用于半导体废水反渗透优化的可解释人工智能模型
《Journal of Water Process Engineering》:Interpretable artificial intelligent models for reverse osmosis optimization in semiconductor wastewater
【字体:
大
中
小
】
时间:2026年08月28日
来源:Journal of Water Process Engineering 6.6
编辑推荐:
•自动化六方法数据清洗实现 80.3% 保留率。
•14 个机器学习模型在 745 天全规模半导体反渗透数据上进行基准测试。
•多模型 SHAP 揭示了特征重要性中的模型依赖性偏差。
•蒙特卡洛采样确定了 4908 个可行操作条件。
•可行区域内的 SHAP 得出了独特的操作
•自动化六方法数据清洗实现 80.3% 保留率。
•14 个机器学习模型在 745 天全规模半导体反渗透数据上进行基准测试。
•多模型 SHAP 揭示了特征重要性中的模型依赖性偏差。
•蒙特卡洛采样确定了 4908 个可行操作条件。
•可行区域内的 SHAP 得出了独特的操作见解。
引言
半导体制造业是全球用水最密集的部门之一,每平方厘米制造晶圆消耗 1400 至 4200 升超纯水 [1], [2], [3]。随着器件几何尺寸持续缩小和生产规模扩大,确保充足供水和管理受污染废液流的双重挑战变得日益关键 [4], [5], [6]。半导体废水的处理和排放需要复杂的 多屏障系统,以有效去除光刻工艺中的复杂有机化合物混合物、刻蚀和清洗操作中的离子污染物以及抛光步骤中的胶体颗粒 [3]。在这些处理技术中,反渗透 (RO) 膜作为抛光步骤起着关键作用,将经过生物和物理预处理的废液转化为适合环境排放或进一步纯化以支持工艺回收的清洁水 [7], [8], [9], [10], [11]。尽管有几十年的运营经验和膜材料的持续进步,半导体废水处理厂中的 RO 系统仍面临阻碍其效率和可靠性的持续挑战 [12], [13], [14], [15], [16]。膜污染仍然是主要的操作问题,其特征是通量逐渐下降和跨膜压差增加,最终需要化学清洗或更换膜 [17], [18], [20]。与进水特性保持相对稳定的市政或海水淡化应用不同,半导体废水在有机负荷、离子成分和残留清洗化学品方面表现出显著的时间变异性。这种变异性造成了不可预测的污染模式,难以通过简单的调度启发式方法解决。
机器学习的兴起和传感器覆盖范围的扩大为 RO 系统的数据驱动优化创造了新的机会,但从研究原型到工业部署仍然具有挑战性。最近的研究使用基于树的集成方法、随机森林、梯度提升和 XGBoost,根据操作和水质参数预测膜性能。例如,[21] 报道 XGBoost 使用 401 个文献推导数据点,以高精度预测膜通量 (R2 = 0.982; MAE = 1.78 LMH),而 [22] 开发了基于疏水分数的美化水 RO 系统污染模型,实现了强通量相关性。深度学习方法也显示出前景:[23], [24] 中的卷积 LSTM 模型准确预测了工业零液体排放系统中的 RO 性能,一日和七日的预测 R2 值分别为 0.960 和 0.942。然而,这些学术演示面临工业采用的关键障碍。大多数依赖于在稳定条件下收集的小规模、经过整理实验或中试数据集,而实际设施产生的是多年噪声大、瞬态且受故障影响的传感器数据。它们也主要关注海水淡化或市政废水,而不是半导体废水独特的污染动态,其中可变的有机负荷和残留化学品驱动不同的行为。最后,几乎所有研究都强调预测精度而非可解释性,留给操作人员的是难以信任或实施的“黑箱”模型 [25]。
水处理应用中的可解释性挑战已被认识到但未得到充分解决。虽然可解释人工智能方法,如沙普利加和解释 (SHAP) 和局部可解释模型无关解释,在环境工程中已获得 traction,但它们在预测 RO 污染中的应用仍然有限。[26] 对来自废水处理厂的变量(如生化需氧量和总悬浮固体)进行了 SHAP 分析。该研究证明,特征重要性排名可以指导操作决策,在训练集上达到 1.0 的 R2 值,在测试集上达到 0.98。然而,这项工作集中在生物处理而不是膜过程。类似地,最近关于废水曝气控制的多模态机器学习工作纳入了 SHAP 可视化以识别关键操作驱动因素,实现了 4.4 的 MASE 和 0.948 的 R2,同时比传统模糊控制方法降低了 19.8% 的操作成本 [27]。然而,尽管这些方法具有明显的适用性,但尚未扩展到 RO 膜优化。模型透明度与操作采用之间的差距在工业环境中尤为明显,操作人员不仅需要预测,还需要了解哪些参数驱动膜性能以及这些关系如何在不同操作模式下表现出来 [27]。
