闭环AI集成的智能纳米材料传感器-分离平台用于水系统中新兴污染物的实时检测与自适应捕获

《Frontiers in Environmental Chemistry》:Closed-loop AI-integrated smart nanomaterial sensor-separation platform for real-time detection and adaptive capture of emerging pollutants in water systems

【字体: 大 中 小 】 时间:2026年07月08日 来源:Frontiers in Environmental Chemistry 4.7

编辑推荐:

  引言:尽管大多数传统水处理方法将传感过程与实际修复分离,但利用智能纳米材料仍可实现污染物的选择性吸收。本研究提出了一种新方法,即利用人工智能(AI)在闭环系统中使用智能纳米材料进行水质传感,同时估算吸附容量。方法:系统架构包括两个相互关联的模块。模块I使用七个

  
引言:尽管大多数传统水处理方法将传感过程与实际修复分离,但利用智能纳米材料仍可实现污染物的选择性吸收。本研究提出了一种新方法,即利用人工智能(AI)在闭环系统中使用智能纳米材料进行水质传感,同时估算吸附容量。方法:系统架构包括两个相互关联的模块。模块I使用七个物理化学传感特征(即pH、电导率、浊度、总溶解固体、温度、流动效应响应性以及来自传感器的信号相关变量)对污染状态进行分类。另一个模块II使用24个吸附相关描述符(如纳米材料剂量、接触时间、浓度、化学性质等)估算吸附性能。基于SHapley Additive exPlanations(SHAP)的可解释AI算法帮助解释分类结果和吸附容量。结果:该方法达到了90.96%的准确率、94.39%的精确率、85.97%的召回率、87.90%的F1分数和0.979的宏平均AUC。当在HydroShare的印度水体数据集上评估时,外部验证在相似传感条件下保持了96.0%的DS-1参考准确率,表明具有强大的地理泛化能力。吸附建模对Pb(II)的R2值为0.986,对双氯芬酸为0.993,对布洛芬为0.994。闭环模拟减少了吸附剂用量。讨论:研究结果表明,智能传感、基于物理的吸附建模、可解释AI和自适应修复控制可以在污染物检测精度、节能吸附过程和智能水处理策略设计方面取得显著进展。该方法可被视为一个可扩展的、统计支持的、可解释的AI赋能纳米材料水净化系统框架。
**论文解读:闭环AI集成智能纳米材料传感器-分离平台用于水系统中新兴污染物的实时检测与自适应捕获**

**研究背景与问题**

水污染仍是全球环境和公共卫生的重大挑战。工业化快速推进,特别是医药、纺织和农业等行业的发展,导致大量化学污染物持续超过处理厂的处理阈值。这些污染物包括重金属(如铅和镉)、人工纺织染料(如亚甲基蓝)以及药物污染物(如环丙沙星等广谱抗生素)。新兴污染物区别于传统污染物之处在于:即使在低浓度下也具有生物毒性,对生物处理过程高度顽固,并在水生食物链中逐步积累,引发内分泌干扰、肾脏疾病和全球抗菌素耐药性趋势。尽管联合国可持续发展目标6(SDG 6)旨在到2030年实现全民清洁饮水和卫生设施,但这一目标因污染物识别和治理方法缺乏重大进展而持续受到威胁。

智能纳米材料(smart nanomaterials)为解决上述问题提供了有前景的途径。由生物炭(biochar)、金属氧化物纳米复合材料和改性碳架构等材料制备的吸附剂,具有高比表面积、可定制的表面特性以及对离子和有机污染物高亲和力等优势,可高效去除污染物。此外,某些纳米材料还可作为电化学和光学传感器中的信号换能器,通过测量阻抗、荧光和表面增强拉曼散射信号实现对污染物的痕量检测。然而,尽管智能纳米材料具有这种双重功能,但这两项能力尚未在同一技术过程中结合使用。

与此同时,机器学习领域的发展为水质量管理创造了新机遇。无线传感器网络(WSN)利用探头实时测量pH、浊度、电导率、总溶解固体、温度和氧化还原电位,分类算法已能高精度识别污染类型和程度。在吸附控制方面,梯度提升决策树、随机森林模型和堆叠机器学习架构可通过处理大量生物炭吸附实验数据,高精度预测吸附效率。可解释人工智能(XAI)方法,特别是SHapley Additive ExPlanations(SHAP),通过检测哪些物理和化学性质对预测影响最大,提高了模型的可靠性和科学可信度。

