融合自适应证据的深度学习框架预测PFAS环境迁移性质

doi:10.11949/0438-1157.20251172

化工学报

• •

融合自适应证据的深度学习框架预测PFAS环境迁移性质

吕笑云¹(), 姜骉麟¹(), 袁果¹, 贝怀诚¹, 王洁¹, 孙鹏豪¹, 宋先雨¹(), 周楚翔²(), 赵双良³

^1.重庆三峡学院环境与化学工程学院，重庆 404020
^2.川庆钻探工程有限公司钻采工程技术研究院油气田应用化学四川省重点实验室，四川广汉618300
^3.广西大学化学化工学院，广西石化资源加工与过程强化技术重点实验室，广西南宁 530004

收稿日期:2025-10-21 修回日期:2025-12-18 出版日期:2025-12-19
通讯作者: 姜骉麟,宋先雨,周楚翔
作者简介:吕笑云（1999—），女，研究生，xyl7177@163.com
基金资助:
国家自然科学基金项目(22478045);国家自然科学基金项目(22178072);重庆市自然科学基金项目(CSTB2024NSCQ-QCXMX0099);重庆市自然科学基金项目(CSTB2025NSCQ-LZX0099);重庆市教育委员会科技项目(KJZD-K202301202)

Adaptive evidential deep learning framework for predicting PFAS environmental transport properties

Xiaoyun LV¹(), Biaolin JIANG¹(), Guo YUAN¹, Huaicheng BEI¹, Jie WANG¹, Penghao SUN¹, Xianyu SONG¹(), Chuxiang ZHOU²(), Shuangliang ZHAO³

^1.School of Environmental and Chemical Engineering, Chongqing Three Gorges University, Chongqing 404020, China
^2.Oil & Gas Field Applied Chemistry Key Laboratory of Sichuan Province, CCDC Drilling & Production Technology Research Institute, Guanghan 618300, Sichuan, China
^3.Guangxi Key Laboratory of Petrochemical Resource Processing and Process Intensification Technology, School of Chemistry and Chemical Engineering, Guangxi University, Nanning 530004, Guangxi, China

Received:2025-10-21 Revised:2025-12-18 Online:2025-12-19
Contact: Biaolin JIANG, Xianyu SONG, Chuxiang ZHOU

摘要/Abstract

摘要：

污染物在多介质体系中的迁移与转化研究直接关系到环境评估与污染控制技术的有效性。然而，传统方法受限于数据稀缺和不确定性量化，难以应对复杂污染物的预测挑战。本研究开发了一种自适应证据深度学习模型，用于预测新型污染物全氟和多氟烷基物质（PFAS， per- and polyfluoroalkyl substances）的环境迁移行为关键性质。该模型整合证据深度学习框架、分子表示学习与自适应机制，采用改进的自适应证据损失函数（正则化系数0.2）训练。实验结果表明，该模型能够高精度预测五个关键环境迁移性质（R²>0.95）：空气-水分配系数（log K_AW）、辛醇-空气分配系数（log K_OA）、有机碳-水分配系数（log K_OC）、辛醇-水分配系数（log K_OW）以及水溶解度（log S_W）。基准对比显示，证据深度学习方法全面优于传统Dropout和Ensemble方法，在高数据稀疏度（Ratio>0.8）下性能优势超50%。模型在独立测试集上保持稳定性能，能准确识别高不确定性区域，为PFAS环境迁移性质预测和污染防控提供了可靠工具。

关键词: 预测, 污染, 扩散, 深度学习, 全氟和多氟烷基物质

Abstract:

The study of pollutant transport and transformation in multi-phase environmental systems is directly relevant to the effectiveness of ecological risk assessment and pollution control technologies. However, traditional approaches are limited by data scarcity and challenges in quantifying uncertainties, making the accurate prediction of complex pollutants difficult. In this study, an adaptive evidential deep learning model was developed to predict the environmental transport behavior of emerging pollutants, specifically per- and polyfluoroalkyl substances (PFAS). The proposed model strategically integrates an evidential deep learning framework with advanced molecular representation learning and adaptive mechanisms, employing an improved adaptive evidential loss function with a regularization coefficient of 0.2 for model training and optimization. Experimental results demonstrate that the model achieves high-precision predictions for five critical environmental partition coefficients, including logK_AW (air-water partition coefficient), logK_OA (octanol-air partition coefficient), logK_OC (organic carbon-water partition coefficient), logK_OW (octanol-water partition coefficient), and logS_W (water solubility), with coefficient of determination (R²) values exceeding 0.95 across all endpoints. Benchmark comparisons demonstrate that the evidence-based deep learning framework consistently outperforms conventional Dropout and Ensemble approaches, exhibiting over a 50% performance advantage under high data sparsity (Ratio > 0.8). The model maintains robust performance on the independent test set and accurately identifies regions of high uncertainty, providing a reliable tool for predicting PFAS environmental migration properties and supporting pollution-control strategies.