最近的研究说明了动力和剩余的差距:基于树和其他学习器现在可以高精度预测跨膜压差和污染(例如,膜生物反应器污染的决策树 R2 ≈ 0.99,用于 RO 通量预测的自动化机器学习和 XGBoost 具有动态化学剂量调整,以及用于全规模 MBR 的可解释 AI 特征工程 [29],最近的综述编目了从经验到智能污染模型的转变 [30]);然而,这些努力仍 largely 停留在预测阶段,很少将可解释性转化为经过可行性验证的操作包络。此处解决的具体知识差距因此有三方面:首先,缺乏半导体废水 RO 跨模型家族的长期、全规模基准测试;其次,缺乏对可解释性结论是否模型依赖性的测试;第三,缺乏可解释 AI 输出与定量验证的可行操作窗口之间的联系。本研究 specifically 设计为同时解决这三个知识差距。
除了可解释性之外,将预测模型转化为实用的操作指导仍未得到充分解决。当前基于 ML 的膜系统优化分为两类:基于代理的优化,将训练好的模型与搜索算法(如遗传算法或粒子群优化)配对 [26], [31],以及从特征重要性排名中推断指南而不进行正式优化的灵敏度驱动方法 [32], [33]。代理方法可以识别单一最优值或小帕累托前沿,但对于为什么这些条件是最优的或在全规模废水变异性下它们有多稳健却几乎没有见解。灵敏度驱动方法改进了过程理解,但没有将重要性排名转化为定量的操作建议。该领域缺乏一个统一的框架,将噪声工业传感器数据的自动化预处理、具有物理基础的可解释性的严格模型基准测试以及探索完整可行输入空间而非孤立最优值的多目标优化集成在一起。此外,大多数关于 RO 的机器学习研究侧重于单输出预测,如通量或盐截留率,而没有将它们嵌入更广泛的操作策略中。因此,即使是强劲的学术成果也很少演变成真正塑造日常工厂运营的部署工具。
本研究引入了一个可解释的人工智能框架,专门为优化半导体废水处理厂中的 RO 膜而设计。它利用了大约两年每小时的操作数据,总计约 745 天,来自韩国牙山市的一个工业设施。与依赖不同实验数据集的现有文献不同,我们的分析基于捕捉工业操作复杂性的真实过程数据,包括多次膜清洗循环、来自上游生物和超滤预处理的可变进水水质,以及从稳定操作到关键污染恶化的转变。本工作的贡献有三方面:
首先,我们展示了半导体废水 RO 最全面的机器学习基准测试,评估了五个算法家族中的 14 个模型:线性、支持向量机、基于实例、集成树和神经网络。这使我们能够识别最佳性能架构,同时通过自动化六方法渐进式清洗算法解决基本数据质量挑战。
其次,我们通过在所有 14 个模型上应用 SHAP 分析来预测 TMP 和渗透液流量,增强了多模型过程透明度。这揭示了膜文献中尚未记录的特征重要性排名中的模型依赖性偏差,并量化了参数 - 性能关系,使复杂模型对工厂人员可解释。
第三,我们通过蒙特卡洛可行性采样框架追求多目标操作优化,该框架确定满足同时 TMP 和渗透液流量目标的输入条件组合。这通过基于密度的优选区域识别和约束可行区域内的 SHAP 分析来表征可行操作区域,将预测模型转化为日常操作规划和主动维护调度的处方决策支持系统。
章节片段
系统描述与数据收集
实验数据收集自半导体和显示废水处理厂的全规模 RO 系统,该系统每条流的设计渗透液流量为 200 m3/h,回收率为 70–80%。该设施处理韩国牙山市电子和半导体制造业产生的废水。系统处理通过多个超滤阶段结合生物处理预处理的废水(1125 m3/h 容量。
机器学习模型预测性能
在检查模型性能之前,考虑过程变量的底层相关结构(图 2)是有用的,因为这为理解为什么某些模型成功或失败提供了物理基础。输入 - 输出相关性分析揭示了两个目标变量之间显著的不对称性。
渗透液流量显示出与进料流量近乎完美的正相关 (r = 1.00),正如在运行大致恒定的压力驱动膜过程中所预期的那样。
结论
本研究开发了一个可解释的人工智能框架,用于优化半导体废水处理中的 RO 膜。它集成了全面的机器学习基准测试、多模型过程可解释性分析和多目标操作优化,利用了 745 天的全规模工业数据。创建了一个自动化六方法渐进式数据清洗算法,并与人工专家审查进行了验证,在有效实现 80.3% 的数据保留率的同时...
CRediT 作者贡献声明
Yujae Jeon:写作 – 初稿,正式分析,数据整理,概念化。Duc Anh Nguyen:可视化,验证。Hongrae Im:方法论,数据整理。Hyewon Jeon:正式分析,数据整理。Am Jang:写作 – 审查与编辑,指导,调查,资金获取,概念化。
利益冲突声明
作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本论文中报告的工作。
致谢
这项工作得到了韩国国家研究基金会 (NRF) 由韩国政府 (MSIT 和 MOE) 资助的资助(资助号 RS-2026-25501632)。
Yujae Jeon|Duc Anh Nguyen|Hongrae Im|Hyewon Jeon|Am Jang
生物通微信公众号
生物通新浪微博
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