察到的通量下降的贡献程度。这些限制突显了需要更灵活的、基于数据的框架,以捕捉膜污染的复杂和动态性质。 为了评估所提出的pinn模型的通用性和鲁棒性,从两个微过滤研究[26]、[29]中收集了20个数据集(每个数据集有150-350个数据点)。观测数据用于强制执行复合损失函数中的数据保真度项,而hermia的污染定律通过物理残差损失来强制执行。因此,没有在每个数据集内应用传统的随机训练 验证 测试分割;相反,所有可用点都被用作数据驱动的约束,通过检查20个不同实验案例中的性能一致性来评估鲁棒性。这些数据集涵盖了广泛的膜过滤场景,包括膜类型、跨膜压力(tmp)、进料流速、污染物类型和污染物浓度的变化(表2)。对于某些案例,原始研究中没有报告某些操作参数(例如进料流速或浓度);因此这些值在表2中不可用。在训练数据中包含这种多样性,可以严格评估模型捕捉不同系统中的不同物理行为的能力。尽管与黑盒机器学习基准相比,实验案例的数量较少,但物理控制的约束显著减少了有效自由度并减轻了过拟合。与我们之前的pinn研究一致,即使可用的训练数据减少了80%,预测准确性仍然保持稳定,这种物理规范的结构在数据有限的情况下支持可靠的学习和泛化[26]。 表2. 早期微过滤研究[34]、[35]中的污染物和操作参数摘要。 案例编号 | 污染物 | 膜材料 | 孔径大小(μm) | tmp(bar) | 进料流速(l h) | 浓度(mg l) | ----------------|----------------------------------|------------------|------------------|------------------|------------------| 1 | 废洗衣物 | 纤维素酯 | 0.22 | 0.58 | 未指定 | 2 | 废洗衣物 | 纤维素酯 | 0.22 | 1.58 | 未指定 | 3 | 废洗衣物 | 纤维素酯 | 0.22 | 0.56 | 未指定 | 4 | 废洗衣物 | 纤维素酯 | 0.22 | 1.06 | 未指定 | 5 | 废洗衣物 | 纤维素酯 | 0.22 | 0.54 | 未指定 | 6 | 废洗衣物 | 纤维素酯 | 0.22 | 0.53 | 未指定 | 7 | 聚酰胺 | 纤维素醋酸酯 | 50.3 | 未指定 | 8 | 聚酰胺 | 纤维素醋酸酯 | 50.3 | 未指定 | 9 | 聚苯乙烯 | 纤维素醋酸酯 | 50.3 | 未指定 | 10 | 聚苯乙烯 | 纤维素醋酸酯 | 50.3 | 未指定 | 图3将实验渗透通量数据与经典hermia污染模型和pinn模型的预测进行了比较。在所有案例中,没有单一的污染机制能够同时再现快速的初始通量下降和逐渐的长期减少。一方面,完全孔堵塞模型在过滤的早期阶段与实验数据非常吻合,但一旦标准化时间(t)约为0.1时,就显著低估了通量。另一方面,cake过滤模型在后期阶段提供了更好的拟合,但在开始时高估了通量。中间堵塞和孔道收缩模型表现出介于两者之间的行为,但未能在整个过滤期间准确捕捉通量演变。 这些结果证实了预期,即膜过滤性能不能完全由hermia框架内的任何单一理想化机制来表示。实际上,膜污染本质上是一个多阶段过程,通常表现为从完全孔堵塞的初始主导到后来cake过滤的普遍存在。污染机制之间的这种动态相互作用突显了需要像这里开发的pinn模型这样的建模框架,它可以自适应地跟踪污染机制的转变,从而提供更准确和物理上一致的通量下降行为预测。一些研究人员提出了考虑多种污染机制同时影响的组合污染模型。ho和zydney[8]的开创性工作(方程15)将完全孔堵塞和cake过滤结合到一个统一的框架中,旨在改进膜过滤系统中通量下降行为的预测。