中国科学院大学，2026年首篇Nature Sustainability!

为实现《巴黎协定》与可持续发展目标，膜技术在污水资源化领域的作用日益关键。膜生物反应器（MBR）技术虽具备诸多优势，但其较高能耗（0.4–1.6 kWh m ⁻³）主要源于膜污染问题，成为制约其可持续发展的瓶颈。精准预测与主动控制膜污染是实现低碳运行的核心。然而，大规模污水工程中水质条件复杂多变，使得传统理论模型应用受限。人工智能（AI）技术为处理此类复杂问题提供了新途径，但模型精准预测依赖于全面且具代表性的输入数据。当前监测方法多聚焦污染物整体浓度，缺乏分子细节信息，且难获连续实时数据，导致污染控制滞后被动，无法满足先进前馈控制的需求。

鉴于此，中国科学院大学肖康副教授团队以及清华大学环境学院黄霞创新性地提出一种光谱传感赋能的机器学习策略，用于MBR膜污染的预测与早期预警，并在全尺寸工程中长期验证。通过融合紫外-可见（UV-vis）与荧光光谱指纹——这些指纹能灵敏反映导致污染的关键分子结构——构建了数据与知识协同驱动的机器学习模型。该模型能准确预测未来5-7天的污染趋势（R² > 0.80），优于纯数据驱动模型。光谱指纹贡献了模型17-30%的可解释性。该策略有望推广至不同污水处理厂，为实现稳定运行、助力清洁环境提供智能解决方案。相关研究成果以题为“Intelligent fouling monitoring in membrane-based wastewater treatment”发表在最新一期《nature sustainability》上。

【膜污染与溶解性有机物的关联】

作者在一个处理能力为50,000 m³ d⁻¹、代表中国北方市政污水处理的全尺寸MBR中，观察了膜污染的长期发展。在12个月的监测期间（图1a），膜过滤在准恒定通量（11.88 ± 1.44 L m⁻² h⁻¹）下运行。跨膜压力（TMP）在6.0–20.6 kPa范围内变化。使用温度校正后的过滤水力阻力（R）量化膜污染程度，R在监测期间持续增长。溶解性有机物（DOM）诱导形成的凝胶层是实际工程中膜污染的主因。与凝胶阶段相关的污染潜力指数（Kgel）与现场实测的总污染速率显著相关（图1c），证明DOM在凝胶层形成阶段贡献突出。仅凭DOM浓度（如多糖、蛋白质）难以准确预测污染，提示需深入分子层面研究。

图 1. 全规模污水处理厂中的膜污行为

【导致膜污染的分子结构】

DOM结构的多层次化学分析揭示了不饱和及含氧特征的重要性及其与污染行为的关系。通过超高效液相色谱-质谱（UHPLC-MS）、X射线光电子能谱（XPS）、傅里叶变换红外光谱（FTIR）和拉曼光谱提取了DOM的分子细节。分析表明，有机酸及其衍生物以及含氧有机组分是最重要的变量，其特征是包含苯环、羧基和酰胺键的不饱和结构（图2a）。XPS进一步证明了在整个监测期间，与氧相关的化学键（尤其是O-C和O=C键）随时间的变化（图2b）。

图 2. 污垢物质的分子结构

DOM的分子结构与膜污染行为相关。斯皮尔曼相关性分析发现，凝胶型污染指数（Kgel）与对应于苯环、含氧基团和酰胺的拉曼/FTIR波数处的信号强度之间存在显著相关性（图2c, d）。多光谱结果的方差分析和相关性分析表明，不饱和和含氧结构，特别是那些带有取代基或杂原子的芳香环，是污染物质的重要特征，可影响污染物-污染物及污染物-膜的相互作用。图3证明通过质谱（UHPLC-MS）分析得到的特定关键分子结构（尤其是不饱和及含氧结构），能够与快速获取的光谱指纹（UV-vis和FEEM）指标建立显著统计关联。

图 3. 分子结构性质与紫外可见光谱及 FEEM 光谱的相关性。

【指示凝胶层污染的光谱指纹】

UV-vis和荧光光谱能有效指示膜污染。UV-vis吸光度与Kgel的稳健R²达0.4–0.6（图4a）。荧光强度在广泛波长范围内与Kgel具强相关性及重要性（图4b）。冗余分析显示，71.6%的污染潜力方差可由光谱指纹解释（图4c）。其中，荧光峰B（Ex/Em = 275/340 nm）与Kgel关联最强，是凝胶层污染的灵敏指标；峰T（Ex/Em = 220–250/250–330 nm）和UVA254则是整体污染倾向的有效指标。需联合使用这四个关键光谱指纹，可解释Kgel方差的52.5%，为建模奠定基础。

图 4. 紫外可见和 FEEM 光谱指纹对污垢潜力的指示

【光谱指纹融合机器学习实现污染预测】

研究构建了“物理信息光谱特征工程”框架，筛选出关键光谱指纹（UVA254、FI-I、峰B、峰T），并与工艺条件、膜状态等变量融合，作为输入预测未来污染。研究对比了随机森林（RF）、支持向量回归（SVR）和长短期记忆网络（LSTM）三种机器学习模型。所有模型对未来5-7天的污染预测表现优异（R² > 0.80），超越了仅使用工艺数据的纯数据驱动模型。光谱指纹为模型可解释性贡献了17-30%。该策略降低了对海量数据的依赖，展示了在不同膜池间外推应用的潜力。

图 5. 光谱指纹融合可解释机器学习的模型性能

【总结与展望】

光谱指纹技术能够快速、灵敏地关联污染物分子特性与污染行为，极大丰富了污水工程的信息维度，为智能预警与调控提供了新范式。面对污水系统的复杂性，在有限数据下实现精准AI建模需平衡性能与可解释性。本研究证明，融合光谱指纹的物理知识进行特征工程，能以更简单结构和更低成本提升模型性能与泛化能力，形成了一种高效的数据-知识协同驱动建模策略。未来，此预警框架可与自动控制系统集成，实现工艺的精准前馈控制，推动污水处理厂向智能化、可持续化方向发展。