利用电感应区（ESZ）方法对水环境中悬浮的有机物质、无机物质和微生物颗粒进行表征

《Talanta》：Characterization of Suspended Organic, Inorganic, and Microbial Particles in Water Environment Using an Electrical Sensing Zone (ESZ) Method

　　

普一涛|王旭轩|王晓东|杨瑞月|赖一哲|严浩|薛文超|周建芬|肖康|高静思

深圳职业技术学院材料与环境工程学院，中国深圳518055

摘要：

在水环境中，各种颗粒物（包括无机颗粒、有机颗粒和微生物）对水质和生态健康有着显著影响。然而，现有的颗粒测量技术缺乏在颗粒混合的情况下准确区分和量化这些成分的能力。为了解决这个问题，我们开发了一种结合电传感区（ESZ）和机器学习的方法，并通过系统的特征工程进行了改进。我们构建了两种新的复合特征——时间积和时间域积——来捕捉颗粒的传输动态和波形特征，从而显著提高了相似颗粒类别之间的可区分性。支持向量机（SVM）模型的准确率达到97.0%，有机颗粒与微生物之间的误分类率从总误差的89.4%降低到59.3%。在混合颗粒系统中的验证表明该方法性能稳健：浓度误差保持在15.0%以下，中位粒径（D50）误差在7.0%以内。该框架能够可靠地区分固体颗粒和气泡干扰，为现场应用提供了实际优势。这些结果证实了该方法在复杂水环境中进行实时、原位水质监测和多参数颗粒表征的潜力。

引言

在水环境中，各种颗粒物（包括无机颗粒、有机颗粒、微生物等）对水质和生态健康起着关键作用。这些颗粒不仅影响水的物理和化学性质，还在生物地球化学循环中发挥着重要作用[1]、[2]、[3]。无机颗粒（如沙子和沉积物）会显著影响水的透明度和光穿透率，降低饮用水的质量和水生植物的光合作用效率[4]。有机颗粒（尤其是微塑料）作为持久性污染物和毒素载体，不仅对水生生物造成伤害，还对人类健康构成潜在威胁[5]。微生物对于有机物的分解和养分循环至关重要，其数量直接影响水生环境的微生物生态平衡[6]。因此，精确监测颗粒浓度和粒径分布对于有效的饮用水处理和环境监测至关重要。然而，多种颗粒类型的共存使得准确表征和监测变得复杂。

在水处理中常用的颗粒分析技术，如激光衍射分析（LDA）、动态光散射（DLS）和激光扫描共聚焦显微镜（LSCM），因其能够提供快速且高分辨率的颗粒粒径分布而得到广泛应用[7]、[8]、[9]。然而，这些方法本质上只能进行整体测量，无法区分颗粒混合物中的不同类型。虽然图像分析已成为颗粒表征的成熟方法，并显示出在多组分系统识别方面的潜力，但它通常需要复杂的样品制备、精密的仪器和专家解释，限制了其快速在线监测的适用性[10]。当前技术无法在水系统中提供特定类型的数据，如绝对浓度、粒径分布或不同颗粒类别的相对丰度。这一分析空白阻碍了准确的环境评估和水处理优化。因此，迫切需要开发一种快速、在线且成本效益高的监测技术，能够同时识别颗粒类型、量化浓度并分析水系统中的粒径分布[11]。

近年来，物理测量技术与机器学习的结合已成为材料表征和环境监测的强大方法。例如，光谱方法与分类算法的结合实现了水和大气环境中的快速化学识别[12]、[13]、[14]。同时，电传感器与机器学习的结合在纳米颗粒表征方面显示出前景[15]。在这种发展趋势中，电传感区（ESZ）方法作为一种有前景的颗粒计数和尺寸测量技术，由于其脉冲波形中蕴含的丰富信息，为机器学习集成提供了未充分探索的机会[16]。

ESZ方法利用颗粒穿过电场时产生的电压变化来量化其浓度和粒径分布。该方法操作简便，便于快速测量，非常适合实时监测和分析颗粒物[17]。在我们之前的研究中，已经证明了机器学习（ML）增强后的ESZ方法在颗粒识别方面的潜力。该方法对水处理系统中典型的纯颗粒类型实现了显著的分类准确率（>95%），这归因于ESZ对不同颗粒类型之间密度和形态差异的敏感性[18]。然而，两个关键挑战阻碍了其实际应用：（1）由于信号特征的重叠，相似颗粒类型（例如有机颗粒和微生物）之间的误分类仍然存在；（2）该方法尚未在现实的多组分混合物中进行测试，其中颗粒间的干扰和信号重叠是不可避免的。为了解决这些限制，本研究提出了两项关键改进，将机器学习与ESZ测量相结合：（1）系统特征工程以改进颗粒分类；（2）在混合颗粒系统中的严格验证。具体来说，我们引入了一种多域特征工程策略，从时间、频率和时间-频率域中提取互补信息。该策略包括两种新的复合特征——时间积和时间域积，旨在放大不同颗粒类型之间的细微波形差异。利用这些特征，我们开发了一个机器学习模型，可以同时识别混合物中的颗粒类型并恢复它们的个体浓度和粒径分布。这种能力是传统ESZ分析无法单独实现的。这项工作旨在将ESZ发展为一种用于详细表征水环境中复杂颗粒组合的实际工具。

章节摘录

实验材料

在本研究中，选择石英砂作为代表性的无机颗粒，因为它在水环境中普遍存在，其中位粒径（D50）为54 μm。对于有机成分，选择了聚对苯二甲酸乙二醇酯（PET）——一种常见的聚合物（ρ > 1 g/cm3），其D50为81 μm。使用大型、可移动且抗粘附的原生动物Paramecium来代表微生物，培养样本的D50为59 μm。由于自然水环境中的

ESZ信号展示

通过ESZ方法获得的原始电信号如图3(a)所示。横轴表示数据收集时间，纵轴表示电压。该图显示了两个电极之间电压随时间的变化。当颗粒通过电极之间的小孔时会产生电压尖峰，电压变化的幅度与颗粒大小直接相关。这种相关性使得可以计算

结论

本研究将ESZ方法与机器学习的结合从概念验证推进到了在混合颗粒水系统中的实际应用。通过系统的特征工程，我们构建了两种新的描述符——时间积和时间域积——来捕捉颗粒的传输动态和波形特征。这种方法将有机颗粒与微生物之间的误分类率从总误差的89.4%降低到59.3%，整体准确率从95.3%提高

CRediT作者贡献声明

周建芬：资源提供。肖康：撰写 – 审稿与编辑。高静思：撰写 – 审稿与编辑。普一涛：撰写 – 初稿。王旭轩：验证。王晓东：方法论。杨瑞月：方法论。赖一哲：软件。严浩：软件。薛文超：资金获取

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了CAS-ANSO联合资助的研究项目（项目编号：CAS-ANSO-CFRP-2024-03）、深圳市职业技术学院QY水处理技术与化学品研发中心（项目编号：602531001PQ）、广东省教育厅的支持。还包括针对通过LCA去除2-MIB的饮用水处理厂的环境影响分析（项目编号：2023KTSCX316）以及中国科学院的一流学科建设项目（编号：11800XX62）的支持。