来源：市场资讯

（来源：生态修复网）

近日，同济大学楚文海教授团队在Nature Water发表了题为“A machine learning-driven framework for optimizing disinfection in drinking water treatment”的研究论文，开发了一个面向不同水质条件的机器学习优化框架（DISoptimizer），可根据水质变化自适应确定最佳加氯剂量，在维持用户设定余氯目标的同时尽可能降低四种三卤甲烷（THM4）的生成，从而将传统消毒管理由“消毒副产物浓度预测”进一步推进到“主动加氯决策”。

打开网易新闻 查看精彩图片

饮用水消毒能够有效预防水源性疾病传播，但同时不可避免地生成具有致癌风险的消毒副产物（DBPs），因此如何在不牺牲微生物安全的前提下降低DBP形成一直是饮用水处理中的关键难题。本研究基于覆盖多种水质条件的实验数据训练机器学习模型，构建DISoptimizer，对24 h后、即供水终端条件下的余氯和THM4形成进行预测，并据此优化氯投加量。与仅进行浓度预测不同，该框架引入权重因子，将不同管理者对“维持余氯安全裕度”和“降低THM4生成”的偏好纳入决策，使供水单位能够根据水质波动和管理目标动态调整消毒策略。计算模拟与外部验证结果表明，与经验性的固定加氯策略相比，DISoptimizer在持续维持余氯安全裕度的同时，可将THM4生成降低5%–35%。该研究由此建立了一种面向实际运行决策的水质自适应消毒优化框架，为同时管理饮用水中的微生物污染风险和消毒副产物暴露风险提供了新的数据驱动方法。