《Process Safety and Environmental Protection》：Big picture on coagulation-flocculation technology integrated artificial intelligence for wastewater treatment application: A systematic mapping review
编辑推荐：
人工智能在混凝-絮凝污水处理中的应用及模型分类：系统综述整合了2000-2024年间98篇文献，发现人工神经网络（ANN）、机器学习（ML）和搜索算法（SA）是主要应用模型，其中ANN的feedforward网络最常用，GRNN表现更优；ML的ANFIS应用最广；GA在多目标优化中潜力较大但效率有限。研究指出需发展混合AI-机理模型以提升预测精度和实时控制能力。
穆罕默德·希扎姆·穆罕默德·努尔|玛丽卡·哈尼娜·阿卜杜勒·哈里斯|法蒂娜·阿米拉·拉兹米|诺尔齐塔·恩加迪|卡利西亚·阿姆拉·奥斯曼
马来西亚理工大学化学与能源工程学院，81310斯库代，柔佛州，马来西亚
摘要
将人工智能（AI）与混凝-絮凝（C-F）技术结合应用于废水处理（WWT）过程，由于其提高运行效率、减少化学药剂使用和优化过程控制的潜力，已受到越来越多的研究关注。然而，该领域的现有综述在范围上仍然有限，且往往缺乏对应用于C-F系统的AI模型的全面、系统分析。为填补这一研究空白，本研究进行了系统的文献回顾，以收集、分析和综合有关AI增强型C-F在WWT中应用的现有文献。利用ROSES回顾协议，系统地识别并回顾了2000年至2024年间发表的98篇相关文章。这些文章被分为三大类AI模型：人工神经网络（ANN）、机器学习（ML）和搜索算法（SA），其中包括八个ANN子模型、十个ML子模型以及一个基于GA的SA子模型。在ANN应用中，前馈神经网络因其简单性而被最频繁使用；尽管广义回归神经网络在没有迭代训练的情况下能够更好地拟合复杂的非线性关系。在ML类别中，自适应网络基础模糊推理系统（ANFIS）成为使用最广泛的模型，这反映了其在建模非线性多输入-多输出过程关系方面的优势。遗传算法（GA）在多目标优化任务中显示出潜力，但在处理多维参数空间时效率有限。研究结果突显了人们对AI集成C-F系统的日益关注，并建议未来的进展应集中在开发混合AI-机械模型上，以提高预测准确性、增强过程可解释性，并实现实时WWT操作中的异常检测。
引言
水/废水处理（WWT）是维持环境可持续性和公共健康的关键过程。它涉及在将水重新释放到环境中或回收再利用之前，去除家庭、工业和农业用水中的污染物（Manasa和Mehta，2020）。WWT系统的有效性对于防止自然水体污染至关重要，因为污染可能导致严重的生态和健康问题。在WWT的各个阶段中，混凝-絮凝（C-F）是一个基本的化学工程过程，旨在提高污染物的沉淀或过滤性能（Aragaw和Bogale，2023）。这一过程主要针对那些无法通过传统物理过程轻易去除的悬浮固体、有机化合物、重金属和其他颗粒物。
C-F包括两个关键步骤：混凝和絮凝。混凝是添加带正电荷的化学药剂（混凝剂），这些药剂中和水中溶解和悬浮颗粒的负电荷（El-taweel等人，2023）。这一中和过程使小颗粒变得不稳定并开始聚集。常用的混凝剂包括硫酸铝（明矾）、氯化铁和其他专用化学品。一旦这些颗粒变得不稳定，就会发生絮凝，此时通过温和的混合促使不稳定的颗粒聚集形成更大的絮体（Mohamed Noor等人，2021）。这些絮体可以通过后续的沉淀、过滤或浮选等过程更容易从水中分离出来。
C-F在废水处理中的重要性不容忽视。这一过程通过显著减少污染物负荷，直接影响下游处理过程的效率。有效的C-F处理能够产生更清澈的水质，减轻生物处理阶段的负担，并总体上实现更高效的处理系统，从而满足排放或再利用水所需的严格质量标准（Yadav和Dutta，2024）。此外，随着环境法规的严格化和对水回收需求的增加，优化C-F过程变得越来越重要（El-taweel等人，2023）。这种优化确保处理厂更高效地运行，消耗更少的能源，并减少化学药剂的使用，从而最小化环境影响和运营成本。因此，特别是在通过集成创新技术方面的进展，对于未来WWT的可持续性和效率提升至关重要。
人工智能（AI）是一个快速发展的领域，在医疗保健、智慧城市和交通、电子商务、金融和学术等多个领域都有实际应用（Li，2020）。AI进一步分为机器学习、深度学习和数据分析。这些技术主要用于智能决策、区块链、云计算、物联网（IoT）和第四次工业革命（Industry 4.0）（Jan等人，2023）。由于AI方法能够应对实际挑战，它们也被应用于不同的工程领域，如WWT。这些AI方法可以显著降低供水和卫生系统的成本，同时确保水质和废水处理的效率。WWT中常用的AI技术包括循环神经网络（RNN）、卷积神经网络（CNN）、决策树（DT）、前馈反向传播神经网络（FFBPNN）和自适应网络基础模糊推理系统（ANFIS），同时也研究了多种混合技术的应用（Alam等人，2022）。数据可用性是应用中的主要挑战，因为AI需要足够的历史数据来预测未来结果并改进系统。