尽管取得了这些进展,当前水处理实践中仍存在一个关键差距:检测系统和修复系统仍然独立且顺序运行。传感器检测污染、报告事件,而处理系统根据历史数据设定的恒定参数执行功能,而非根据当前实际情况调整。这种延迟不仅是一个纯实践问题,在处理动态环境(水中存在多种污染物且浓度变化)时也会带来严重问题。静态投加对这些动态条件效率低下,会导致低污染时期不必要的吸附剂使用,而高污染时期则使用不足。

**研究目的与意义**

本研究的创新之处不在于单独使用集成学习方法、SHAP或吸附建模(这些已在研究水质分类和吸附容量估算中独立使用),而在于闭环推理(closed-loop reasoning):传感信息作为估算纳米材料吸附容量并根据物理限制调整剂量和时间的来源。与现有水质分类器和吸附模型不同,在该架构中,传感器输出不仅仅是分类结果,而是进一步估算吸附容量并根据物理限制相应调整参数的输入参数。

基于上述差距,本研究测试的基本假设是:将多传感参数与基于物理的吸附预测相结合,使用反馈控制的人工智能(AI)范式,将提高污染物状态识别和自适应修复的能力,优于单独使用任何一种方法。具体假设包括:(i)使用统一水质传感数据集的堆叠学习器方法将实现污染状态的稳健分类,并具有良好的跨数据集泛化能力;(ii)具有非负输出值、最大容量约束和伪二级动力学特性的物理信息回归模型将在预测污染物捕获效率方面优于基线模型;(iii)反馈控制算法通过调整纳米材料与污染物的接触剂量和时间,将能够在保持所需去除效率的同时减少吸附剂用量和接触时间。本研究选取铅(Pb)作为重金属代表,双氯芬酸和布洛芬作为新兴有机污染物代表。论文发表在《Frontiers in Environmental Chemistry》期刊上。

**关键技术与方法**

研究人员为开展研究采用了以下主要关键技术方法:

1. **双模块AI引擎**:模块I(污染分类)采用堆叠学习架构,集成随机森林、梯度提升、支持向量机(SVM)和K近邻(KNN)四个基分类器,并通过逻辑回归元学习器组合输出。模块II(吸附回归)采用加权投票集成方法,组合梯度提升回归树、ExtraTrees和HistGradientBoosting三个回归器。

2. **物理信息约束层**:对模块II的预测施加非负性和Langmuir理论最大容量约束,并利用伪二级动力学方程(公式8)约束接触时间推荐。

3. **可解释AI(XAI)**:使用TreeSHAP为每个输入特征计算Shapley归因值,并通过SHAP依赖图和蜂群图分析特征贡献。

4. **多源数据集集成与数据工程**:使用六个公开数据集,包括传感数据集(DS-1来自WSN饮用水污染实验,DS-2为UCI水质数据集,DS-3为Kaggle水可饮用性数据集,DS-4为HydroShare印度水体数据集)和吸附数据集(DS-5含3,757条新兴污染物吸附实验数据,DS-6含1,519条Pb(II)吸附数据)。数据预处理包括最小-最大归一化(分类管道)和z-score标准化(回归管道),缺失值使用KNN(k=5)插补,类别不平衡使用SMOTE过采样,异常值使用Isolation Forest检测,特征选择使用互信息评分。

5. **闭环自适应控制算法**:基于置信度阈值(τconf)触发,通过迭代增加剂量(ΔD)直至达到目标去除效率(95%),计算最优剂量和接触时间。

**研究结果**

**4.1 模块I: 污染分类性能**

通过六类混淆矩阵分析,模块I在DS-1测试集上对土壤、氯、盐、洗衣粉、醋和组合污染六类进行区分。对角线元素显示分类器能准确识别所有类别,组合污染完全被识别。醋、洗衣粉、氯和盐的准确率在80.0%-90.0%之间,土壤的识别率最低(66.7%),因其与醋和组合污染在浊度传感器响应上存在重叠。非对角线条目不高,表明误分类率合理。

