微生物功能降解与生物活性炭吸附性能下降的耦合：基于机器学习的双指标框架实现精确替换

《Journal of Environmental Chemical Engineering》：Microbial functional decay coupled with adsorption loss in biologically activated carbon: Machine Learning driven dual-indicator framework for precise replacement

生物活性炭（BAC）在饮用水处理中的吸附能力与生物降解潜力随运行时间变化，本研究通过宏基因组测序分析其微生物群落动态，并采用MLR、SVM、XGBoost、GBDT和RF等机器学习模型预测BAC更换指标。结果显示，BET表面积和t-Plot微孔体积随运行时间下降，而酸性官能团增加。随机森林模型对t-Plot微孔体积预测最优（R2=0.994），XGBoost在生物降解建模中表现最佳（R2=0.994），显著优于线性回归模型（R2=0.22）。研究提出整合吸附容量与微生物功能的双指标策略，为BAC全生命周期管理提供数据驱动决策工具。

　　

黄永杰|翁晓瑶|张凌飞|杨树民|张伟伟|唐玉琳|张永杰

同济大学环境科学与工程学院，上海东医院，水利部长三角城市供水、节水与水环境治理重点实验室，中国上海200092

摘要

基于物理化学参数的生物活性炭（BAC）更换标准在饮用水处理厂（DWTPs）中的不足对有机污染物和新兴污染物的去除构成了重大风险。为了解决这一问题，本研究通过宏基因组测序系统地研究了BAC特性的时间演变，并利用多重线性回归（MLR）、支持向量机（SVM）、极端梯度提升（XGBoost）、梯度提升决策树（GBDT）和随机森林（RF）模型建立了预测BAC更换的机器学习模型，这些模型考虑了BAC的生物降解和吸附过程。结果表明，随着运行时间的延长，碘值、BET比表面积（BET）和t-Plot微孔体积下降，而酸性官能团增加。尽管α多样性保持稳定，但总功能细菌丰度和关键属慢生根菌显著减少，分别减少了7.7%和4.4%。网络分析显示，老化的BAC携带稳定的抗生素抗性基因（ARGs）和毒力因子（VFs）簇，突显了潜在的生物安全风险。在模型性能方面，RF在t-Plot微孔体积预测方面取得了最佳效果（R² = 0.994），而XGBoost在功能细菌总相对丰度预测方面表现更优（R² = 0.994），显著优于线性基线模型（MLR，R² = 0.22）。该研究支持了一种结合吸附能力和微生物功能的双指标策略，并提出了BAC精确生命周期管理的概念框架，为水处理优化提供了数据驱动的决策支持工具。

引言

生物活性炭（BAC）是饮用水处理厂中抵御天然有机物、氨氮和新兴污染物的最终屏障[1]，[3]。自2020年以来，臭氧/生物活性炭工艺在中国的全规模DWTPs中实现了每天超过4000万立方米的处理能力[4]。活性炭（AC）是该工艺的核心部分，但由于微生物的积累和吸附能力的下降，必须在一定运行时间后更换BAC，从而增加了运营成本[5]。目前的更换标准基于物理化学阈值或区域标准中的污染物去除率（表S1），面临着日益严重的运营危机[6]。DWTPs的运行数据显示，BAC过滤器通常在吸附能力下降后仍可稳定运行3至7年[7]，[8]。这种根本性的脱节源于忽视了微生物的功能性，因此有必要重新审视现行标准中BAC失效指标的合理性和可预测性。

BAC的失效本质在于其功能的机械性分离。尽管BAC的净化过程包括吸附、吸附-生物降解协同作用和生物降解主导[6]，[9]，[10]，但更换指标忽略了微生物的功能生态学。BAC表面微生物群落的驯化已成为近期研究的热点[4]，[11]，[12]。定制的微生物特征包括生物量、群落物种多样性、优势或功能细菌的丰度等，但仍缺乏可靠的指标来量化微生物的降解能力[13]。现有的微生物指标（如生物量）与降解效率的相关性极弱[14]。BAC表面微生物的分类特征得到了更清晰的认识[15]，[17]，大多数优势属为好氧化能有机异养微生物（见表S2），它们利用有机物作为碳源和能源来去除污染物。然而，很少有研究系统地将功能细菌作为指标来指导BAC的更换。此外，尽管功能稳定性是BAC运行的主要驱动因素，但长期生物膜成熟带来的潜在健康风险不容忽视。具体来说，BAC的老化以及ARGs和VFs的富集仍然是一个关键的安全问题[18]，[19]。因此，本研究整合了ARGs和VFs的监测作为生物安全审计。这种机械性分离导致无法区分吸附饱和失效和生物功能下降失效，使更换决策陷入对吸附的过度依赖或忽视生物降解的误解之中。