尽管这个模型在概念上很有吸引力,但其实际应用面临挑战。有效使用需要将实验数据拟合到所提出的方程中,并确定两个经验参数,即孔堵塞参数(α)和cake过滤参数(β),这些参数代表污染机制的相对贡献。然而,这种和类似组合污染模型的一个公认限制[9]、[10]是参数估计的非唯一性。多个不同的α值可以产生相似的高决定系数(r2),表明对实验数据的拟合同样好。如表3所示,相差几个数量级的α值会产生相似的mse和r2值。这种参数非唯一性削弱了人们对这些模型捕捉真实潜在污染动态的能力的信心,因此也难以可靠地预测膜过滤性能。当不同的α和β组合可以同样好地解释通量下降数据时,就很难在特定操作条件下得出关于主导污染机制的物理上有意义的结论。因此,虽然组合模型提供了更全面的污染行为理论表示,但它们对经验参数拟合的严重依赖——在没有物理约束的情况下——引入了不确定性,限制了它们的可解释性和实际效用。 表3. 组合污染模型[8]的非唯一拟合结果:相差几个数量级的α值产生相似的mse和r2。 案例编号 | α | β | mse | r2 | ----------------|---------------|---------------|----------------|----------------| 1 | 0.000 | 2 | 10.000 | 90.000 | 2 | 0.000 | 5 | 90.000 | 59.000 | 3 | 0.001 | 2 | 10.000 | 90.001 | 4 | 0.000 | 3 | 0.92 | 90.001 | 5 | 0.000 | 5 | 40.000 | 23.000 | 6 | 0.000 | 3 | 0.93 | 90.002 | 7 | 0.000 | 4 | 50.000 | 40.001 | 8 | 0.000 | 5 | 40.002 | 50.91 | 9 | 0.000 | 6 | 0.000 | 30.002 | 10 | 0.000 | 4 | 50.000 | 40.91 | 11 | 0.000 | 5 | 40.000 | 50.95 | 鉴于准确描述通量下降趋势的挑战,需要更先进的建模框架。机器学习提供了一种强大的手段来表示膜污染中的复杂性和非线性。为了应对这一挑战,我们的主要目标是开发一个受物理控制方程约束的数据驱动模型,从而提供整个过滤过程中污染行为的动态和可解释的表示。膜过滤通常表现出顺序的通量下降曲线:初始阶段由孔堵塞主导,随后由于孔道收缩和吸附而迅速下降,最后随着 cake 层的形成而稳定[36]、[37]。由于主导机制随时间演变,因此需要一个多阶段的概念模型,理想情况下该模型能够(1)识别任何给定时刻的主导污染机制,以及(2)确定连续机制之间的转换时间。为此,开发的pinn框架系统地将四个经典的hermia污染模型作为基础组件,这些组件的影响在过滤阶段中有所不同。通过将通量-时间轨迹划分为多个可能不相等的部分,pinn模型在不同时间点为每种污染机制动态分配自适应权重。这种方法不仅增强了了对膜污染的理解,还为膜设计、过程优化和维护调度提供了实际见解。特别是,它使操作员能够根据需要精确预测和计划清洁干预,针对主导的污染机制进行定制,从而延长膜寿命,降低运营成本,并提高整体可靠性。所提出的pinn的另一个优势是它能够估计连续阶段之间的转换时间,确定一种污染机制何时转变为另一种。这产生了一个时间上解析的污染行为图,精确量化了整个过滤过程中的机制贡献和转换。通过结合物理可解释性和预测准确性,该框架提供了关于特定污染机制何时以及如何演变的前所未有的见解,直接为最佳清洁和操作策略提供了信息。如图4(以及图s1 –>

