《Engineering Applications of Artificial Intelligence》：Hybrid fractional-order physics-informed neural network and reinforcement learning framework with blockchain for dynamic optimization of flux, fouling and heavy metal rejection in metal foam-enhanced direct contact membrane distillation systems
编辑推荐：
工业废水中重金属污染亟需可持续修复方案。研究人员提出一种融合分数阶物理信息神经网络（Fractional-Order Physics-Informed Neural Networks，FO-PINNs）代理建模、强化学习（Reinforcement Learn
工业废水中重金属污染亟需可持续修复方案。研究人员提出一种融合分数阶物理信息神经网络（Fractional-Order Physics-Informed Neural Networks，FO-PINNs）代理建模、强化学习（Reinforcement Learning，RL）动态优化及区块链可审计日志的混合计算框架，并将其应用于直接接触膜蒸馏（Direct Contact Membrane Distillation，DCMD）系统。在计算流体动力学（Computational Fluid Dynamics，CFD）验证的模拟工况下，经12小时运行周期（1500训练轮次）测试，该框架预测的平均渗透通量为4.51 L/m2·h，较无金属泡沫的CFD基准提升32%，且污染速率预计降低68%。扣除计算开销后的能量强度模型显示，在模拟操作条件下二氧化碳（CO2）排放净减少约15%。区块链提供可审计数据追踪，图形用户界面（Graphical User Interface，GUI）支持动态优化。尽管仍需实验验证，该方法证明了物理信息自适应控制在DCMD中的可行性，为可扩展低碳废水处理提供了基础。
研究背景与意义
工业废水中的镉（Cd）、铅（Pb）、汞（Hg）、砷（As）等重金属具有持久生物累积性，可导致神经毒性、致癌性及器官损伤，全球超20亿人缺乏安全饮用水，采矿、电镀、电池生产等人为源排放的重金属持续加剧生态退化。传统修复技术如吸附、离子交换、混凝沉淀等存在能耗高、二次危废多、难处理高盐多金属废水等局限，且难以实现零液体排放。膜技术因选择性分离、化学药剂用量少成为替代方案，但反渗透等压力驱动工艺面临膜污染与高操作压力限制。直接接触膜蒸馏（Direct Contact Membrane Distillation，DCMD）作为热驱动过程，利用疏水膜在温度梯度下传输蒸汽，可在常压、40–80°C条件下实现重金属截留率近99%，并能耦合可再生能源热源，较传统脱盐节能约50%，但温度极化与浓度极化限制了蒸汽通量并加剧污染。金属泡沫（如导热系数k≈380 W/m·K、孔隙率ε≈0.9的铜泡沫）可通过增强对流换热、破坏边界层提升DCMD通量20–40%，但实时模拟计算成本过高。现有机器学习研究虽在膜通量预测、参数优化等方面取得进展，但尚未见融合分数阶物理信息代理建模与强化学习（Reinforcement Learning，RL）的实时自适应控制框架用于金属泡沫增强DCMD系统的报道。伊朗科学技术大学研究人员将该框架应用于重金属废水处理，相关成果发表于《Engineering Applications of Artificial Intelligence》。
关键技术方法
研究人员采用计算流体动力学（Computational Fluid Dynamics，CFD）验证的单根中空纤维DCMD模块湍流流场模型，在柱坐标系下设置壳程进料、管程冷渗透的运行方式。核心技术包括：分数阶物理信息神经网络（Fractional-Order Physics-Informed Neural Networks，FO-PINNs）用于多孔介质反常输运的代理建模，相比整数阶模型精度提升15–25%；竞争深度Q网络（Dueling Deep Q-Network，DQN）驱动的强化学习（Reinforcement Learning，RL）构建12动作离散空间（3种调节类型×4种泡沫模型）实现自适应控制；非线性三角态增强优化状态表征；区块链提供不可篡改的过程数据溯源日志；图形用户界面（Graphical User Interface，GUI）支持动态优化交互。所有模型在统一模拟工况下开展自洽对比，未依赖异质文献基准。
研究结果
混合框架概述
研究构建面向金属泡沫增强DCMD系统的混合计算框架，聚焦单根中空纤维模块内的湍流流动与传热传质过程，整合FO-PINNs、RL与区块链技术，实现通量、重金属截留与污染的协同动态优化。
结果与讨论
在12小时模拟运行周期（离散为1500训练轮次，时间步长ΔT～0.008 h）中，框架预测平均渗透通量达4.51 L/m2·h，较无金属泡沫CFD基准提升32%，污染速率降低68%。扣除计算开销后，能量强度模型显示二氧化碳（CO2）排放净减少约15%。FO-PINNs有效捕捉金属泡沫内反常亚扩散输运特征，RL通过动态调整操作参数平衡通量与污染，区块链确保全流程数据可审计，GUI实现人机交互式优化。
消融与对比分析
通过自洽对比不同简化与增强配置发现，单独移除FO-PINNs会导致输运过程预测偏差增大，仅用传统整数阶模型精度下降15–25%；去除RL自适应控制模块后，通量与污染协同优化效果显著降低；区块链集成不影响工艺性能，但为数据溯源与合规审计提供保障。
局限性与未来方向
框架目前基于模拟数据验证，尚未开展实验测试；金属泡沫长期运行的机械稳定性、污染机理变化未在模型中充分体现；区块链存储开销与实时性权衡需进一步优化。未来需推进实验验证，扩展至多模块系统，并结合实际工业废水水质波动特性完善模型适应性。
结论
研究人员成功验证了融合FO-PINNs、RL与区块链的混合计算框架在金属泡沫增强DCMD系统重金属去除动态优化中的有效性。该框架通过分数阶物理信息建模精准描述反常输运，利用竞争DQN强化学习实现自适应动态控制，借助区块链保障数据不可篡改溯源，解决了金属泡沫引入的双重效应（通量提升与潜在污染加剧）的权衡问题。研究为低碳、可扩展的重金属废水处理提供了可迁移的智能优化范式，同时为膜蒸馏系统的实时自适应控制开辟了新路径。