尽管一些综述讨论了更广泛的废水处理背景下的AI，但它们与C-F的相关性仍然有限。现有的综述通常涵盖废水处理中的一般AI应用、絮体图像分析或文献计量趋势，但没有专门针对C-F优化所使用的AI方法进行模型层面的探讨。例如，Chowdhury和Karanfil（Chowdhury和Karanfil，2024）关于WWT中AI的综述通常将所有处理过程（包括生物、物理化学和基于膜的过程）汇总在一起，而没有将C-F作为一个独立的建模领域进行分析。同样，基于絮体图像的综述主要关注机器视觉技术（Li等人，2025），并未包括ANN变体、ANFIS、SVM或进化算法等预测或优化模型。文献计量综述提供了高层次的出版趋势，但缺乏方法论深度，也没有比较模型架构、训练策略或输入-输出结构（Zhao等人，2020）。重要的是，没有现有综述探讨不同的AI方法（例如FFNN与GRNN；ANFIS与SVM；GA与PSO）在C-F中的实现情况，也没有评估模型在剂量优化、浊度预测或特征提取等方面的作用。此外，当前文献缺乏关于模型可解释性、实时部署障碍或缺乏展示操作集成的案例研究的行业导向讨论。这些差距共同表明，缺乏一个系统性的、方法论聚焦的综述，来映射、分类和综合C-F过程的AI建模策略。
本综述采用了一种方法论框架，主要关注应用于C-F过程的AI模型，而不是评估处理性能结果。虽然所包含的研究经常报告浊度、COD、颜色或TSS去除等方面的改进，但这些性能指标仅用于说明AI模型的功能角色和能力。因此，本系统回顾（SMR）的目的是系统地映射、分类和综合AI建模方法，如ANN变体、机器学习系统和优化算法，并确定这些模型是如何在C-F领域中开发、训练和应用的。据此，本系统回顾旨在系统地映射用于支持或优化C-F过程的AI模型类型，并分析其在废水处理背景下的方法论贡献，包括预测、优化、控制和特征提取功能。
部分摘录
回顾协议 – ROSES
本SMR遵循ROSES回顾协议。ROSES（系统证据综合报告标准）专为环境科学的SMR设计（James等人，2016）。ROSES旨在促使研究人员提供正确详细程度的信息。基于此回顾协议，作者首先为回顾制定了适当的研究问题。然后，作者解释了系统搜索策略
出版物输出
出版物的数量可以反映某个研究领域的重要性。图2(a)显示了过去25年中与C-F辅助AI在WWT中相关的98篇文章的分布。2001-2003年和2005-2007年期间被认为是该研究主题发展的滞后阶段，因为这两个时期WoS和Scopus数据库中都没有相关文章。这一时期缺乏相关出版物可能是由于AI技术尚未成熟
人工神经网络（ANN）模型
ANN是一种数学模型，它模拟生物神经网络的行为来处理数据。ANN利用单元节点来模仿神经元，并通过调整网络中多个节点之间的连接权重来进行信息处理。ANN的典型组成部分包括一个输入层、一个输出层以及介于两者之间的多个隐藏层。图4展示了一个ANN架构，其中圆圈代表神经元；输入层由
机器学习（ML）
ML是AI的一个子领域，专注于算法和统计模型的开发，使计算机系统能够自动从数据中学习而无需明确编程（Lu等人，2022）。ML的主要目标是构建预测模型，以便根据从数据中学习到的内容做出准确的预测或决策（Mahesh，2020）。在C-F中，最常用的ML模型包括自适应网络基础模糊推理系统（ANFIS）、支持向量机（SVM）
搜索算法（SA）
除了ANN和ML之外，搜索算法（SA）也是常用的AI模型，包括遗传算法（GA）和遗传编程（GP）。然而，在废水处理的C-F研究中，只有10篇与GA相关的文章被归入这一类别，这将在下一节中讨论。
AI驱动C-F中的当前知识空白和研究机会
AI在废水处理中的C-F过程应用已显示出显著的潜力，可以优化运行效率并减少化学药剂消耗。然而，尽管取得了令人鼓舞的进展，但仍存在几个重要的知识空白，如图10所示，这阻碍了AI技术从实验室规模研究向全规模工业应用的转化。一个突出的限制是高质量、全面和标准化的数据集的稀缺
结论
本SMR全面收集、综合并分析了当前关于C-F技术与人工智能结合在WWT应用中的知识。采用ROSES回顾协议，共识别出98篇相关文章，并将其分为三大类AI模型：人工神经网络（ANN）、机器学习（ML）和搜索算法（SA），包括八个ANN子模型、十个ML子模型以及一个SA子模型。
CRediT作者贡献声明
穆罕默德·希扎姆·穆罕默德·努尔：撰写——原始草稿、正式分析、概念化。玛丽卡·哈尼娜·阿卜杜勒·哈里斯：撰写——审阅与编辑、验证、调查。法蒂娜·阿米拉·拉兹米：可视化。诺尔齐塔·恩加迪：监督、资金获取。卡利西亚·阿姆拉·奥斯曼：方法论、数据管理。
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影响本文报告的工作。
致谢
该项目得到了马来西亚理工大学的支持，为主要作者穆罕默德·希扎姆·穆罕默德·努尔提供了博士后奖学金计划，用于“通过Moringa Oleifera提取物混凝分离水体中的微塑料颗粒及其体外影响评估”项目（Q.J130000.21A2.06E87）。作者还感谢Kurita Water and Environment Foundation通过Kurita Overseas Research Grant 2024（24Pmy104）提供的财政支持