Key words: prediction, pollution, diffusion, deep learning, per- and polyfluoroalkyl substances

中图分类号:

TQ 028.8

吕笑云, 姜骉麟, 袁果, 贝怀诚, 王洁, 孙鹏豪, 宋先雨, 周楚翔, 赵双良. 融合自适应证据的深度学习框架预测PFAS环境迁移性质[J]. 化工学报, DOI: 10.11949/0438-1157.20251172.

Xiaoyun LV, Biaolin JIANG, Guo YUAN, Huaicheng BEI, Jie WANG, Penghao SUN, Xianyu SONG, Chuxiang ZHOU, Shuangliang ZHAO. Adaptive evidential deep learning framework for predicting PFAS environmental transport properties[J]. CIESC Journal, DOI: 10.11949/0438-1157.20251172.

图/表 7

参考文献 32

[1]	武宇辉, 杨悦锁, 赵传起,等. 水土环境中微生物胞外聚合物对污染物迁移和归宿影响的研究进展[J]. 化工学报, 2018, 69 (8): 3303-3317.
	Wu Y H, Yang Y S, Zhao C Q, et al. A review on effects of extracellular polymeric substances on contaminants fate & transport in soil and water environment[J]. CIESC Journal, 2018, 69 (8): 3303-3317.
[2]	王艺, 陈川, 张子峰,等. 甲基硅氧烷在污水处理厂中的环境行为[J]. 化工学报, 2016, 67(1): 83-88.
	Wang Y, Chen C, Zhang Z F, et al. Environmental behavior of siloxane in wastewater treatment plants[J]. CIESC Journal, 2016, 67(1): 83-88.
[3]	杨悦锁, 王园园, 宋晓明, 等. 土壤和地下水环境中胶体与污染物共迁移研究进展[J]. 化工学报, 2017, 68(1): 23-36.
	Yang Y S, Wang Y Y, Song X M, et al. Co-transport of colloids and facilitated contaminants in subsurface environment[J]. CIESC Journal, 2017, 68(1): 23-36.
[4]	Cousins I T, DeWitt J C, Glüge J, et al. The high persistence of PFAS is sufficient for their management as a chemical class[J]. Environmental Science: Processes & Impacts, 2020, 22(12): 2307-2312.
[5]	Hu J B, Yang X, Song X Y, et al. Elucidating environmental fate and toxicological mechanisms of ultrashort-and short-chain PFAS: Integrating machine learning, molecular modeling, and experimental validation[J]. Journal of Environmental Management, 2025, 390: 126277.
[6]	Hu J B, Yang X, Song X Y, et al. Bioaccumulation mechanisms of perfluoroalkyl substances (PFASs) in aquatic environments: Theoretical and experimental insights[J]. Journal of Hazardous Materials, 2024, 480: 136283.
[7]	Endo S. Intermolecular interactions, solute descriptors, and partition properties of neutral per- and polyfluoroalkyl substances (PFAS)[J]. Environmental Science & Technology, 2023, 57(45): 17534-17541.
[8]	Lampic A, Parnis J M. Property estimation of per- and polyfluoroalkyl substances: a comparative assessment of estimation methods[J]. Environmental Toxicology and Chemistry, 2020, 39(4): 775-786.
[9]	Di Guardo A, Gouin T, MacLeod M, et al. Environmental fate and exposure models: advances and challenges in 21st century chemical risk assessment[J]. Environmental Science: Processes & Impacts, 2018, 20(1): 58-71.
[10]	Tong X N, Mohapatra S, Zhang J J, et al. Source, fate, transport and modelling of selected emerging contaminants in the aquatic environment: Current status and future perspectives[J]. Water Research, 2022, 217: 118418.
[11]	Ateia M, Maroli A, Tharayil N, et al. The overlooked short- and ultrashort-chain poly- and perfluorinated substances: a review[J]. Chemosphere, 2019, 220: 866-882.
[12]	Endo S, Hammer J, Matsuzawa S. Experimental determination of air/water partition coefficients for 21 per- and polyfluoroalkyl substances reveals variable performance of property prediction models[J]. Environmental Science & Technology, 2023, 57(22): 8406-8413.
[13]	Stults J F, Choi Y J, Rockwell C, et al. Predicting concentration- and ionic-strength-dependent air–water interfacial partitioning parameters of PFASs using quantitative structure–property relationships (QSPRs)[J]. Environmental Science & Technology, 2023, 57(13): 5203-5215.
[14]	陈家辉, 杨鑫泽, 陈顾中, 等. 以离子液体密度为例的分子性质预测模型建模方法探讨[J]. 化工学报, 2023, 74(2): 630-641.
	Chen J H, Yang X Z, Chen G Z, et al. A critical discussion on developing molecular property prediction models: density of ionic liquids as example[J]. CIESC Journal, 2023, 74(2): 630-641.
