用于预测病毒颗粒和评估厌氧膜生物反应器厂去除效率的模型泛化范式

为什么更清洁的再生水很重要

在气候变暖和城市人口增长的背景下，城市正在寻找新的水源，回用废水正日益成为日常自来水的一部分。然而，即便经过先进处理，微小的病毒仍可能漏出，带来健康与安全方面的担忧。本研究探讨了人工智能如何充当一种警觉的“软传感器”——在运行中静默监测处理厂，实时发现病毒污染的变化，并确认再生水仍然安全。

理解一个不断变化的目标

废水处理厂绝非静态。进水中来自家庭和工业的混合物会随小时变化，滤器和膜的性能也会随时间漂移。传统的实验室病毒检测方法既缓慢又费力：样品必须采集、运输并分析，通常在水已经排放或再利用几天后才得到结果。这种延迟让操作员难以及时应对病毒水平上升的情况。作者聚焦于厌氧膜生物反应器——这类系统利用微生物和细孔膜净化废水，同时还能产生能量。此类厂能去除许多病原体，但要实现逐时刻精确监测其去除效果仍是一大挑战。

教计算机监测病毒

研究团队并非始终直接测量病毒，而是训练机器学习模型根据一些简单且易得的水质读数（如pH值、浊度、盐度和营养物含量）推断病毒水平。他们在沙特阿拉伯两个不同城市的厌氧膜厂开展研究：一处为大学的市政试点厂，另一处为规模更大的市政—工业混合设施。由于可用于病毒分析的真实样本数量有限，研究者使用三种数据“生成器”创建模拟真实厂行为的合成数据集。这些扩充的数据集用于两种先进学习策略：一种“终身”模型随着新数据到来持续自适应，另一种“注意力”模型学会在预测病毒浓度时聚焦最有信息量的信号和时间点。

跟踪病毒在处理链中的变化

模型被要求预测多个重要病毒目标的存在，包括人腺病毒和常见的粪便污染病毒标记物，在处理过程的不同点进行预测。随后计算对数去除值——一种表达从原污水到处理后出水病毒水平下降倍数的标准方法。在两个处理厂和多个处理阶段上，虚拟软传感器与实验室测量结果高度一致，常常能解释超过90%的病毒水平变异。系统正确捕捉到了腺病毒和辣椒轻花叶病毒（pepper mild mottle virus）的强烈去除，以及总病毒计数的较温和下降。关键是，即便将模型应用于与训练数据来自不同厂的数据，或用于预测不同处理步骤的性能时，准确性仍得以保持。

适应新厂和变化的条件

这项工作的一项关键成就是其稳健性。来自大学校园和工业区的废水性质迥异，但相同的建模框架只需做出适度调整就能在两者之间迁移。终身学习方法在持续更新方面表现出色，能够在新批数据到来时自我改进，而无需从头重训。注意力机制方法则突出了哪些水质信号和时间窗口对可靠预测最重要，并可在全新数据集上复用。两种方法都能处理厂运行行为随时间产生的“漂移”，表明它们能够跟上运行条件、进水混合物甚至气候模式变化带来的影响。

这对更安全的水回用意味着什么

对非专业读者而言，结论是：本研究将我们更接近于在先进废水处理厂实现实用的实时病毒监测，而无需持续昂贵的实验室检测。通过从易测的水质信号中学习，这些智能软传感器能够高精度估算病毒水平和去除效率，在性能下降时提醒操作员，并帮助监管者核实再生水是否达到安全标准。随着此类工具在更多污染物和更多厂型上的完善与推广，它们有望成为水资源匮乏地区实现安全、可持续水回用的基石。

引用: 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

关键词: 废水再利用, 病毒监测, 机器学习, 膜生物反应器, 水质