基于物理知识的机器学习方法在跨研究预测油水膜污染中的应用

《Scientific Reports》：Physics-informed machine learning for cross-study prediction of oil–water membrane fouling

　　

摘要

在许多化学工程系统中，由传输、积累和去除过程共同驱动的性能衰减仍然是一个核心挑战。本文以油水分离中的膜污染为例进行了研究。虽然数值模型和经验模型能够捕捉特定情况，但它们在不同研究中的预测能力仍然有限。在这项工作中，我们将传输和污染阻力的简化有限元模型与一个数据驱动框架相结合，该框架将实验元数据映射到涉及各种膜、油和操作条件的112个数据集中的通量衰减行为。这种简化表示方法能够高精度地再现通量-时间轨迹（平均R2约为0.95）。通过将实验元数据映射到曲线描述符上，可以实现分阶段预测标准化通量，在分组交叉验证下的平均绝对误差为0.08–0.14。使用公开文献中的独立数据进行外部验证表明，预测性能受到研究之间差异的影响，而非模型本身的能力，这突显了数据标准化的必要性。分析表明，横流和压力与早期污染之间存在关联，而孔隙率和渗透率则与稳态通量相关。基于这些结果，我们提出了一份用于构建可重复污染模型所需参数的最小清单。研究结果量化了元数据完整性对模型可转移性的影响，并为跨研究分析时间依赖性膜性能提供了一个可重复的框架。