[15]	Raza A, Bardhan S, Xu L H, et al. A machine learning approach for predicting defluorination of per- and polyfluoroalkyl substances (PFAS) for their efficient treatment and removal[J]. Environmental Science & Technology Letters, 2019, 6(10): 624-629.
[16]	Xie J X, Liu S, Su L H, et al. Elucidating per- and polyfluoroalkyl substances (PFASs) soil-water partitioning behavior through explainable machine learning models[J]. Science of the Total Environment, 2024, 954: 176575.
[17]	Amini A, Schwarting W, Soleimany A, et al. Deep evidential regression[EB/OL]. 2020: arXiv: 1910.02600.
[18]	Charpentier B, Zügner D, Günnemann S. Posterior network: uncertainty estimation without OOD samples via density-based pseudo-counts[EB/OL]. 2020: arXiv: 2006.09239.
[19]	陈治宏, 吴佳伟, 楼小玲, 等. 化学品生物制造过程机器学习的研究进展[J]. 化工学报, 2025, 76(8): 3789-3804.
	Chen Z H, Wu J W, Lou X L, et al. Recent advances in machine learning for biomanufacturing of chemicals[J]. CIESC Journal, 2025, 76(8): 3789-3804.
[20]	Mudlaff M, Sosnowska A, Gorb L, et al. Environmental impact of PFAS: Filling data gaps using theoretical quantum chemistry and QSPR modeling[J]. Environment International, 2024, 185: 108568.
[21]	Skinnider M A. Invalid SMILES are beneficial rather than detrimental to chemical language models[J]. Nature Machine Intelligence, 2024, 6(4): 437-448.
[22]	Ha Y J, Lee G S, Yoo M, et al. Feasibility study of multi-site split learning for privacy-preserving medical systems under data imbalance constraints in COVID-19, X-ray, and cholesterol dataset[J]. Scientific Reports, 2022, 12: 1534.
[23]	Nakamura T, Sakaue S, Fujii K, et al. Selecting molecules with diverse structures and properties by maximizing submodular functions of descriptors learned with graph neural networks[J]. Scientific Reports, 2022, 12: 1124.
[24]	Mercado R, Bjerrum E J, Engkvist O. Exploring graph traversal algorithms in graph-based molecular generation[J]. Journal of Chemical Information and Modeling, 2022, 62(9): 2093-2100.
[25]	王芳, 马素霞, 田营, 等. 基于LSTM动态修正一维机理模型的CFB机组NO_x排放浓度预测方法[J]. 化工学报, 2025, 76(7): 3416-3425.
	Wang F, Ma S X, Tian Y, et al. NO _x emission prediction method of CFB unit based on 1D mechanism model dynamicly corrected with LSTM[J]. CIESC Journal, 2025, 76(7): 3416-3425.
[26]	Meinert N, Lavin A. Multivariate deep evidential regression[EB/OL]. 2021: arXiv: 2104.06135.
[27]	Soleimany A P, Amini A, Goldman S, et al. Evidential deep learning for guided molecular property prediction and discovery[J]. ACS Central Science, 2021, 7(8): 1356-1367.
[28]	Guo C, Pleiss G, Sun Y, et al. On calibration of modern neural networks[C]//Proceedings of the 34th International Conference on Machine Learning - Volume 70. August 6 - 11, 2017, Sydney, NSW, Australia. ACM, 2017: 1321-1330.
[29]	任嘉辉, 刘豫, 刘朝, 等. 基于分子指纹和拓扑指数的工质临界温度理论预测[J]. 化工学报, 2022, 73(4): 1493-1500.
	Ren J H, Liu Y, Liu C, et al. Critical temperature prediction of working fluids using molecular fingerprints and topological indices[J]. CIESC Journal, 2022, 73(4): 1493-1500.
[30]	Feinstein J, Sivaraman G, Picel K, et al. Uncertainty-informed deep transfer learning of perfluoroalkyl and polyfluoroalkyl substance toxicity[J]. Journal of Chemical Information and Modeling, 2021, 61(12): 5793-5803.
[31]	Li H, Nan Y, Del Ser J, et al. Region-based evidential deep learning to quantify uncertainty and improve robustness of brain tumor segmentation[J]. Neural Computing and Applications, 2023, 35(30): 22071-22085.
[32]	Kendall A, Gal Y. What uncertainties do we need in Bayesian deep learning for computer vision? [C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. December 4 - 9, 2017, Long Beach, California, USA. ACM, 2017: 5580-5590.

