《Environmental Research》：Artificial Intelligence enabled fouling prediction and effect of adsorbent sources in submerged fluidized bed ceramic membrane reactor for food industry wastewater treatment
编辑推荐：
陶瓷膜反应器结合活性炭吸附用于处理高有机负荷食品废水，研究显示渗透通量增至50 L·m?2·h?1时有机去除效率达80.3%，但显著加剧膜污染。通过提升循环流量可减少43%膜污染，间歇式操作较连续模式更有效控制污染。深度学习模型中GRU预测膜污染最精准（R2最优，误差最小）。蒙特卡洛dropout量化模型不确定性，95%置信区间涵盖认知不确定性。XRD和FTIR证实活性炭晶体结构影响吸附性能，本地活性炭虽成本较低但去除效率下降44%。
Tuba Safdar|Muhammad Iqbal|Aisha Syed|Maqbool Khan|Arshad Hussain|Jeonghwan Kim|Rizwan Ahmad
巴基斯坦哈里普尔市Pak-Austria应用科学与技术学院（PAF-IAST）化学与能源工程系
摘要
食品工业部门的废水通常具有较高的有机负荷。本研究采用浸没式流化床陶瓷膜反应器作为环境可持续的解决方案来处理食品工业废水。此外，还构建了一个比较深度学习模型，该模型利用循环神经网络（RNN）、长短期记忆（LSTM）、双向长短期记忆（BiLSTM）和门控循环单元（GRU）来预测膜过滤系统中的膜污染情况。结果表明，当渗透通量增加到50 L·m?2·h?1时，有机物的去除效率达到了80.3%，但膜污染也显著增加。随着整体循环流速的增加，污染减少效率约为43%。同时，随着整体循环流速的进一步提高，有机物的去除效率反而下降。由于膜松弛和过滤是间歇进行的，因此比连续过滤更有效地控制了污染速率。在膜污染预测方面，与其他模型相比，GRU具有最高的R2值和最小的误差。使用蒙特卡洛Dropout方法进行了严格的不确定性量化，并计算了包含模型认知不确定性的95%置信区间。为了控制膜污染，采用了颗粒活性炭作为流化介质，从而显著降低了膜污染，无论其来源如何。然而，尽管本地购买的活性炭成本较低，但其有机物的去除效率降低了44%。X射线衍射和傅里叶变换红外光谱分析证实，晶体结构对于提高活性炭的吸附性能非常重要。
引言
工业废水不仅会造成美观污染，还会对淡水体和海洋生物造成严重威胁。随着环境意识的提高以及监管机构的严格措施，各行业被迫探索可持续的废水管理方案。特别是食品和饮料行业产生的废水，其悬浮固体和化学需氧量（COD）浓度较高，主要来源于熬煮和发酵过程[1]。由于具有潜在的可持续再利用价值，膜分离技术已成为资源回收和废水处理的非常有效且前景广阔的方法[2]。近年来，由于陶瓷膜在化学耐受性和结构完整性方面优于聚合物膜[3][4]，其在工业废水处理和再利用方面的应用兴趣迅速增长。然而，膜污染仍然是一个主要障碍，需要克服才能将陶瓷膜技术广泛应用于工业废水处理[5]。
传统方法如反冲洗、横流冲洗和清洁剂清洗被用于去除膜上的外部污染，例如结垢层[6]。虽然气体喷射也可以减少污染速率，但仍需较高的能耗[7]。为了降低污染，吸附技术已通过三种方式与膜过滤结合使用：(a) 作为膜过滤的预处理[8][9]；(b) 直接在膜表面进行原位吸附[10]；(c) 作为膜过滤后的后处理[11]。吸附-膜集成工艺的独特之处在于能够同时实现高效的有机物去除和污染减缓。
研究人员还研究了添加到膜反应器中的吸附剂对污染的缓解作用，比较了非吸附介质（如聚对苯二甲酸乙二醇酯PET或沸石）与吸附剂（如颗粒活性炭GAC）作为清洗剂的效果[12][13]。除了GAC颗粒外，还研究了其他吸附剂（如天然粘土[14]、MCM-41[10]和氧化铁基颗粒[15]）在浸没式膜过滤系统中的去除有机染料化合物的能力。总体而言，GAC颗粒由于具有机械清洁和吸附有机颗粒及污染物的双重功能，表现优于粉末活性炭[16][17]。尽管GAC颗粒在提升膜性能方面具有多项优势，但大多数研究集中在处理合成废水或模型有机化合物上，而非真实的工业废水[18][19][20]。因此，仍需更多研究来深入了解混合吸附-膜集成工艺在实际工业废水处理中的污染行为和有机物去除效率。
