⚡ electrical engineering

A Visual Guided Physics Informed Neural Networks Framework for Real Time Coagulant Dose Optimization in Water Treatment Plants

本研究提出了一种实时感知与视觉信息引导的物理信息神经网络（RTS-VG PINNs）框架，该框架将深度视觉感知与控制物理定律相结合，旨在克服传统指标固有的延迟，从而实现水处理厂中混凝剂投加量的稳健实时优化。

原作者： Galang Adira Prayoga, Emir Husni, Reza Darmakusuma, Herto Dwi Ariesyady

发布于 2026-07-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Galang Adira Prayoga, Emir Husni, Reza Darmakusuma, Herto Dwi Ariesyady

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是使用简单语言和日常类比对该研究论文进行的解释。

问题所在：等待水变清的过程

想象一下，你正试图通过添加一种特殊的粉末（混凝剂）来让浑浊的水变清。这种粉末能让污泥聚集成团并沉降到水底。在水处理厂中，操作员通常必须等待污泥沉到底部、上方水质看起来变清之后，才能知道添加的粉末量是否正确。

论文将这种现象称为**“时间滞后”**。这就像是通过观察船只身后留下的航迹来驾驶一艘巨轮，而不是观察前方的水流。当你看到水依然浑浊时，你已经浪费了时间和化学药剂。传统的传感器（如浊度计）只能告诉你污泥沉降之后发生了什么，而不能告诉你混合池内此时此刻正在发生什么。

解决方案：赋予计算机“眼睛”和“常识”

研究人员创建了一个名为 RTS-VG PINNs 的新系统。你可以把这个系统看作是一个拥有两种超能力的智能助手：

超级视觉（“眼睛”）： 系统不再只是等待水变清，而是利用高速摄像机实时观察泥团（絮凝体）的形成过程。它利用先进的人工智能（具体为 ResNet-50 和 YOLOv8，它们就像是非常敏锐的侦探）来捕捉泥团在沉降之前发生的细微变化。它仅通过观察视频，就能分辨出是“刚刚开始聚团”、“聚团紧密”还是“正在沉降”。
物理常识（“大脑”）： 该系统不仅仅是根据图像进行猜测，它还了解物理定律。它被编程加入了控制污泥沉降的数学规则（Kynch 沉降方程）以及颗粒粘附的规律（Langmuir–Smoluchowski 动力学）。

工作原理：“混合”方法

研究人员将这两种力量结合成一个框架：

视觉引导： 摄像机观察泥团。如果 AI 看到泥团变得更大、更密，它就会告诉系统：“嘿，沉降速度正在增加！”这让系统在水真正变清之前就得到了“预警”。
物理校验： 系统获取这一视觉线索，并将其带入“物理定律”中运行，以确保预测符合逻辑。这就像一位厨师在品尝汤的味道（数据）时，同时也了解食谱（物理），因此不会仅仅因为汤看起来咸了就过量加盐。
结果： 系统计算出当前添加多少粉末是最完美的，从而实现最佳效果，而不是对五分钟前发生的事情做出反应。

实验过程：训练 AI

为了教导这个系统，研究人员设计了一个实验室实验：

他们使用了不同类型的水（包括天然水和人工合成的黏土水）。
他们添加了不同剂量的粉末（从极少量到大量不等）。
他们使用高速摄像机拍摄了整个过程，并使用传感器测量了水质。
他们教会了 AI 识别四个阶段：分散（泥团散乱）、聚合（泥团开始粘连）、致密化（泥团变重）和沉降（泥团下沉）。