序号	特征名称	说明	重要性（shaply值）
1	氟原子数	分子中氟原子总数	2.39
2	氟化度	氟原子数/重原子数，归一化氟化水平	2.296
3	C-F键数量	碳氟键总数，表征氟化程度	1.838
4	全氟碳链最大长度	最长连续全氟碳链长度，表征主链结构	1.041
5	氧原子数	分子中氧原子数量，常见于含氧PFAS或降解产物	0.899
6	碳氟比	碳原子数/氟原子数，反映骨架与氟化平衡	0.790
7	疏水性	分配系数logP，反映疏水/亲水特性	0.778
8	分子量	相对分子质量（缩放/100），表示分子规模	0.649
9	可旋转键数	自由旋转单键数量，表征分子柔性	0.531
10	CF₂基数量	二氟亚甲基数量，反映链段氟化模式	0.525
11	芳香环数量	芳香环计数，区分芳香性PFAS	0.500
12	支化全氟基存在性	是否存在支化全氟结构，1表示存在	0.460
13	平均氟化程度	每个碳原子的平均氟原子数，反映氟化密度	0.390
14	醚键数量	含氧醚键（-O-）数量，识别含醚PFAS	0.390
15	碳原子数	分子中碳原子总数，衡量骨架规模	0.293
16	CF₃基数量	分子中三氟甲基数量，典型端基结构	0.216
17	磺酸基存在性	是否含-SO₃H基团（PFOS类），1表示存在	0.175
18	羧酸基存在性	是否含-COOH基团（PFOA类），1表示存在	0.154
19	磷酸基存在性	是否含-COOH基团（PFOA类），1表示存在	0.017
20	PFAS可能性指标	启发式判别，快速筛选潜在PFAS	0.000

序号	特征名称	说明	重要性（shaply值）
1	氟原子数	分子中氟原子总数	2.39
2	氟化度	氟原子数/重原子数，归一化氟化水平	2.296
3	C-F键数量	碳氟键总数，表征氟化程度	1.838
4	全氟碳链最大长度	最长连续全氟碳链长度，表征主链结构	1.041
5	氧原子数	分子中氧原子数量，常见于含氧PFAS或降解产物	0.899
6	碳氟比	碳原子数/氟原子数，反映骨架与氟化平衡	0.790
7	疏水性	分配系数logP，反映疏水/亲水特性	0.778
8	分子量	相对分子质量（缩放/100），表示分子规模	0.649
9	可旋转键数	自由旋转单键数量，表征分子柔性	0.531
10	CF₂基数量	二氟亚甲基数量，反映链段氟化模式	0.525
11	芳香环数量	芳香环计数，区分芳香性PFAS	0.500
12	支化全氟基存在性	是否存在支化全氟结构，1表示存在	0.460
13	平均氟化程度	每个碳原子的平均氟原子数，反映氟化密度	0.390
14	醚键数量	含氧醚键（-O-）数量，识别含醚PFAS	0.390
15	碳原子数	分子中碳原子总数，衡量骨架规模	0.293
16	CF₃基数量	分子中三氟甲基数量，典型端基结构	0.216
17	磺酸基存在性	是否含-SO₃H基团（PFOS类），1表示存在	0.175
18	羧酸基存在性	是否含-COOH基团（PFOA类），1表示存在	0.154
19	磷酸基存在性	是否含-COOH基团（PFOA类），1表示存在	0.017
20	PFAS可能性指标	启发式判别，快速筛选潜在PFAS	0.000

