在我国小城镇污水处理领域，采用生态组合塘（ECPs）的城市污水处理厂正面临着进水水质波动下运行参数动态调整难题。为满足严格的总氮（TN）排放标准，往往过度曝气和过量投加外碳源，导致能耗和碳排放量居高不下。

近期，环境科学与工程系李洪静课题组在Water Research期刊上发表了题为“Machine Learning-Based Optimization of Enhanced Nitrogen Removal in a Full-Scale Urban Wastewater Treatment Plant with Ecological Combination Ponds”的research article。该文章通过可解释的机器学习方法，为采用ECPs的城市污水处理厂构建了脱氮优化模型，在实现强化脱氮的同时，兼顾了节能降耗与碳减排目标。相关成果为污水处理行业绿色低碳发展提供了重要技术路径。

图3. (a) XGBoost模型预测出水总氮的特征参数重要性排序；(b) XGBoost模型的SHAP重要性分析；(c)5区溶解氧 (DO)的偏依赖图；(d)7区溶解氧 (DO)的偏依赖图；(e)6区化学需氧量 (COD)的偏依赖图；(f)7区化学需氧量 (COD)的偏依赖图。

研究团队收集了浙江省某采用ECPs城市污水处理厂连续三年的运行数据，通过可解释机器学习方法对出水总氮浓度进行预测并优化。XGBoost模型的训练集和测试集R²分别达0.997和0.911，RMSE分别为0.196和1.283。通过SHAP分析与偏依赖图解析，确定提升脱氮效能兼顾能耗与COD投加量同时降低的最优运行参数，并开发友好型图形用户界面，实现工艺运行参数的实时预测和协同优化，同步降低出水TN、能耗和外碳源使用量。运行参数优化后，出水TN浓度年均降低17.50%，同时COD投加量年均减少33.29%。采用ECPs的污水处理厂展现出显著的碳减排潜力，仅通过强化脱氮、降低能耗与外碳源投加，年碳减排量可达788.40吨CO₂。

图6. 基于机器学习模型的强化脱氮、节能及COD投加量优化的应用：（a）机器学习模型的应用指导与参数优化；（b）运行参数优化前后一年内出水总氮（TN）浓度变化。

这项研究不仅为采用ECPs的污水处理厂在进水水质波动条件下的强化脱氮提供了最优模型，也为污水处理行业实现节能降耗和提质增效目标提供了创新思路。未来，团队将进一步探索机器学习模型在不同污水处理厂的适应性，结合微生物群落多样性等数据提升模型的普适性，并推动技术的规模化应用。

论文的第一作者是环境系博士生贠金虎，通讯作者为李洪静副教授。本工作得到了国家重点研发计划项目（2024YFA0918901）、国家自然科学基金面上项目（22276039）和上海市自然科学基金面上项目（22ZR1405400）的资助。

成果发表于国际知名期刊《Water Research》，论文链接：https://doi.org/10.1016/j.watres.2025.123976

供稿：李洪静课题组

审核：张立武