实验结果：为什么它更好

研究人员将这个新系统与标准的计算机模型（如仅观察数字而没有“视觉”或物理知识的随机森林或支持向量机）进行了对比测试。

准确性： 新系统在预测最佳粉末用量方面更加准确。它的得分更高（R² = 0.498）。
处理噪声的能力： 现实世界的数据是杂乱的（比如相机抖动或传感器脏污）。由于物理定律起到了安全网的作用，新系统能更好地忽略这些“噪声”并找到真实的信号。
看见“不可见”之处： 系统可以“看到”水箱内部，并绘制出泥团密集和稀薄的区域分布，尽管水箱内部并没有实际安装传感器。它仅凭摄像机和数学运算，就重建了泥团在三维空间中的运动轨迹。

核心结论

这篇论文声称，通过赋予计算机观察泥团聚拢的**“眼睛”和理解其运动方式的“常识（物理）”，我们可以实现水处理的实时优化**。它让系统不再是对过去做出反应，而是能够预测未来，从而在让水变清得更快的同时，节省时间和化学药剂。

注：关于局限性： 论文承认这是在小型实验室环境下进行的测试。虽然“小船”类比在小水桶里很有效，但研究人员指出，要将其扩展到面临改变光照或天气等现实问题的巨大工业水箱中，仍是未来的挑战。他们还提到，虽然他们的“沉降速度”变量表现良好，但可能还有其他隐藏在泥团中的因素需要在未来进行研究。

技术摘要：一种用于水处理厂实时混凝剂投加优化的视觉引导物理信息神经网络框架

1. 问题陈述

混凝是水处理中降低浊度和颜色的关键单元工艺，然而优化混凝剂投加量仍具有挑战性，因为其中涉及复杂的、非线性的物理化学相互作用。传统的控制策略依赖于实时浊度测量或絮凝度（DF）作为过程指标。然而，作者指出一个根本性的局限性：这些指标代表了颗粒聚集和沉降的宏观结果，表现出固有的物理延迟。由于在厚实沉淀池底部发生的改变需要时间才能向上传播到上清液层，因此浊度和絮凝度测量提供的是反应性的、滞后的反馈，而非对演变中的絮凝动力学的实时洞察。这种时间上的不匹配限制了传统的控制策略，导致化学品使用效率低下并降低了运行效率。此外，纯数据驱动的机器学习模型往往缺乏物理可解释性，并且在面对稀疏、噪声或分布外数据时泛化能力较差。

2. 研究方法

本研究提出了一种**实时感知与视觉信息引导的物理信息神经网络（RTS-VG PINNs）**框架。这种混合架构将实时传感器数据、深度视觉感知和控制物理定律集成到一个统一的学习系统中。该方法通过三个阶段进行：

A. 实验数据采集

实验使用具有不同初始条件（pH、温度、电导率、Zeta电位）的天然水（PDAM）和人工水（高岭土基）样本进行。混凝剂剂量（聚合氯化铝 - PAC）在 12 至 120 mg/L 之间进行系统性变化。

传感器： 监测实时浊度、pH 和电导率。
视觉系统： 高分辨率相机（Canon 250D, 60 fps）捕捉快速混合、慢速混合和沉降阶段絮凝结构的随时间演变的图像序列。
数据集： 将图像序列分为四个絮凝演变阶段（分散、初始聚集、生长/致密化以及沉降），用于训练深度学习模型。

B. 视觉特征提取（“视觉引导”）

采用了两种互补的卷积神经网络（CNN）架构来从图像序列中提取特征：

ResNet-50： 作为两阶段检测器，用于高灵敏度特征提取，以捕捉絮凝形态和密度的细微变化。
YOLOv8： 作为单阶段检测器，用于实时检测和跟踪絮凝演变。
这些模型对絮凝密度进行分类，并将视觉特征映射为随时间变化的有效沉降速度 $v_0(t)$ 。该速度作为一个动态参数，将原始视觉观测与物理模型联系起来。