性质	模型	RMSE
logK_AW	决策树	1.543 +/- 0.215
	随机森林	1.095 +/- 0.245
	极端梯度提升	1.043 +/- 0.240
	自适应证据深度学习模型	0.705 +/- 0.185
logK_OA	决策树	1.666 +/- 0.225
	随机森林	1.165 +/- 0.215
	极端梯度提升	1.077 +/- 0.234
	自适应证据深度学习模型	0.805 +/- 0.207
logK_OC	决策树	0.711+/- 0.060
	随机森林	0.308 +/- 0.060
	极端梯度提升	0.314 +/- 0.055
	自适应证据深度学习模型	0.180 +/- 0.031
logK_OW	决策树	0.733 +/- 0.065
	随机森林	0.335 +/- 0.056
	极端梯度提升	0.326 +/- 0.054
	自适应证据深度学习模型	0.327 +/- 0.072
logK_SW	决策树	1.094 +/- 0.664
	随机森林	0.842 +/- .3020
	极端梯度提升	0.705 +/- 0.185
	自适应证据深度学习模型	0.655 +/- 0.189

性质	模型	RMSE
logK_AW	决策树	1.543 +/- 0.215
	随机森林	1.095 +/- 0.245
	极端梯度提升	1.043 +/- 0.240
	自适应证据深度学习模型	0.705 +/- 0.185
logK_OA	决策树	1.666 +/- 0.225
	随机森林	1.165 +/- 0.215
	极端梯度提升	1.077 +/- 0.234
	自适应证据深度学习模型	0.805 +/- 0.207
logK_OC	决策树	0.711+/- 0.060
	随机森林	0.308 +/- 0.060
	极端梯度提升	0.314 +/- 0.055
	自适应证据深度学习模型	0.180 +/- 0.031
logK_OW	决策树	0.733 +/- 0.065
	随机森林	0.335 +/- 0.056
	极端梯度提升	0.326 +/- 0.054
	自适应证据深度学习模型	0.327 +/- 0.072
logK_SW	决策树	1.094 +/- 0.664
	随机森林	0.842 +/- .3020
	极端梯度提升	0.705 +/- 0.185
	自适应证据深度学习模型	0.655 +/- 0.189

性质	损失函数	实验编号	特征类型	RMSE
logK_AW	NLP损失	1	Morgan_count	0.837 +/- 0.162
		2	Morgan	0.904 +/- 0.129
		3	PFAS	0.710+/- 0.194
		4	PFAS_combined	0.839 +/- 0.165
	自适应损失	5	Morgan_count	0.828 +/- 0.159
		6	Morgan	0.902 +/- 0.143
		7	PFAS	0.705 +/- 0.185
		8	PFAS_combined	0.828 +/- 0.193
logK_OA	NLP损失	1	Morgan_count	0.918 +/- 0.163
		2	Morgan	1.013 +/- 0.131
		3	PFAS	0.761 +/- 0.208
		4	PFAS_combined	0.865 +/- 0.174
	自适应损失	5	Morgan_count	0.887 +/- 0.138
		6	Morgan	1.038 +/- 0.131
		7	PFAS	0.805 +/- 0.207
		8	PFAS_combined	0.873 +/- 0.136
logK_OC	NLP损失	1	Morgan_count	0.252 +/- 0.033
		2	Morgan	0.459 +/- 0.050
		3	PFAS	0.186 +/- 0.054
		4	PFAS_combined	0.243 +/- 0.045
	自适应损失	5	Morgan_count	0.363 +/- 0.037
		6	Morgan	0.466 +/- 0.044
		7	PFAS	0.180 +/- 0.031
		8	PFAS_combined	0.246 +/- 0.043
logK_OW	NLP损失	1	Morgan_count	0.475 +/- 0.084
		2	Morgan	0.422 +/- 0.065
		3	PFAS	0.350 +/- 0.087
		4	PFAS_combined	0.484 +/- 0.102
	自适应损失	5	Morgan_count	0.349 +/- 0.042
		6	Morgan	0.439 +/- 0.062
		7	PFAS	0.327 +/- 0.072
		8	PFAS_combined	0.347 +/- 0.072
logK_SW	NLP损失	1	Morgan_count	0.713 +/- 0.197
		2	Morgan	0.821 +/- 0.138
		3	PFAS	0.638 +/- 0.206
		4	PFAS_combined	0.839 +/- 0.165
	自适应损失	5	Morgan_count	0.700 +/- 0.184
		6	Morgan	0.809 +/- 0.146
		7	PFAS	0.655 +/- 0.189
		8	PFAS_combined	0.720 +/- 0.230

