面向正向渗透通量的混合物理-机器学习模型：完整不确定性量化
机器学习
2025-12-12 v1 机器学习
摘要
正向渗透 (FO) 是一种具有前景的低能膜分离技术，但由于复杂的内部质量传递现象， accurately modeling 其水通量 (Jw) 仍面临挑战。传统的机械模型在应力参数的可变性方面不堪一击，而纯数据驱动模型缺乏物理一致性和严格的不确定性量化 (UQ)。本研究引入一种新型稳健混合物理-机器学习框架，采用高斯过程回归 (GPR) 实现高度准确、具备不确定性感知的 Jw 预测。其核心创新在于对详细的非线性 FO 物理模型预测值 (Jw_physical) 与实验水通量 (Jw_actual) 之间的残差进行 GPR 训练。关键在于，我们通过对总体预测方差 (sigma2_total) 进行分解，其中包括来自 GPR后验方差的模型不确定性 (epistemic) 和通过 Delta 方法对多变量相关输入的 aleatoric 不确定性的解析传递。凭借 GPR 在小数据场景中的优势，该模型在仅 120 条数据点的训练下，在独立测试数据上实现了 0.26% 的均方绝对百分误差 (MAPE) 和 0.999 的 R2，验证了一个真正稳健可靠的 FO 过程优化和数字孪生体开发的可靠替代模型。
关键词
引用
@article{arxiv.2512.10457,
title = {Hybrid Physics-ML Model for Forward Osmosis Flux with Complete Uncertainty Quantification},
author = {Shiv Ratn and Shivang Rampriyan and Bahni Ray},
journal= {arXiv preprint arXiv:2512.10457},
year = {2025}
}
备注
12 pages, 6 figures