C. 物理信息神经网络（PINN）架构

该框架的核心由两个耦合问题组成：

直接问题（前向建模）：
- 模型求解 Kynch 沉降偏微分方程（PDE），以重建时空絮凝密度分布 $\phi(t, z)$ 。
- 从 CNN 视觉特征中推断出的随时间变化的速度 $v_0(t)$ 调节该 PDE。
- 损失函数 ( $\mathcal{L}_{Total}$ ) 结合了数据保真度（匹配实验观测）、物理约束（最小化 PDE 残差）、初始条件和边界条件（表面的无通量条件）。
逆问题（投加量优化）：
- 模型通过学习操作变量（pH、温度、初始浊度等）与过程结果之间的逆关系，来估计最佳混凝剂剂量 ( $D$ )。
- 通过 Langmuir 吸附动力学（模拟 Zeta 电位演变）和 Smoluchowski 混凝动力学（通过聚集和破碎率模拟浊度演变）嵌入物理约束。
- 该框架通过平衡聚集和破碎机制来求解最佳投加量。

3. 核心贡献

视觉感知与物理的集成： 本文引入了一种新颖的机制，即通过深度学习提取的视觉特征（絮凝密度/结构）动态地为物理沉降模型（ $v_0(t)$ ）提供参数，有效地利用视觉信息作为领先指标来克服传感器滞后。
混合学习架构： RTS-VG PINNs 框架成功地将高维视觉数据与第一性原理物理定律（Kynch 沉降、Langmuir-Smoluchowski 动力学）统一起来，创建了一个物理一致的学习架构。
不确定性下的逆向预测： 研究表明，逆向 PINN 不仅能确定性地估计最佳混凝剂剂量，还能通过蒙特卡洛 Dropout 进行不确定性量化，从而增强了在面对噪声工业数据时的鲁棒性。
潜在状态的重建： 该框架能够重建无法通过直接测量获得的内部系统状态（絮凝密度分布 $\phi(t, z)$ ），从而提供对过程动力学的更深层次理解。

4. 实验结果

视觉分类： ResNet-50 和 YOLOv8 在分类絮凝演变阶段方面均表现出极高的准确性。视觉模型能够比浊度传感器更早地识别界面到达时间 ( $t_s$ ) 和絮凝密度转变。
直接求解性能： PINN 成功重建了时空絮凝密度场，且 PDE 残差较低（数量级为 $10^{-3}$ ），证实了模型遵循质量守恒和沉降动力学。预测的内部浓度场显示出物理一致的分层模式。
逆向求解性能： 在估计最佳混凝剂剂量方面，RTS-VG PINNs 框架优于传统的机器学习模型（随机森林、梯度提升、SVM 和 MLP）。
- PINN 实现了 0.498 的决定系数 ( $R^2$ )，超过了随机森林 (0.484)、梯度提升 (0.434)、SVM (0.285) 和 MLP (0.063)。
- 模型有效地捕捉了非线性趋势，例如由于过量投加（电荷反转）导致的浊度先下降后上升的现象，而数据驱动模型往往无法准确表示这一过程。
鲁棒性： 引入蒙特卡洛 Dropout 使模型能够提供基于不确定性的预测，即使在受限或有噪声的数据集上也能保持物理一致性。

5. 重要性与声明

作者声称，通过解决关键的测量滞后问题，RTS-VG PINNs 框架代表了智能化水处理控制领域的重大进展。通过利用视觉信息作为早期絮凝动力学的代理，该框架能够实现主动而非反应式的控制策略。

研究强调，将物理定律（控制方程）嵌入学习过程显著提高了模型的解释性和泛化能力，特别是在数据稀疏或存在噪声的情况下。该框架被呈现为一个稳健的工具，用于实时混凝剂投加优化，能够推断内部过程状态并提供纯数据驱动方法无法实现的具有物理意义的预测。

作者对当前的研究范围持谨慎态度，承认该研究局限于实验室规模以及简化的一维 Kynch PDE。他们指出，未来的工作需要将该框架扩展到试点规模的工业沉淀池，并整合更复杂的物理模型（如 CFD）以捕捉多维流体动力学。