华东理工大学团队在 Water Research 2026 年 291 期发表《 Data-augmented machine learning improves water treatment design: 
Precise prediction of PPCPs reaction with reactive radicals 》，提出 VAE-ML 数据增强框架。通过变分自编码器（VAE）将 28 条 PPCPs 与 CO₂・⁻反应动力学数据扩展，使训练集从 22 条增至 122 条。最优 VAE-ANN 模型测试集R²=0.88，较基线模型提升 0.15-0.29，且成功泛化至・OH 主导的 AOPs。结合 SHAP 揭示电子转移主导机理，为水处理工艺优化提供精准、可解释的 AI 方案。

高级氧化 / 还原技术（AOPs/ARPs）是 wastewater 中有机污染物的 “强效降解剂”，但自由基与污染物的反应动力学数据稀缺，导致机器学习模型易过拟合、泛化能力差。华东理工大学团队在《Water Research》发表研究，创新性引入变分自编码器（VAE）进行数据增强，构建 “VAE-ML” 框架，不仅将反应速率常数预测精度大幅提升，还通过 SHAP 揭示分子机理，为水处理工艺优化提供精准解决方案。

  一、水处理 AI 的 “卡脖子” 难题：数据稀缺制约研发

在水处理中，精准预测污染物（如药物与个人护理品 PPCPs）与自由基（如 CO₂・⁻、・OH）的反应速率常数（k），是优化降解效率的核心。但实际应用中面临两大关键障碍：

数据获取成本极高：通过纳秒激光闪光光解（LFP）实验测定反应速率常数，流程复杂、耗时费力，本研究仅获取 28 条有效数据（23 条实验测定 + 5 条文献补充）；

模型性能受限：小样本下，深度学习与集成模型易过拟合，线性模型虽相对稳定但预测精度不足，且难以捕捉分子间复杂的非线性关系，无法深入解释反应机理。

图1 28种 PPCPs 与 CO₂・⁻反应速率常数分布及特征相关性热图

  二、VAE 的 “数据魔法”：小样本变身大数据

VAE 作为生成式模型，通过 “编码器 - 解码器” 架构，从少量真实数据中学习分布规律，生成可信的合成数据，完美破解小样本困境：

图2 VAE-ML水处理预测框架全流程

2.1 VAE 核心原理与关键公式

VAE 的核心是通过编码将高维分子描述符映射到低维潜在空间，再解码生成新数据，其训练依赖关键公式支撑：

证据下界（ELBO）损失函数：平衡数据重构精度与潜在空间的平滑性，确保生成数据贴合真实分布

其中q_ϕ(z|x)是编码器的变分分布，p_θ(x|z)是解码器的生成分布，D_KL为 KL 散度，避免生成数据偏离真实分布。

潜在空间重参数化：通过随机采样生成多样化合成数据

μ和σ是编码器输出的均值与标准差，ϵ为标准正态分布的随机噪声，保证生成数据的多样性与合理性。

2.2 数据增强全流程

分子描述符构建：通过 Gaussian、Multiwfn 等工具，计算结构、量子化学等 93 个初始特征，经 Lasso 回归筛选出 18 个关键描述符；

VAE 训练生成：以 22 条训练数据（80% 总数据）为基础，训练 VAE 生成 100 条合成数据，使训练集扩展至 122 条；

分布验证：核密度估计（KDE）验证显示，合成数据与真实数据分布高度一致，峰值偏差仅 5%，确保数据有效性。

  三、模型性能飙升：从线性到非线性的跨越

3.1 预测精度大幅提升

模型性能评估依赖两大核心指标：

其中y_pⁱ、y_tⁱ、y_m分别为预测值、真实值与均值，N 为样本数。实验结果显示：

图3 VAE-ANN模型预测性能及各模型精度对比

基线模型：小样本下线性模型（ElasticNet）表现最佳，R2=0.86，非线性模型（ANN、RNN 等）因过拟合性能较差；

VAE 增强后：所有模型性能显著提升，VAE-ANN 模型表现最优，测试集R²=0.88、RMSE=0.21，较基线模型R²提升 0.15-0.29；

泛化验证：将框架扩展至・OH 主导的 AOPs，同样大幅提升预测精度，证明其通用性。

3.2 机理清晰可解释

图4 VAE-ANN模型特征重要性及部分依赖关系图

通过 SHAP 分析与部分依赖图（PDP），揭示反应核心影响因子：

关键分子特征：HOMO-LUMO 能隙（EGAP）、分子硬度（S）、表面静电势（ESPposper）等是决定反应速率的核心；

反应机制：电子转移主导污染物降解，低EGAP、低分子硬度、强局部富电子中心的 PPCPs，反应速率更高，为工艺优化提供定量指导。

  四、应用价值：水处理工艺优化的 “智能指南”

该框架的落地将为水处理行业带来实际变革：

降低实验成本：减少昂贵的 LFP 实验需求，通过 AI 生成数据辅助模型训练，大幅降低研发成本；

优化工艺参数：精准预测不同污染物的降解速率，指导自由基生成剂用量、反应条件调控，提升处理效率；

拓展应用场景：可推广至各类有机污染物的降解预测，适配 AOPs/ARPs 等不同水处理工艺。

  五、总结：数据增强 + AI，解锁水处理新可能

VAE-ML 框架的核心价值，在于用生成式 AI 突破小样本限制，既提升了预测精度，又实现了机理可解释性。其 88% 的测试集R2、0.15-0.29 的精度提升，为环境科学中 “数据稀缺” 问题提供了通用解决方案。未来，该框架有望广泛应用于各类水处理场景，让 AI 更高效地助力污染治理，守护水资源清洁。

 