2.4. 数据损失和初始条件的强制执行
实验通量数据jtrue(t)被导入并转换为浮点数组。时间变量被最小-最大标准化到区间[0,1],而渗透通量保持其原始的物理单位。数据拟合损失定义为(8)ldata=1nd∑i=1ndjti?jtrueti2,其中nd是实验训练点的数量。为了确保与t = 0时的初始通量一致,引入了一个额外的初始条件(ic)损失项:(9)lic=j0?jtrue02。ic损失项作为一个正则化约束,将预测的通量固定在过滤开始时的实验值(即t = 0),防止在训练过程中出现非物理偏差。在这个pinn框架内,总损失函数实现了平衡的目标:(i)数据损失确保与实验观察结果一致,(ii)基于物理的损失约束模型遵守控制物理定律,(iii)ic损失保持对起始渗透通量的遵守。这些组件共同使网络能够在学习通量下降动态的同时,确保数据保真度(即预测数据与测量数据之间的一致性)和与控制污染物理的一致性。

2.5. 通过学习不确定性进行自适应损失加权
为了在不同损失组件之间实现平衡的优化,引入了三个可训练的对数方差参数:log σdata、log σphysics和log σic。然后总损失函数被定义为:(10)l=e?logσdataldata+logσdata+e?logσphysicslphysics+logσphysics+e?logσiclic+logσic。这种概率加权框架[29]允许模型通过将方差参数解释为不确定性的度量来学习每个损失项的相对重要性。每个组件的权重与其学习到的不确定性成反比,使网络能够自适应地在数据保真度、物理一致性和边界强制执行之间进行平衡,而无需手动调整权重系数。因此,模型可以在必要时降低噪声较大的实验数据或物理残差的权重,从而提高训练稳定性、收敛效率和pinn的总体鲁棒性。

3. 结果与讨论
开发用于膜过滤过程的预测模型是一个主要的研究焦点,因为这样的模型对于预测膜系统性能至关重要。准确的预测不仅有助于高效的过程设计和放大,而且还提供了对膜污染的关键洞察,这是基于膜的操作中最持久的挑战之一[30]。在不同的建模方法中,堵塞定律长期以来一直被用作解释污染行为的基石。最初由hermans和breedee[31]引入,并后来由hermia[32]进一步完善,这些模型为描述不同的污染机制提供了机制框架,包括与非牛顿流体相关的机制(表1)。堵塞定律基于物理原理,将理论公式与对膜操作的实际理解结合起来,提供了一种结构化的方法来关联渗透通量下降与潜在的污染动态。

表1. 四种基本膜污染机制的数学公式。
污染机制 | 流量公式 | 方程编号
----------------|-------------------------------------------|
cake过滤 | 0kc1j2=1j02+kct | (11)
中间孔堵塞 | 1ki1j=1j0+kit | (12)
孔道收缩 | 1.5ks1j0.5=1j00.5+kst | (13)
完全孔堵塞 | 2kblnj=lnj0?kbt | (14)
综合:完全孔堵塞和cake过滤 [8] | 0和2αβjj0=exp?αj0t+1?exp?αj0t1+βj0t | (15)

尽管这些经典堵塞模型具有坚实的理论基础,但它们在实施过程中通常需要广泛的过程表征和详细的膜属性数据,而这些在实践中很少可用。此外,它们对简化假设的依赖限制了它们在特定操作条件和狭窄过程范围内的适用性[33]。值得注意的是,这些现有模型没有提供一种直接的方法来量化每种污染机制对观察到的通量下降的贡献程度。这些限制突显了需要更灵活的、基于数据的框架,以捕捉膜污染的复杂和动态性质。

为了评估所提出的pinn模型的通用性和鲁棒性,从两个微过滤研究[26]、[29]中收集了20个数据集(每个数据集有150-350个数据点)。观测数据用于强制执行复合损失函数中的数据保真度项,而hermia的污染定律通过物理残差损失来强制执行。因此,没有在每个数据集内应用传统的随机训练/验证/测试分割;相反,所有可用点都被用作数据驱动的约束,通过检查20个不同实验案例中的性能一致性来评估鲁棒性。这些数据集涵盖了广泛的膜过滤场景,包括膜类型、跨膜压力(tmp)、进料流速、污染物类型和污染物浓度的变化(表2)。对于某些案例,原始研究中没有报告某些操作参数(例如进料流速或浓度);因此这些值在表2中不可用。在训练数据中包含这种多样性,可以严格评估模型捕捉不同系统中的不同物理行为的能力。尽管与黑盒机器学习基准相比,实验案例的数量较少,但物理控制的约束显著减少了有效自由度并减轻了过拟合。与我们之前的pinn研究一致,即使可用的训练数据减少了80%,预测准确性仍然保持稳定,这种物理规范的结构在数据有限的情况下支持可靠的学习和泛化[26]。

