面向污染场地自适应修复序列的Transformer-MPA-KEA集成框架:多目标协同权衡与知识增强决策约束

《Journal of Cleaner Production》:A transformer-MPA-KEA integrated framework for adaptive remediation trains in contaminated sites: Multi-objective collaborative trade-offs and knowledge-enhanced decision constraints

【字体: 大 中 小 】 时间:2026年09月28日 来源:Journal of Cleaner Production 10.7

编辑推荐:

   •提出了一种用于污染场地修复决策的自适应框架。•多视角注意力机制捕捉多目标权衡。•知识增强的约束提高了工程一致性建议。•监测反馈支持不同修复阶段间的自适应修复方案更新。引言污染场地的修复是环境工程的核心任务,因为持续的土壤和地下水污染持续威胁着生态系统的完整性、水安全和人类健

  
  • •
    提出了一种用于污染场地修复决策的自适应框架。
  • •
    多视角注意力机制捕捉多目标权衡。
  • •
    知识增强的约束提高了工程一致性建议。
  • •
    监测反馈支持不同修复阶段间的自适应修复方案更新。

引言

污染场地的修复是环境工程的核心任务,因为持续的土壤和地下水污染持续威胁着生态系统的完整性、水安全和人类健康(Padhye等,2023;Lee等,2024a)。关于自适应场地管理的研究和工程实践日益强调,修复策略应根据不断变化的场地条件在修复过程中进行调整,而不是在整个修复周期内保持初始修复方案不变(Price等,2017;ITRC,2017)。随着场地条件的演变,初始阶段选择的修复技术在后续过程中可能不再是最优选择(Ciampi等,2023;Lee等,2024b)。因此,污染场地修复决策应能够根据场地状态的变化更新修复技术决策,从而支持不同修复阶段的技术调整(Adamson等,2025;Naseri-Rad等,2022)。
为了支持复杂场地条件下的修复技术决策,已开发并应用了多种决策支持方法。修复技术决策首先需要系统组织和整合关于场地特征、污染物、修复技术及其他工程条件的多源异构信息(Liu等,2023)。基于知识图谱(KG)的方法已被用于整合此类信息并组织这些元素之间的关系,从而促进信息检索、数据集成和知识复用(Han等,2022;Li等,2023a;Kang等)。然而,这些方法主要支持知识组织和信息检索,而非直接的修复技术决策。除信息组织外,决策还需要评估候选技术的适用性。工程筛选方法通过利用积累的技术知识评估给定场地条件下的技术适用性来解决这一需求(Priya和Varghese,2024)。例如,联邦修复技术圆桌会议(FRTR)开发的修复技术筛选矩阵根据污染物类型、污染介质、技术成熟度、成本、修复时间及其他工程条件评估技术适用性(Teefy,1997)。然而,筛选方法主要确定候选技术是否满足基本适用条件,对多个可行替代方案之间的区分支持有限(Hammond等,2021)。当多种技术满足这些条件时,区分它们需要综合考虑技术、环境、经济、社会和风险相关因素(Xiao等,2024)。因此,多标准决策分析(MCDA)被广泛应用于通过整合这些因素来比较特定污染场地的可行替代方案(Cinelli等,2021;Yang等,2012;Abrams等,2024)。然而,在这些应用中,准则权重通常由专家或利益相关者根据特定场地或决策场景的目标和优先级来确定。因此,得出的排名很难直接迁移到其他场地(Sorvari和Sepp?l?,2010;Li等,2024)。这一局限产生了一种需求,即学习可跨场地复用的场地-技术关系。随着污染场地案例数据的积累,机器学习方法越来越多地被用于学习场地特征与修复技术决策之间的可复用关系,为新场地的技术选择提供数据驱动的基础(Janga等,2023;Li等,2022)。然而,现有的数据驱动方法仅依赖于历史案例数据,其中不同修复技术记录案例的数量差异较大。这种不平衡的代表性可能会给技术决策结果带来偏差(Yu等,2024;Chen等,2024)。除了这一局限外,现有的数据驱动方法通常将修复技术选择视为给定场地状态下的一次性决策,而不是一个随着修复进程和场地条件变化而调整技术决策的过程(Zhao等,2026)。此外,现有的机器学习模型可以整合多种类型的场地信息,但通常关注输入特征与技术决策之间的整体关系。不同工程信息维度的相对贡献如何随场地状态变化而改变尚未得到充分关注(Zhong等,2021;Zhang等,2025)。此外,现有模型主要依赖从训练数据中隐式学习场地-技术关系,而历史工程案例中包含的特征-技术关联尚未得到充分利用以加强这种学习(Wander等,2024)。因此,数据驱动的修复技术决策中仍有四个问题尚未得到充分解决:(i) 缓解仅依赖历史案例数据带来的偏差;(ii) 随着不同修复阶段场地条件的演变更新技术决策;(iii) 捕捉不同工程信息维度相对贡献的状态依赖变化;(iv) 利用案例衍生关联加强场地-技术关系的学习。
在此背景下,本研究的方法论设计从修复技术决策的需求出发。首先,为了缓解仅依赖历史案例数据可能带来的偏差,本研究构建了一个独立的修复技术数据库。技术适用性信息,包括成本、修复时间、施工要求和施工影响,与历史案例中实施的技术相关联,从而补充案例数据(Bardos等,2026)。其次,修复技术选择很大程度上依赖于类别型和文本衍生的场地描述符,这些描述符需要联合考虑而非独立处理。Transformer架构使用自注意力捕捉输入特征之间的上下文关系(Wang和Sun,2022;Yan等)。因此,采用Transformer作为主干来整合标准化的场地描述符并表征当前场地状态。第三,修复技术选择涉及多个工程维度,包括水文地质条件、污染物特性、场地污染特征、修复目标和工程-经济约束。这些维度的相对贡献可能随场地状态变化而不同(Sang等,2026)。多视角和多层级注意力学习方法可以表征不同视角的异构信息,并在信息整合过程中自适应调整其贡献(Li等,2023b)。在此基础上,开发了一种多视角注意力(MPA)机制,将场地信息组织为五个工程视角,独立学习每个视角的表征,并根据当前场地状态自适应整合其贡献。最后,传统的数据驱动模型依赖于端到端训练隐式学习场地-技术关系。当多个场地因素在决策过程中相互作用时,这种训练可能无法充分捕捉特征与修复技术之间的关联。知识引导学习表明,先验领域知识或明确量化的统计关系可以引导数据驱动模型关注相关关系,并加强从复杂数据中学习(Tang等,2024;von Rueden等,2019;Jiang等,2024)。因此,引入了一种知识增强注意力(KEA)机制。从训练集计算特征与修复技术之间的斯皮尔曼等级相关,以量化案例衍生的特征-技术关联。这些关联作为补充先验信息纳入,以加强场地-技术关系的隐式学习。这些组件共同建立了一个用于污染场地自适应修复方案的数据驱动统一框架。为了评估所提出的框架,将其预测性能和模块贡献与七个基线模型和两个消融变体进行了比较。随后,使用一个受苯污染的地下水案例来检验该框架能否根据修复阶段中场地条件的变化更新技术优先级。