---

文章链接：https://doi.org/10.1016/j.watres.2025.125259

华东理工大学团队在 Water Research 2026 年 291 期发表《 Data-augmented machine learning improves water treatment design: 
Precise prediction of PPCPs reaction with reactive radicals 》，提出 VAE-ML 数据增强框架。通过变分自编码器（VAE）将 28 条 PPCPs 与 CO₂・⁻反应动力学数据扩展，使训练集从 22 条增至 122 条。最优 VAE-ANN 模型测试集R²=0.88，较基线模型提升 0.15-0.29，且成功泛化至・OH 主导的 AOPs。结合 SHAP 揭示电子转移主导机理，为水处理工艺优化提供精准、可解释的 AI 方案。

高级氧化 / 还原技术（AOPs/ARPs）是 wastewater 中有机污染物的 “强效降解剂”，但自由基与污染物的反应动力学数据稀缺，导致机器学习模型易过拟合、泛化能力差。华东理工大学团队在《Water Research》发表研究，创新性引入变分自编码器（VAE）进行数据增强，构建 “VAE-ML” 框架，不仅将反应速率常数预测精度大幅提升，还通过 SHAP 揭示分子机理，为水处理工艺优化提供精准解决方案。

  一、水处理 AI 的 “卡脖子” 难题：数据稀缺制约研发

在水处理中，精准预测污染物（如药物与个人护理品 PPCPs）与自由基（如 CO₂・⁻、・OH）的反应速率常数（k），是优化降解效率的核心。但实际应用中面临两大关键障碍：

数据获取成本极高：通过纳秒激光闪光光解（LFP）实验测定反应速率常数，流程复杂、耗时费力，本研究仅获取 28 条有效数据（23 条实验测定 + 5 条文献补充）；

模型性能受限：小样本下，深度学习与集成模型易过拟合，线性模型虽相对稳定但预测精度不足，且难以捕捉分子间复杂的非线性关系，无法深入解释反应机理。

图1 28种 PPCPs 与 CO₂・⁻反应速率常数分布及特征相关性热图

  二、VAE 的 “数据魔法”：小样本变身大数据

VAE 作为生成式模型，通过 “编码器 - 解码器” 架构，从少量真实数据中学习分布规律，生成可信的合成数据，完美破解小样本困境：

图2 VAE-ML水处理预测框架全流程

2.1 VAE 核心原理与关键公式

VAE 的核心是通过编码将高维分子描述符映射到低维潜在空间，再解码生成新数据，其训练依赖关键公式支撑：

证据下界（ELBO）损失函数：平衡数据重构精度与潜在空间的平滑性，确保生成数据贴合真实分布

其中q_ϕ(z|x)是编码器的变分分布，p_θ(x|z)是解码器的生成分布，D_KL为 KL 散度，避免生成数据偏离真实分布。

潜在空间重参数化：通过随机采样生成多样化合成数据

μ和σ是编码器输出的均值与标准差，ϵ为标准正态分布的随机噪声，保证生成数据的多样性与合理性。

2.2 数据增强全流程

分子描述符构建：通过 Gaussian、Multiwfn 等工具，计算结构、量子化学等 93 个初始特征，经 Lasso 回归筛选出 18 个关键描述符；

VAE 训练生成：以 22 条训练数据（80% 总数据）为基础，训练 VAE 生成 100 条合成数据，使训练集扩展至 122 条；

分布验证：核密度估计（KDE）验证显示，合成数据与真实数据分布高度一致，峰值偏差仅 5%，确保数据有效性。

  三、模型性能飙升：从线性到非线性的跨越

3.1 预测精度大幅提升

模型性能评估依赖两大核心指标：

其中y_pⁱ、y_tⁱ、y_m分别为预测值、真实值与均值，N 为样本数。实验结果显示：

图3 VAE-ANN模型预测性能及各模型精度对比

基线模型：小样本下线性模型（ElasticNet）表现最佳，R2=0.86，非线性模型（ANN、RNN 等）因过拟合性能较差；

VAE 增强后：所有模型性能显著提升，VAE-ANN 模型表现最优，测试集R²=0.88、RMSE=0.21，较基线模型R²提升 0.15-0.29；

泛化验证：将框架扩展至・OH 主导的 AOPs，同样大幅提升预测精度，证明其通用性。

3.2 机理清晰可解释

图4 VAE-ANN模型特征重要性及部分依赖关系图

通过 SHAP 分析与部分依赖图（PDP），揭示反应核心影响因子：

关键分子特征：HOMO-LUMO 能隙（EGAP）、分子硬度（S）、表面静电势（ESPposper）等是决定反应速率的核心；

反应机制：电子转移主导污染物降解，低EGAP、低分子硬度、强局部富电子中心的 PPCPs，反应速率更高，为工艺优化提供定量指导。

  四、应用价值：水处理工艺优化的 “智能指南”

该框架的落地将为水处理行业带来实际变革：

降低实验成本：减少昂贵的 LFP 实验需求，通过 AI 生成数据辅助模型训练，大幅降低研发成本；

优化工艺参数：精准预测不同污染物的降解速率，指导自由基生成剂用量、反应条件调控，提升处理效率；

拓展应用场景：可推广至各类有机污染物的降解预测，适配 AOPs/ARPs 等不同水处理工艺。

  五、总结：数据增强 + AI，解锁水处理新可能

VAE-ML 框架的核心价值，在于用生成式 AI 突破小样本限制，既提升了预测精度，又实现了机理可解释性。其 88% 的测试集R2、0.15-0.29 的精度提升，为环境科学中 “数据稀缺” 问题提供了通用解决方案。未来，该框架有望广泛应用于各类水处理场景，让 AI 更高效地助力污染治理，守护水资源清洁。

 

---

文章链接：https://doi.org/10.1016/j.watres.2025.125259