表2. 早期微过滤研究[34]、[35]中的污染物和操作参数摘要。
案例编号 | 污染物 | 膜材料 | 孔径大小(μm) | tmp(bar) | 进料流速(l/h) | 浓度(mg/l) |
----------------|----------------------------------|------------------|------------------|------------------|------------------|
1 | 废洗衣物 | 纤维素酯 | 0.22 | 0.58 | 未指定 |
2 | 废洗衣物 | 纤维素酯 | 0.22 | 1.58 | 未指定 |
3 | 废洗衣物 | 纤维素酯 | 0.22 | 0.56 | 未指定 |
4 | 废洗衣物 | 纤维素酯 | 0.22 | 1.06 | 未指定 |
5 | 废洗衣物 | 纤维素酯 | 0.22 | 0.54 | 未指定 |
6 | 废洗衣物 | 纤维素酯 | 0.22 | 0.53 | 未指定 |
7 | 聚酰胺 | 纤维素醋酸酯 | 50.3 | 未指定 |
8 | 聚酰胺 | 纤维素醋酸酯 | 50.3 | 未指定 |
9 | 聚苯乙烯 | 纤维素醋酸酯 | 50.3 | 未指定 |
10 | 聚苯乙烯 | 纤维素醋酸酯 | 50.3 | 未指定 |

图3将实验渗透通量数据与经典hermia污染模型和pinn模型的预测进行了比较。在所有案例中,没有单一的污染机制能够同时再现快速的初始通量下降和逐渐的长期减少。一方面,完全孔堵塞模型在过滤的早期阶段与实验数据非常吻合,但一旦标准化时间(t)约为0.1时,就显著低估了通量。另一方面,cake过滤模型在后期阶段提供了更好的拟合,但在开始时高估了通量。中间堵塞和孔道收缩模型表现出介于两者之间的行为,但未能在整个过滤期间准确捕捉通量演变。

这些结果证实了预期,即膜过滤性能不能完全由hermia框架内的任何单一理想化机制来表示。实际上,膜污染本质上是一个多阶段过程,通常表现为从完全孔堵塞的初始主导到后来cake过滤的普遍存在。污染机制之间的这种动态相互作用突显了需要像这里开发的pinn模型这样的建模框架,它可以自适应地跟踪污染机制的转变,从而提供更准确和物理上一致的通量下降行为预测。一些研究人员提出了考虑多种污染机制同时影响的组合污染模型。ho和zydney[8]的开创性工作(方程15)将完全孔堵塞和cake过滤结合到一个统一的框架中,旨在改进膜过滤系统中通量下降行为的预测。尽管这个模型在概念上很有吸引力,但其实际应用面临挑战。有效使用需要将实验数据拟合到所提出的方程中,并确定两个经验参数,即孔堵塞参数(α)和cake过滤参数(β),这些参数代表污染机制的相对贡献。然而,这种和类似组合污染模型的一个公认限制[9]、[10]是参数估计的非唯一性。多个不同的α值可以产生相似的高决定系数(r2),表明对实验数据的拟合同样好。如表3所示,相差几个数量级的α值会产生相似的mse和r2值。这种参数非唯一性削弱了人们对这些模型捕捉真实潜在污染动态的能力的信心,因此也难以可靠地预测膜过滤性能。当不同的α和β组合可以同样好地解释通量下降数据时,就很难在特定操作条件下得出关于主导污染机制的物理上有意义的结论。因此,虽然组合模型提供了更全面的污染行为理论表示,但它们对经验参数拟合的严重依赖——在没有物理约束的情况下——引入了不确定性,限制了它们的可解释性和实际效用。

表3. 组合污染模型[8]的非唯一拟合结果:相差几个数量级的α值产生相似的mse和r2。
案例编号 | α | β | mse | r2 |
----------------|---------------|---------------|----------------|----------------|
1 | 0.000 | 2 | 10.000 | 90.000 |
2 | 0.000 | 5 | 90.000 | 59.000 |
3 | 0.001 | 2 | 10.000 | 90.001 |
4 | 0.000 | 3 | 0.92 | 90.001 |
5 | 0.000 | 5 | 40.000 | 23.000 |
6 | 0.000 | 3 | 0.93 | 90.002 |
7 | 0.000 | 4 | 50.000 | 40.001 |
8 | 0.000 | 5 | 40.002 | 50.91 |
9 | 0.000 | 6 | 0.000 | 30.002 |
10 | 0.000 | 4 | 50.000 | 40.91 |
11 | 0.000 | 5 | 40.000 | 50.95 |

