净水技术｜给自来水厂的“智能配方”：机器学习如何找到加氯的黄金平衡点

拧开水龙头，流出的清澈自来水，在抵达你家之前，刚刚经历了一场惊心动魄的“消毒之战”。为了剿灭水中可能存在的致病微生物，自来水厂会在水中注入氯——这是人类公共卫生史上最伟大的成就之一。但很少有人知道，这个“杀菌功臣”同时也在悄悄进行着另一场化学反应：它与水中的天然有机物结合，生成了一类名为“消毒副产物”的物质，其中最常见的是三卤甲烷（THMs）。长期饮用含有较高浓度THMs的水，与膀胱癌等健康风险存在关联。这便构成了一个经典的两难困境：氯加多了，水中的致病微生物被有效杀灭，饮用水的微生物安全得到保障，但化学副产物风险随之上升；氯加少了，副产物生成少了，但残留的氯可能不足以持续抑制细菌再生，微生物风险便会卷土重来。那么，我们能否为每一批进入水厂的原水，都精确计算出那个既能杀灭细菌、又能最大程度减少副产物的“黄金氯量”呢？

长期以来，这个问题的答案很大程度上依赖水厂师傅的“手感”或固定的投加公式。然而，水源水质是动态变化的——一场暴雨、一次藻类爆发，甚至季节更替，都会让水中的有机物含量大幅波动。固定的加氯策略要么导致余氯不足（有细菌再生风险），要么导致副产物超标。传统的实验室检测虽然精确，但耗时长，等拿到结果，水可能早已流出水厂。因此，研究者们一直在探索：能否利用历史数据，训练一个“水质侦探”，根据当前水质的实时特征，提前预测并推荐最优的加氯量？

这正是中国研究人员发表在《自然·水》上的一项研究试图解决的问题。他们开发了一套名为DISoptimizer的智能优化框架，其核心思路是：不再依赖单一公式，而是让机器学习模型从海量实验数据中，自行“领悟”水质指标、加氯量与最终余氯和副产物生成之间的复杂非线性关系。研究者们首先建立了一个庞大的数据库，他们从中国14个省市的25座自来水厂，跨越不同季节收集了数百份真实水样，并通过标准化的实验室氯化实验，模拟了水在管道中长达24小时的输配过程，最终获得了1000组包含水质参数、加氯量、剩余氯和THMs浓度的有效数据点。这个数据集涵盖了pH值、溶解性有机碳（即水中有机物的总含量，代表副产物生成的“原料”总量）、UV₂₅₄（一种衡量水中芳香族有机物多少的指标，这类有机物是生成THMs的主要前体物）、溴离子（会影响副产物的种类和毒性）以及荧光光谱中不同区域（用以区分不同类型有机物）等十余种特征。

有了这些数据，研究者便训练了多种机器学习模型。打个比方，这就像是在教一群“学徒”（不同的算法），让他们根据过往的“案例”（历史数据），去预测在新的水质条件下，投入一定量的氯后，24小时末还能剩多少余氯（这代表消毒的持久性），以及会产生多少THMs。经过反复比较和筛选，一个名为CatBoost的“学徒”表现最为出色。这里的“准确度”用了一个统计学指标R²来衡量——你可以把它理解为模型对实验结果变化的解释能力：R²越接近1，说明预测值与实际值越吻合。CatBoost对余氯消耗预测的R²达到了0.96，对THMs生成的预测也超过了0.94。这相当于一个学生拿到试卷后能答对九成以上的题目，准确度相当高。