融合自适应证据的深度学习框架预测PFAS环境迁移性质

Adaptive evidential deep learning framework for predicting PFAS environmental transport properties

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 32

相关文章 15

编辑推荐

Metrics

本文评价

[1]	彭建斌, 李明, 谢军龙, 陈建业. 液氢接收终端液氢泄漏扩散及爆炸超压研究[J]. 化工学报, 2025, 76(S1): 453-461.
[2]	陈昇, 李子争, 苗超, 白学刚, 李飞, 刘家璇, 李天天, 杨爽, 吕蓉蓉, 王江云. 大尺度密集场景高危氯气非均匀湍流扩散特性三维CFD模拟[J]. 化工学报, 2025, 76(9): 4630-4643.
[3]	周光正, 钟子翰, 黄彦群, 王学重. 基于原位成像与图像分析技术的结晶过程智能监测[J]. 化工学报, 2025, 76(9): 4351-4368.
[4]	刘奕扬, 邢志祥, 刘烨铖, 彭明, 李玉洋, 李云浩, 沈宁舟. 加氢站液氢泄漏扩散特性与安全监测数值模拟研究[J]. 化工学报, 2025, 76(9): 4694-4708.
[5]	张茹, 朱传强, 张栋, 黄政, 肖雨果, 李明, 李长明. 采用高分子非催化还原脱硝的垃圾焚烧工艺伴生固废含氮污染物特征研究[J]. 化工学报, 2025, 76(9): 4944-4959.
[6]	张荟钦, 赵泓竣, 付正军, 庄力, 董凯, 贾添智, 曹雪丽, 孙世鹏. 纳滤膜在离子型稀土浸出液提浓中的应用研究[J]. 化工学报, 2025, 76(8): 4095-4107.
[7]	黄荣廷, 陶奕淳, 陈江林, 李世航, 杨子系, 王仕远, 罗祥轩. 矿井除湿溶液再生速率预测研究[J]. 化工学报, 2025, 76(7): 3572-3584.
[8]	王树宇, 薛志亮, 朱静, 付鑫, 周永刚, 胡一鸣, 黄群星. 废弃全钢胎颗粒热解过程中质量和形态变化研究[J]. 化工学报, 2025, 76(7): 3459-3467.
[9]	郭梁, 陈烨, 贾启明, 谢秀娟. 液氦贮罐的自增压理论模拟及实验研究[J]. 化工学报, 2025, 76(7): 3561-3571.
[10]	段浩, 王文超, 刘栋, 尹晓军, 胡二江, 曾科. 甲醇喷射时刻对甲醇/柴油双直喷发动机性能的影响[J]. 化工学报, 2025, 76(7): 3552-3560.
[11]	王涛, 李光明, 胡秋霞, 徐静. 基于时序演变粒子群算法的双色注射产品翘曲工艺优化[J]. 化工学报, 2025, 76(7): 3403-3415.
[12]	杨鹏, 尤万里, 凌忠钱, 曾宪阳, 李允超, 林佳一, 王丽建, 袁定琨. 紧凑式三室RTO系统处理乙酸乙酯废气性能的实验研究[J]. 化工学报, 2025, 76(7): 3585-3595.
[13]	李欣怡, 王功明, 王自鹏, 乔俊飞. 基于事件触发的污水处理过程水质智能预测研究[J]. 化工学报, 2025, 76(6): 2828-2837.
[14]	张涵川, 尚超, 吕文祥, 黄德先, 张亚宁. 基于无监督时序聚类的催化裂化装置工况划分识别与产率预测方法[J]. 化工学报, 2025, 76(6): 2781-2790.
[15]	张豪豪, 郭莉, 李馨怡, 陈锦溢, 华超, 陆平. 隔板精馏塔的优化设计及动态控制研究进展[J]. 化工学报, 2025, 76(6): 2434-2450.