此外，还有研究通过人工智能（AI）控制反冲洗、膜松弛等策略来预测污染速率并提高膜系统的可持续性。最近，多项研究成功应用了AI模型来预测膜污染。机器学习（ML）模型的应用表明，颗粒大小、动量和膜位置是决定跨膜压差（TMP）的关键因素[21]。其他研究还评估了随机森林算法和人工神经网络（ANN）在膜生物反应器运行过程中预测TMP变化的能力[22]。然而，在大多数研究中，使用的都是小型数据集且缺乏尺度验证的黑箱模型。最近，通过快速计算提高了预测膜污染模型的预测能力[23]。尽管ANN在预测膜污染方面具有优势，但仍存在局限性，如泛化能力低、缺乏可解释性和不确定性量化[24]。最近的研究利用了更简单的算法（如线性回归、基本ANN）来预测膜污染[25]。因此，迫切需要将这些最先进的模型直接应用于复杂的实际陶瓷膜过滤系统，并进行比较评估。
研究表明，深度学习方法可以有效模拟膜过滤过程中复杂的非线性相互作用，尤其是在预测污染动态方面，因为机械模型往往无法提供有效帮助[26]。此外，结合物理知识和数据驱动模型的混合AI模型的最新发展展示了通过预测膜污染来优化工艺、实现工业应用的潜力[27]。目前流化膜系统的运行主要基于经验操作，缺乏对膜污染的预测能力。这为通过深度学习模型理解污染缓解策略（如间歇过滤和膜松弛）带来了挑战。
本研究通过开发集成吸附-膜过滤工艺，研究了GAC颗粒对膜污染和有机物去除效率的影响，该工艺用于处理实际工业废水。在不同的操作条件下（如设定渗透通量、整体循环流速和反应器操作模式）运行了集成膜系统。使用傅里叶变换红外光谱（FTIR）和X射线衍射（XRD）对不同来源的GAC颗粒进行了表征。此外，还测试了四种先进的深度学习序列模型（循环神经网络RNN、长短期记忆LSTM、双向LSTM和门控循环单元GRU）来预测膜污染。
部分摘录
工业废水和膜特性
本研究测试的废水来自巴基斯坦哈塔尔工业区的饮料和草药制药行业。废水收集时间为2024年2月至7月，共6个月，以考虑食品工业废水的变化性。在此期间分析了4批废水，表1显示了这些批次的平均值。简而言之，废水的化学需氧量（COD）为2139 ± 419 mg·L?1，总悬浮固体含量……
不同操作通量下的污染行为和去除效率
在三种不同的设定通量（15、30和50 L·m?2·h?1）下，观察了渗透通量对污染物去除效率的影响以及TMP随时间的变化。图4（a）显示，在7 L·min?1的整体循环流速下，过滤4小时期间TMP随时间的变化。渗透通量的增加导致TMP值上升。过滤结束时，通过TMP值除以过滤时间得到的污染速率发生了变化……
结论
本研究重点探讨了浸没式流化床陶瓷膜（SFCM）反应器与不同类型GAC颗粒结合应用于实际食品工业废水处理的潜力。设定通量从15 L·m?2·h?1增加到50 L·m?2·h?1时，由于膜表面形成了致密的结垢层，导致膜污染显著增加，但化学需氧量（COD）的去除效率提高了80%以上。通过增加整体循环流速可以降低污染速率……
作者贡献声明
Arshad Hussain：撰写 – 审稿与编辑、监督、方法论、数据整理、概念构建。Jeonghwan Kim：撰写 – 审稿与编辑、可视化、验证、调查、数据分析、概念构建。Tuba Safdar：撰写 – 初稿撰写、验证、方法论、调查、数据分析、概念构建。Muhammad Iqbal：撰写 – 初稿撰写、验证、软件开发、调查、数据分析、概念构建。Aisha Syed：撰写 – 初稿撰写
利益冲突声明
? 作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本研究得到了开伯尔-普赫图恩克瓦省政府科学和技术总局（DoST）的支持（项目编号：DGST/BSTICE/MS/2024-26/716）。