但精准预测只是第一步，真正的挑战在于如何做决策。研究者巧妙地将预测模型嵌入了一个多目标优化框架中。他们设计了一个“评分系统”来寻找最优解：一方面，系统希望THMs生成量越低越好；另一方面，它又必须确保24小时后的余氯不低于安全阈值（研究中设为0.3 mg/L），甚至最好能维持在一个更理想的“舒适区”（如0.8 mg/L）。这两个目标往往是冲突的，就像踩油门和踩刹车。为此，他们引入了两个关键旋钮：一个是自适应校准系数（λ），它像一位经验丰富的平衡大师，根据不同水质的“脾气”（即副产物生成潜力），自动将两个目标的“分差”调整到可比范围；另一个是权重因子（α），这是一个可由水厂管理者主动调节的“偏好开关”。如果近期水源特别优质稳定，可以把α调低，让系统优先压制副产物；如果恰逢雨季，水质波动大，就把α调高，让系统优先保障余氯充足，确保绝对微生物安全，哪怕这会使副产物略有上升。

这套框架在实际模拟中表现如何？答案是令人振奋的。在计算机模拟中，面对不同的水质条件，DISoptimizer总能“见招拆招”。与传统的固定投氯策略（比如无论水质如何都投加相同剂量）相比，DISoptimizer能在始终保持余氯达标的前提下，将THMs的生成量平均降低5%至35%。这个数字在部分水质波动大的模拟场景中优势更为明显。为了进行更严格的检验，研究者还用来自另外3座水厂的20个全新水样进行了外部验证。结果显示，即便面对从未“见过”的水质，DISoptimizer推荐的加氯方案，在绝大多数样本中依然优于固定投加策略。

这里有一个值得深究的细节：在20个外部验证样本中，有两个样本在固定投加策略（统一投加4 mg/L氯）下测得的THMs生成量，竟然比DISoptimizer优化后的方案还要低。乍看之下，这似乎是对固定策略有利的证据。但研究人员仔细核查数据后发现，这两个样本恰好是水质耗氯最厉害的——固定投加的4 mg/L氯在24小时后几乎被消耗殆尽，余氯分别仅剩0.08和0.11 mg/L，远低于安全阈值。之所以THMs“更低”，并非因为固定策略更优，而是因为氯已经快没了，生成副产物的反应也基本停止了。相比之下，DISoptimizer在同样两个样本中分别建议了5.2和5.6 mg/L的氯投加量，虽然THMs略有上升，但24小时后余氯稳稳地维持在0.4～0.5 mg/L的安全区间内，保证了持续的消毒能力。这个对比恰恰说明，单纯比较副产物浓度而不看余氯状况，会得出完全错误的结论——牺牲微生物安全换来的化学指标“改善”，在供水实践中是不可接受的。

当然，这项研究也并非完美无缺。首先，其模型是基于实验室模拟的静态实验数据训练的，而真实供水管网中还存在管道材质、水流速度、生物膜等复杂因素，这些都会影响氯的消耗，模型对这些现实因素的捕捉尚不充分。其次，虽然外部验证结果积极，但样本量依然有限，模型在更广泛、更多元的水质场景下的稳健性，还需要通过长期的实际运行数据来进一步检验和校准。这也正是研究者们指出的未来方向——将这套框架部署到实际水厂，并利用水厂自身的长期监测数据对其进行“再训练”，使其成为一个越用越聪明的自适应系统。

这项研究的价值，并非提供一个固定的答案，而是开创了一种解题的新范式。它展示了一种可能性：在面对水安全与化学风险的微妙平衡时，我们或许可以借助数据智能，将过往依赖经验的艺术，逐步转变为一项有据可依、可调可控的科学决策过程。它为自来水厂提供了一份动态的“水质配方”，让我们向“为每一滴水量身定制消毒方案”的终极目标，又迈进了一步。

原文链接：https://www.nature.com/articles/s44221-026-00702-0

来源：生态环境科学，仅供分享交流不做商业使用，如有侵权，请联系删除。

排版：李滨妤

审核：孙丽华

由于微信修改了推送规则，没有经常点“推荐”的，会慢慢收不到推送。如果你还想看到我们发布的权威信息，请将“净水技术”加为星标，每次看完后不忘点下“推荐”和“赞”。

欢迎广大水务企业加盟合作