**4.2 模块I: 跨数据集泛化能力**

模块I在DS-1测试集上达到90.96%的准确率、94.39%的精确率、85.97%的召回率和87.90%的F1分数,宏平均AUC为0.979。通过十折交叉验证,模型表现稳定(均值±标准差)。在独立外部数据集DS-4(印度水体)上,准确率保持率为96.0%,表明对地理分布性转移具有良好泛化能力。但在DS-2和DS-3数据集上准确率保持率降至61.0%,这归因于特征组成和标签约定的结构性差异,不影响目标WSN实时部署场景的操作有效性。

**4.3 模块II: 吸附容量预测**

模块II的加权集成回归模型对Pb(II)、双氯芬酸和布洛芬的R2分别达到0.986、0.993和0.994,均优于随机森林、SVR、ANN和XGBoost基线模型。通过物理信息约束层,预测值满足非负性和Langmuir理论最大容量,且与伪二级动力学表面高度吻合,表明成功嵌入了物理约束。SHAP蜂群图显示,氮含量(N amount)对吸附预测贡献最大,其次是N/C比和颗粒尺寸,比表面积、最终浓度和初始浓度也是重要预测因子。SHAP依赖图进一步揭示:电导率和浊度对分类具有单调递增的SHAP效应,而pH呈现非单调U形效应;接触时间的SHAP效应在500分钟后饱和,初始浓度的SHAP效应受颗粒尺寸增强。

**4.4 统计稳定性与置信区间**

通过Bonferroni校正的Wilcoxon符号秩检验(p<0.05),证明提出的集成模型在预测性能上显著优于基线。消融分析(表6)表明,物理约束主要提高吸附预测精度,闭环控制直接贡献剂量和时间节省。与静态历史平均基线相比,闭环自适应控制在1,000次模拟污染事件中累计节省吸附剂剂量14.7%,接触时间节省22.3%,且在高污染变异性期间节省增长更快,证实自适应控制的最大边际效益恰好出现在静态基线最容易失效时。

**讨论与结论**

**讨论部分总结**:研究结果表明,智能传感、基于物理的吸附建模、可解释AI和自适应修复控制可以在污染物检测精度、节能吸附过程和智能水处理策略设计方面取得显著进展。该方法可被视为一个可扩展、统计支持且可解释的AI赋能纳米材料水净化系统框架。然而,研究人员指出两个局限性:第一,闭环修复方法仅在模拟环境中测试,未在真实水处理厂或中试规模验证,未来需在真实废水流条件下测试传感器模块、自动纳米材料投加、接触时间控制和出水水质监测。第二,吸附预测基于公开批量实验数据,而非连续流流体动力学等要素,因此需要更多外部验证和使用标准化实验数据集。此外,模型需测试更多污染物,包括PFAS、微塑料、染料和抗生素等。

**研究结论翻译**:本研究提出了一种闭环人工智能驱动的智能纳米材料传感器-分离平台,将污染监测、物理感知的吸附预测和自适应修复管理集于一体。堆叠集成模型在DS-1测试集上达到90.96%的准确率、94.39%的精确率、85.97%的召回率和87.90%的F1分数,宏平均AUC为0.979,并在独立印度水体数据上进行了地理验证。加权集成回归模型对Pb(II)、双氯芬酸和布洛芬分别获得0.986、0.993和0.994的R2值,优于所有四个基线学习器。在1,000次模拟运行中,自适应闭环方法相比静态历史平均方法使吸附剂剂量节省14.7%,接触时间节省22.3%。SHAP可解释性分析进一步表明归因与已知物理化学趋势一致,满足监管部署的必要标准。然而,本研究存在一些需注意的问题:首先,闭环性能分析完全基于模拟,在实地应用前需在真实出水条件下进行硬件在环验证。此外,回归子模型基于批量实验条件训练,需针对连续流反应器系统进一步研究。其他可能方向包括在线学习、控制层能耗分析,以及应用于当前数据集未包含的新兴污染物(如微塑料和PFAS)。
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