鉴于准确描述通量下降趋势的挑战,需要更先进的建模框架。机器学习提供了一种强大的手段来表示膜污染中的复杂性和非线性。为了应对这一挑战,我们的主要目标是开发一个受物理控制方程约束的数据驱动模型,从而提供整个过滤过程中污染行为的动态和可解释的表示。膜过滤通常表现出顺序的通量下降曲线:初始阶段由孔堵塞主导,随后由于孔道收缩和吸附而迅速下降,最后随着 cake 层的形成而稳定[36]、[37]。由于主导机制随时间演变,因此需要一个多阶段的概念模型,理想情况下该模型能够(1)识别任何给定时刻的主导污染机制,以及(2)确定连续机制之间的转换时间。为此,开发的pinn框架系统地将四个经典的hermia污染模型作为基础组件,这些组件的影响在过滤阶段中有所不同。通过将通量-时间轨迹划分为多个可能不相等的部分,pinn模型在不同时间点为每种污染机制动态分配自适应权重。这种方法不仅增强了了对膜污染的理解,还为膜设计、过程优化和维护调度提供了实际见解。特别是,它使操作员能够根据需要精确预测和计划清洁干预,针对主导的污染机制进行定制,从而延长膜寿命,降低运营成本,并提高整体可靠性。所提出的pinn的另一个优势是它能够估计连续阶段之间的转换时间,确定一种污染机制何时转变为另一种。这产生了一个时间上解析的污染行为图,精确量化了整个过滤过程中的机制贡献和转换。通过结合物理可解释性和预测准确性,该框架提供了关于特定污染机制何时以及如何演变的前所未有的见解,直接为最佳清洁和操作策略提供了信息。如图4(以及图s1 – s11)所示,pinn模型生成的通量预测与十个不同案例研究中的实验数据非常吻合。>预测的通量曲线以及通过多次独立PINN训练(使用不同的随机初始化)获得的变异性带在整个过滤过程中与测量数据紧密吻合。始终如一的高准确性和低不确定性表明,所开发的PINN模型是稳定、健壮和可靠的,即使应用于不同类型的膜和操作条件也是如此。下载:下载高分辨率图像(709KB)下载:下载全尺寸图像

图4. 十个代表性过滤案例的实验通量下降数据(“真实值”)与PINN预测趋势(平均值±1个标准差)的比较。不确定性带是通过多次使用不同随机初始化的独立PINN训练计算得出的(所有其他设置保持不变)。表4和表S1总结了使用开发的PINN模型分析的代表性膜过滤案例。R2值始终高于0.9,表明预测和测量的通量下降之间有很好的一致性。对于每个案例,通量-时间曲线被划分为四个不同的阶段,模型为每个阶段中的四种经典Hermia污染机制分配动态权重,以量化它们对通量下降的相对贡献。识别的转换时间(标准化)对应于主导污染机制的变化,标志着新阶段的开始。权重报告到小数点后四位。0.0000或1.0000的值表示在报告的精度下,相应的权重非常接近0或1;这些值不是由于严格的0/1约束产生的,而是由于基于Sigmoid的转换公式(方程5)的自然结果。为了说明如何推断自适应权重和阶段转换,这里以案例7为例进行描述。在第一和第二阶段(t < t2),完全孔堵塞是最主要的,其次是孔收缩,这与初始通量下降迅速一致。随着过滤进入第三阶段,孔收缩变得越来越明显,表明流动路径逐渐受到限制。最后,在第四阶段(t ≥ t3),饼状过滤占主导地位,权重接近于1,表明污染主要由沉积在已形成的表面饼上控制。总体而言,这个例子展示了PINN如何提供污染演变的时序机制图。虽然推断出的机制权重提供了可解释的机制洞察,但对污染物结构或膜表面的独立实验表征将为预测的机制转换提供有价值的补充验证。