先前的研究已经确定了一些用于指导BAC更换的指标，包括一些物理化学指标（孔径分布、BET、孔体积、金属等）和少数微生物指标[8]。然而，这些研究往往只关注单个指标，而没有考虑这些属性之间的比例贡献或协同作用[20]。机器学习能够分析大量数据，揭示数据中隐藏的复杂关系[21]，[23]。在之前的环境研究中，集成方法如GBDT、XGBoost和RF表现出了优越的性能[24]，[26]。对于BAC的更换，比较不同的算法对于验证研究结果至关重要。因此，为了提高泛化能力和确保解释的稳健性，本研究评估了一系列建模方法，从简单的线性回归（MLR）到复杂的基于核的方法（SVM）和集成方法（RF、GBDT和XGBoost）[27]，[28]。这一全面的机器学习框架应用于BAC更换的背景下，以预测活性炭的吸附能力和生物降解潜力。

本研究的主要目标是整合DWTPs中BAC的物理化学性质和微生物特征，并利用机器学习找到合理的更换指标，实现BAC的完整生命周期管理。为此，我们比较了不同运行时间的全规模DWTPs中AC的物理化学性质（包括碘值、亚甲蓝吸附、硬度、表面官能团、BET、孔体积、金属离子等）。通过宏基因组测序测试了不同运行时间下BAC表面微生物的生物多样性、功能细菌的丰度以及生物风险。使用了三种机器学习模型（MLR、SVM、RF、XGBoost和GBDT）来模拟BAC的生物降解和吸附过程，并通过比较均方根误差（RMSE）和R²来评估模型的预测性能，并通过特征的显著性分析其特征的贡献。这项研究对于为全规模饮用水处理厂中生物活性炭的整个生命周期的准确调控提供理论基础和技术支持具有重要意义。

样本收集与处理

本研究共收集了51个具有不同运行时间的生物活性炭样本，这些样本来自中国上海三家全规模先进饮用水处理厂（A厂、B厂和C厂）的6个BAC过滤器（分别标记为A1、A2、A3、B1、B2和C1），这些处理厂使用了不同的原水。这三家处理厂的详细处理流程如图S1所示。这些处理厂采用了预臭氧-混凝-沉淀-砂滤-BAC过滤-消毒的工艺。

BAC的物理和化学性质

分析了这三家处理厂运行近10年来BAC的碘值、亚甲蓝吸附能力、硬度、均匀系数和有效粒径。图2(a)和2(b)展示了6个BAC过滤器多年来的碘值和硬度变化情况。结果表明，随着BAC使用时间的延长，碘值呈下降趋势，这与先前的研究结果一致[6]，[7]。根据标准（GB/T 7701.2-2008），

结论

本研究调查了DWTPs中不同运行时间下BAC的物理化学性质和生物特征，并利用MLR、SVM、RF、XGBoost和GBDT建立了BAC的生物降解模型和吸附模型。物理化学指标和微生物特征随运行时间发生了复杂的变化，因此使用单一指标来确定BAC的更换是不合适的。

RF取得了最高的准确率（R² = 0.994），这一结果受到碳年龄的影响

未引用的参考文献

[2]; [22]; [25]

CRediT作者贡献声明

张凌飞：撰写 – 审稿与编辑、可视化、软件处理。杨树民：撰写 – 审稿与编辑、数据分析、概念化。黄永杰：撰写 – 初稿撰写、软件处理、方法学研究、数据分析、概念化。翁晓瑶：监督、方法学研究、概念化。张永杰：撰写 – 审稿与编辑、监督、概念化。张伟伟：监督、数据收集、概念化。唐玉琳：撰写 – 审稿与编辑

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（22378316）的支持。