Paradigmen zur Generalisierung von Modellen für die Vorhersage viraler Partikel und die Bewertung von Entfernungseffizienzen in anaeroben Membranbioreaktor-Anlagen

Warum saubereres wiederaufbereitetes Wasser wichtig ist

Da Städte in einer wärmer und dichter besiedelten Welt nach neuen Wasserquellen suchen, wird wiederaufbereitetes Abwasser zunehmend Teil des täglichen Trinkwassers. Doch selbst nach fortgeschrittener Aufbereitung können winzige Viren hindurchschlüpfen, was Bedenken hinsichtlich Gesundheit und Sicherheit weckt. Diese Studie untersucht, wie künstliche Intelligenz als aufmerksamer „weicher Sensor“ dienen kann — still und in Echtzeit die Anlagen überwacht, um Veränderungen bei der Virusbelastung zu erkennen und zu bestätigen, dass wiederverwendetes Wasser sicher bleibt.

Sich auf ein bewegliches Ziel einstellen

Kläranlagen sind alles andere als konstant. Die Mischung aus Haushalts- und Industrieabwässern ändert sich stündlich, und die Leistung von Filtern und Membranen kann über die Zeit driftende Veränderungen zeigen. Traditionelle Labormethoden zur Virusbestimmung sind langsam und arbeitsintensiv: Proben müssen entnommen, transportiert und analysiert werden, oftmals erst Tage nachdem das Wasser bereits eingeleitet oder wiederverwendet wurde. Diese Verzögerung erschwert es den Betreibern, schnell zu reagieren, falls die Viruswerte ansteigen. Die Autorinnen und Autoren konzentrieren sich auf anaerobe Membranbioreaktoren — Systeme, die Abwasser mithilfe von Mikroorganismen und feinen Membranen aufbereiten und gleichzeitig Energie erzeugen. Diese Anlagen können viele Krankheitserreger entfernen, doch die kontinuierliche Überwachung ihrer Leistungsfähigkeit ist eine große Herausforderung.

Computern beibringen, nach Viren Ausschau zu halten

Statt Viren ständig direkt zu messen, trainierte das Team Modelle des maschinellen Lernens, um Viruswerte aus einfachen, leicht verfügbaren Messgrößen der Wasserqualität wie pH-Wert, Trübung, Salzgehalt und Nährstoffkonzentrationen abzuleiten. Sie arbeiteten mit zwei anaeroben Membran-Anlagen in verschiedenen saudi-arabischen Städten: einer kommunalen Pilotanlage an einer Universität und einer größeren gemischt kommunal-industriellen Anlage. Um die geringe Zahl real analysierter Virusproben auszugleichen, nutzten die Forschenden drei Daten „Generatoren“, um realistische synthetische Datensätze zu erzeugen, die das Verhalten der realen Anlagen nachahmen. Diese angereicherten Datensätze speisten zwei fortgeschrittene Lernstrategien: ein „lebenslanges“ Modell, das sich kontinuierlich an neue Daten anpasst, und ein „Attention“-Modell, das lernt, sich bei der Vorhersage von Viruskonzentrationen auf die informativsten Signale und Zeitpunkte zu konzentrieren.

Viren entlang der Aufbereitungskette verfolgen

Die Modelle sollten das Vorkommen mehrerer wichtiger viraler Zielgrößen vorhersagen, darunter humane Adenoviren und gängige virale Marker fäkaler Verschmutzung, an verschiedenen Punkten im Behandlungsprozess. Anschließend berechneten sie den Log-Entfernungswert — eine gebräuchliche Kennzahl, die angibt, wie stark die Viruskonzentration zwischen Rohabwasser und behandeltetm Ablauf sinkt. Über beide Anlagen und mehrere Behandlungsstufen hinweg stimmten die virtuellen Soft-Sensoren eng mit Labormessungen überein und erklärten häufig mehr als 90 % der Variation der Viruswerte. Die Systeme erfassten korrekt die starke Entfernung von Adenovirus und Pepper mild mottle virus sowie moderatere Reduktionen bei den Gesamtviruszahlen. Entscheidend ist, dass sie auch dann genau blieben, wenn sie auf Daten einer anderen Anlage angewendet wurden als der, auf der sie trainiert wurden, oder wenn sie die Leistung in einem anderen Behandlungsschritt vorhersagten.

Anpassung an neue Anlagen und veränderte Bedingungen

Ein zentrales Ergebnis dieser Arbeit ist Robustheit. Abwasser von einem Universitätscampus und aus einem Industriegebiet sieht sehr unterschiedlich aus, dennoch konnten dieselben Modellierungsansätze mit nur geringfügigen Anpassungen zwischen ihnen übertragen werden. Der lebenslange Lernansatz überzeugte darin, sich kontinuierlich zu aktualisieren, sobald neue Daten hereinkamen, ohne von Grund auf neu trainiert werden zu müssen. Der Attention-basierte Ansatz hingegen hob hervor, welche Qualitätsindikatoren und Zeitfenster für verlässliche Vorhersagen am wichtigsten sind und sich auf völlig neuen Datensätzen wiederverwenden ließen. Beide Ansätze bewältigten die natürliche „Drift“ im Anlagenverhalten über die Zeit und legen nahe, dass sie mit sich ändernden Betriebsbedingungen, Einlaufzusammensetzungen oder sogar Klimamustern Schritt halten können.

Was das für sicherere Wasserwiederverwendung bedeutet

Für Nicht-Fachleute lautet die Quintessenz: Diese Studie bringt uns näher an eine praktikable, Echtzeit-Überwachung von Viren in fortgeschrittenen Abwasserbehandlungsanlagen, ohne dass ständig kostenintensive Labortests nötig wären. Indem sie aus leicht messbaren Wasserqualitätsgrößen lernen, können diese intelligenten Soft-Sensoren Viruskonzentrationen und Entfernungseffizienzen mit hoher Genauigkeit schätzen, Betreiber alarmieren, wenn die Leistung nachlässt, und Regulierungsbehörden dabei unterstützen, zu verifizieren, dass rückgewonnenes Wasser Sicherheitsziele erfüllt. Wenn solche Werkzeuge weiterentwickelt und auf mehr Schadstoffe sowie Anlagentypen ausgeweitet werden, könnten sie zu einem Eckpfeiler sicherer, nachhaltiger Wasserwiederverwendung in wasserarmen Regionen weltweit werden.

Zitation: Chen, J., N’Doye, I., Sanchez Medina, J. et al. Model generalization paradigms for predicting viral particles and evaluating removal efficiencies in anaerobic membrane bioreactor plants. npj Emerg. Contam. 2, 10 (2026). https://doi.org/10.1038/s44454-026-00030-8

Schlüsselwörter: Wiederverwendung von Abwasser, Virusüberwachung, Maschinelles Lernen, Membranbioreaktoren, Wasserqualität