表4. 由物理信息神经网络(PINN)预测的代表性案例的污染机制权重和阶段转换。绿色单元格表示每个阶段中的主导污染机制。

案例 阶段和转换时间 完全孔堵塞权重 孔收缩权重 中间孔堵塞权重 饼状过滤权重
Case 1(洗衣废料) R2 = 0.92 0.50 0.024 0.065 0.401
Stage I t1 = 0.03 0.49 0.024 0.065 0.417
Stage II t2 = 0.08 0.40 0.023 0.066 0.500
Case 3(洗衣废料) R2 = 0.97 0.52 0.042 0.046 0.389
Stage I t1 = 0.06 0.50 0.043 0.046 0.404
Stage II t2 = 0.15 0.42 0.042 0.047 0.487
Case 5(洗衣废料) R2 = 0.97 0.53 0.059 0.118 0.282
Stage I t1 = 0.009 0.52 0.060 0.120 0.295
Stage II t2 = 0.02 0.44 0.060 0.129 0.370
Case 7(聚酰胺) R2 = 0.91 0.50 0.001 0.437 0.059
Stage I t1 = 0.013 0.48 0.449 0.062 0.0037
Stage II t2 = 0.137 0.40 0.507 0.085 0.0051
Case 10(聚苯乙烯) R2 = 0.93 0.49 0.379 0.111 0.040
Stage I t1 = 0.04 0.479 0.388 0.117 0.015
Stage II t2 = 0.099 0.396 0.426 0.155 0.021
Stage IV t3 = 0.21 0.00 0.00 0.00 0.999

通常,在过滤开始时完全孔堵塞占主导地位,然后随着时间的推移逐渐转变为饼状过滤。洗衣废料(案例1、3和5)与塑料颗粒(案例7和10)的进料之间存在明显对比。对于后者,在中间阶段孔收缩成为一种重要机制,而在洗衣废料案例中则没有这种行为。在洗衣废料案例(案例1、3和5)中,较低的横流进料速率似乎延迟了饼状过滤的开始,表明表面沉积污染物的积累较慢。

在第一阶段(通常在过滤持续时间的0.1%到5%内),所有案例中的污染都由完全孔堵塞主导。对于洗衣废料(案例1、3和5),饼状过滤作为次要机制出现,而孔收缩和中间孔堵塞可以忽略不计。相比之下,在塑料颗粒系统(案例7、10)中,第二主要的机制是孔收缩。关于第二阶段,第一阶段中的主导机制逐渐减弱,而次要机制变得突出。在第三阶段,第一阶段中的次要机制通常变得占主导地位。最后,在第四阶段,饼状过滤占主导地位(权重接近1),表明膜表面主要被污染饼层覆盖,进一步的污染主要来自沉积在现有饼上。

这些发现表明,PINN模型能够有效区分同时发生的污染机制,准确识别污染机制之间的转换点,并定量评估它们随时间的相对主导性。这样的机制洞察对于改进对膜过滤性能的理解和预测至关重要,从而为设计优化、操作策略和污染缓解方法提供信息。这些机制解析的输出可以直接用于膜操作。当孔堵塞在早期阶段占主导时,缓解措施可以优先考虑预处理或减少孔级沉积的策略(例如,进料调节或优化初始通量)。当孔收缩在中间阶段出现时,可能表明内部不可逆污染的风险更高,需要更早的干预或更密集的清洁协议。相反,当饼状过滤变得占主导时,操作策略如横流增强、反冲洗或以表面为中心的清洁变得更加有效。此外,预测的转换时间提供了关于何时进行干预的定量指导(例如,在饼状过滤占主导的第四阶段开始之前安排清洁),有助于减少停机时间并延长膜寿命。

图5展示了使用两种模型配置的PINN预测的案例3的污染行为:一种包含所有四种污染机制(即完全孔堵塞、孔收缩、中间孔堵塞和饼状过滤)的四个阶段(图5a-b),另一种仅包含两种机制(即完全孔堵塞和饼状过滤)的两个阶段(图5c-d)。比较图5a和c可以看出,四种机制的模型更准确地再现了测量通量,强调了需要考虑所有四种机制而不是结合模型中的两到三种。在相应的分数权重图中,图5b显示,在中间阶段,多种污染机制同时作用并且逐渐转换。另一方面,当只考虑两种机制时,图5d显示在过滤过程大约中间时它们之间有突然的转换。

