机器学习优化光热膜蒸馏操作参数：提升海水淡化能效与规模化应用的关键突破

为解决膜蒸馏(MD)技术能耗高、温度极化(TP)制约规模化应用的问题，研究人员通过机器学习(ML)优化新型光热膜(PVDF/h-MWCNTs)的操作参数，开发了梯度提升(GB)和随机森林(RF)预测模型，实现渗透通量(J)和光热效率(η)分别达R2 0.943和0.893，并确定536.1 cm2膜面积下的最优工况，为太阳能驱动海水淡化提供了可扩展解决方案。

　　

全球水资源短缺日益严峻，预计到2050年将影响57亿人。尽管地球97%的水资源是咸水或微咸水，但传统海水淡化技术如反渗透(RO)和多效蒸馏(MED)存在能耗高、成本昂贵的问题。膜蒸馏(MD)作为一种新兴技术，虽具有可利用低品位热能的优势，却受限于温度极化(TP)效应导致的低热效率和通量下降，严重阻碍其规模化应用。光热膜蒸馏(PMD)技术通过纳米颗粒层直接吸收太阳能实现界面加热，可有效缓解TP效应，但如何优化其操作参数以实现高效规模化运行仍是未解难题。

针对这一挑战，研究人员开展了系统性研究，通过混合水平因子设计(MLFD)实验，结合梯度提升(GB)、随机森林(RF)等机器学习算法，建立了PMD性能预测模型，并采用差分进化(DE)算法优化操作参数。研究聚焦PVDF/多壁碳纳米管(h-MWCNTs)光热膜，在空气隙膜蒸馏(AGMD)装置中测试了39.7-232 cm²膜面积下的渗透通量(J)、光热效率(η)和局部加热效应(ΔT_F)。

实验设计采用四因素混合水平因子设计，考察膜面积(A)、进料流速(V)、太阳辐射强度(S)和空气隙宽度(W)的交互影响。通过十折交叉验证优化模型，发现GB模型对J和η的预测最优(R²分别达0.943和0.893)，而RF模型对ΔT_F预测精度最高(R²=0.977)。统计模型显示，膜面积对性能影响最显著(P<0.001)，其次是进料流速和太阳辐射强度。

3.1节通过5小时稳定性测试证实，所有模块的渗透通量保持稳定，电导率降低99.9%，验证了PMD系统的可靠性。3.3节详细对比了ML模型性能：GB模型因能捕捉J与η的非线性关系而表现优异，而RF凭借树结构优势精准预测了ΔT_F的复杂变化模式。3.5节的优化结果显示，在0.7 kW/m²太阳辐射下，536.1 cm²膜面积配合0.24 cm/s流速可获得1.95 L/m²h的高通量，较传统MD系统提升显著。

研究结论表明，PMD技术通过界面加热有效克服了TP效应，而ML优化使规模化应用成为可能。该工作不仅为PMD系统建立了首个性能预测框架，更揭示出膜面积与进料流速的量化关系：面积每增加100%，流速仅需提升25%即可维持高效运行。相比需要外部太阳能集热器的传统MD系统，PMD直接将太阳能转化为热能，在阿联酋实地模拟中实现17.55 L/m²/天的产水量，展现出显著的工程应用价值。

这项发表于《Desalination》的研究，通过机器学习与实验设计的创新结合，为开发高效、可扩展的太阳能海水淡化系统提供了重要方法论。未来工作可进一步探索不同光热材料的性能边界，并将优化算法扩展到动态光照条件下的实时控制，推动PMD技术向商业化应用迈进。