章节片段

数据收集

为了开发污染场地修复方案决策的智能模型,本研究收集并整合了来自代表性修复项目的历史案例,共获得690个有效案例。案例数据主要来源于公开的污染场地和修复清单,以及从学术数据库(包括Web of Science和CNKI)检索的文献。为确保数据集的工程有效性和可靠性,

数据集特征与统计分析

图3展示了从知识增强注意力(KEA)模块得出的输入变量分量子特征与特定修复技术之间的先验关联权重。标准化特征缩写及其对应的全称见表S4,而KEA先验关联矩阵中使用的量化指标和修复技术缩写分别列于表S5和S6。这些(关联权重)的绝对值

结论

本研究开发了一个基于Transformer的框架,该框架融合了多视角注意力和知识增强注意力(KET),用于利用当前修复阶段的结构化信息更新修复技术优先级。在留出测试集上,KET的准确率为0.835,平衡准确率为0.840,宏平均F1得分为0.837,宏平均PR-AUC为0.909。按类别评估进一步显示,61个修复技术类别中有43个类别的F1得分达到

CRediT作者贡献声明

郭一轩:写作–初稿,方法论,调查,形式化分析,数据整理。 董军:写作–审阅与编辑,方法论。 赵永生:写作–审阅与编辑,方法论。 康又言:方法论。 莫艳阳:方法论。 张伟宏:写作–审阅与编辑,方法论,资金获取,形式化分析,概念化。

利益冲突声明

作者声明,他们没有已知可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本研究得到国家重点研发计划(项目编号:2022YFC3703100)的支持。作者衷心感谢编辑和审稿人提供的建议和意见。
郭一轩|董军|赵永生|康又言|莫艳阳|张伟宏
相关新闻
生物通微信公众号
微信
新浪微博

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