从物理角度来看,中间污染机制——孔收缩和中间孔堵塞——代表了从初始的完全孔堵塞阶段到最终形成饼层阶段之间的过渡过程。包含这些额外机制使PINN能够更准确地描述控制实验通量数据的污染行为的连续演变。相反,排除它们迫使模型用不现实的二元转换来近似中间行为,从而降低了拟合质量和结果的解释性。从操作角度来看,从四种机制、四个阶段模型得出的时序权重提供了可操作的洞察,指示了孔级缓解策略何时最有效,以及何时需要去除饼的干预。

图6展示了PINN预测的两种颗粒污染物进料(PA和PS)的污染行为。分析考虑了污染物浓度和颗粒与孔径比(dp/dm)的影响(即PA为8,PS为22)。如图6a和b所示,无论PA还是PS,当污染物浓度增加时,饼状过滤的转换发生得更早,表明更高的浓度加速了饼形成的开始。此外,更大的dp/dm(如PS进料)也导致更快地转换为饼状过滤。图6c和d分别展示了第一阶段和第四阶段中饼状过滤机制的分数贡献。在第一阶段,PA进料中的饼状过滤可以忽略不计,而对于PS进料,饼状过滤已经明显起作用。结果证实了观察结果,即更高的dp/dm值和更高的进料浓度都促进了饼状过滤机制的早期开始。

这里开发的PINN框架的优势在于它将物理建模和数据驱动的学习相结合。与作为数据驱动的“黑箱”预测器的传统神经网络不同,PINN直接将经典Hermia污染模型的控制方程嵌入到学习过程中。这种整合确保了模型的输出不仅与实验数据一致,而且在物理上也是可解释的。这里的一个关键创新是通过Sigmoid权重函数实现的自适应、平滑的阶段转换。PINN允许每个阶段根据污染机制的相对影响逐渐演变,而不是突然从一个污染阶段切换到另一个阶段,这在实际过滤系统中是不存在的。这种设计的重要性在图7中显而易见,其中阶段之间的突然转换导致通量急剧下降和不连续的轮廓,无法反映真实的膜过滤动态。当使用平滑的Sigmoid权重函数对阶段转换进行建模时,如图4所示,模型捕捉到了连续且预期的通量下降,其中污染机制重叠并逐渐转换。这种平滑行为与膜污染的物理现实相符,在这种现实中,多种机制共存并相互作用。因此,图4和图7之间的比较表明,平滑转换是必不可少的——不仅为了保持物理一致性,也是为了在PINN框架内实现准确、稳定和可解释的通量预测。

图6展示了PINN预测的两种颗粒污染物进料(PA和PS)的污染行为。分析考虑了污染物浓度和颗粒与孔径比(dp/dm)的影响(即PA为8,PS为22)。如图6a和b所示,无论PA还是PS,当污染物浓度增加时,饼状过滤的转换发生得更早,表明更高的浓度加速了饼形成的开始。此外,更大的dp/dm(如PS进料)也导致更快地转换为饼状过滤。图6c和d分别展示了第一阶段和第四阶段中饼状过滤机制的分数贡献。在第一阶段,PA进料中的饼状过滤可以忽略不计,而对于PS进料,饼状过滤已经明显起作用。结果证实了观察结果,即更高的dp/dm值和更高的进料浓度都促进了饼状过滤机制的早期开始。

PINN框架的强大之处在于它将物理建模和数据驱动的学习相结合。与作为数据驱动的“黑箱”预测器的传统神经网络不同,PINN直接将经典Hermia污染模型的控制方程嵌入到学习过程中。这种整合确保了模型的输出不仅与实验数据一致,而且在物理上也是可解释的。这里的一个关键创新是通过Sigmoid权重函数实现的自适应、平滑的阶段转换。与其突然从一个污染阶段切换到另一个阶段(这可能在实际过滤系统中产生不现实的不连续性),PINN允许每个阶段根据污染机制的相对影响逐渐演变。这种设计的重要性在图7中显而易见,其中阶段之间的突然转换导致通量急剧下降和不连续的轮廓,无法反映真实的膜过滤动态。当使用平滑的Sigmoid权重函数对阶段转换进行建模时,如图4所示,模型捕捉到了连续且预期的通量下降,其中污染机制重叠并逐渐转换。这种平滑行为与膜污染的物理现实相符,在这种现实中,多种机制共存并相互作用。因此,图4和图7之间的比较表明,平滑转换是必不可少的——不仅为了保持物理一致性,也是为了在PINN框架内实现准确、稳定和可解释的通量预测。

图7展示了在污染阶段之间出现急剧、不平滑转换的条件下,案例3和4的真实通量与预测通量的比较。突然的通量下降导致模型拟合效果差,表明了不连续状态切换的局限性。此外,PINN模型的损失公式不仅仅局限于数据拟合。总损失函数包括三个组成部分:(1)数据损失,代表预测通量与测量通量之间的差异;(2)物理损失,强制执行基于Hermia的微分方程,以控制污染动态;(3)初始条件损失,将通量固定在过滤开始时。每个损失都被赋予了一个自适应权重,使模型能够自主平衡数据真实性、物理约束和初始条件的影响。这种自适应权重消除了手动调整的需要,使网络能够实现更低且更一致的预测误差,同时保持数据一致性并保持物理完整性。

4. 结论

在这项研究中,我们开发了一个物理信息神经网络(PINN)框架,用于理解和预测微过滤条件下的膜污染动态。除了提高预测准确性外,所提出的框架还引入了一种统一的物理感知表示方法,用于混合污染机制,并具有可学习的阶段转换和机制解析的时间权重,从而能够同时预测和解释污染演变。传统的机制模型,如Hermia堵塞定律,受到它们假设单一主导污染机制的限制,并且无法表示实际膜操作中观察到的逐渐重叠的转换。同样,组合的经验模型也受到非唯一参数拟合和有限的物理可解释性的限制,限制了它们在实际应用中的实用性。所提出的PINN方法通过三个关键创新克服了这些挑战。首先,它引入了平滑、自适应的污染阶段转换,使用基于Sigmoid的权重函数实现,允许随着过滤的进行而连续和动态地调整每种机制的贡献。这种公式捕捉了通量下降趋势的真实物理连续性,与依赖刚性或突然状态转换的传统模型形成对比。其次,PINN采用了一种自适应的损失加权策略,在训练期间直接学习数据损失、基于物理的残差损失和初始条件损失的相对重要性。这使得模型能够平衡来自实验数据、初始条件和控制物理定律的信息,增强了模型的稳定性、鲁棒性和客观性。第三,模型将通量-时间轨迹划分为不同的阶段,每个阶段对应于不同的污染机制。在每个阶段内,PINN定量估计了四种经典污染机制的相对贡献。这提供了一个关于污染演变的时间图谱,并对其机制进行了清晰的解释。与传统的基于机制的或黑箱机器学习方法相比,该框架将阶段转换的识别和基于机制的权重分配整合到了一个统一的、基于物理原理的膜污染预测模型中。通过对包含多种膜类型和操作条件的多样化数据集进行评估,结果表明所开发的PNN模型在保持与污染机制的直接物理联系的同时,实现了高预测准确性和低不确定性。总体而言,这项研究表明PNN框架不仅在预测通量下降方面具有高准确性,还增强了对污染机制的可解释性。通过能够识别任何给定时间的主要污染机制并确定阶段转换的时间,该模型为膜过滤过程提供了具有物理意义的见解。这些能力具有重要的实际意义:操作人员可以在特定污染模式占主导地位时精确安排清洁干预,从而提高维护效率、延长膜的使用寿命并降低运营成本。此外,PNN框架的稳健和灵活结构使其能够轻松适应各种膜系统以及未来在过程监控和控制方面的技术进步。

尽管取得了这些有希望的结果,但仍需承认一些局限性。首先,目前的验证主要集中在实验室规模的微滤数据集上;在更广泛的长期、工业规模数据集上进行评估将进一步验证其通用性。其次,当前的模型基于四种Hermia机制,因此没有明确考虑浓度极化和剪切依赖效应等传输和流体动力学现象。第三,转换时间的估计可能受到测量噪声和传感器分辨率的影响。未来的工作可以扩展该框架,以纳入额外的机制约束和多传感器监测信号(例如温度、浊度),从而实现实时软传感器预测和控制,以减轻污染并优化清洁过程。
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