用于锂分离的聚酰胺纳米过滤膜的机器学习分析及单体筛选

《ACS ES&T Engineering》：Machine Learning Analysis and Monomer Screening of Polyamide Nanofiltration Membranes for Lithium Separation

纳滤膜合成中机器学习与可解释AI的应用研究。摘要：本文开发基于机器学习（ML）和可解释AI（XAI）的联合方法，建立聚酰胺纳滤膜（PA-NF）的合成条件、膜性能（水通量、Li/Mg选择性）与化学特性（分子指纹、分子描述符）的预测模型。通过SHAP和PDP分析，揭示合成条件（单体浓度、反应时间）和膜特性（接触角、孔径、表面电荷）对分离性能的影响机制，构建包含分子指纹相似性、分子描述符关联性和合成可行性评分的三步虚拟筛选流程，成功筛选出3-甲基哌嗪（M-PIP）等新型单体，实验验证其水通量提高12%且选择性达1.8。分隔符：

　　随着全球工业化的快速发展以及对清洁能源需求的不断增长，锂（Li）作为关键金属的重要性日益凸显。锂广泛应用于可充电金属离子电池中，这些电池是电动汽车、便携式电子设备以及电网规模储能系统的核心组成部分。然而，锂的全球需求激增，使得从自然资源中高效回收锂成为一项重要的研究课题。传统的锂矿开采方法虽然能够从矿石中提取锂，但其过程往往伴随着大量的有毒废物排放，对生态环境构成威胁。此外，全球范围内存在约2.3 × 10¹¹吨锂存在于天然水体中，这为通过水处理技术提取锂提供了新的可能性。

在锂的回收技术中，纳滤（NF）膜因其在高镁锂比（MLR）条件下对锂和镁的高效分离能力而受到关注。与传统方法相比，NF膜技术具备更高的选择性、可扩展性和更优的能量效率，从而为锂的提取和回收提供了更加环保和经济的解决方案。NF膜通常通过界面聚合（IP）方法合成，其中水相中的胺单体与有机相中的酰氯单体反应，形成一层薄薄的聚酰胺（PA）膜。通过选择不同的单体、添加纳米材料或表面活性剂，以及调控合成条件如反应时间、热固化时间和温度，可以有效地调整NF膜的物理和化学性质，从而优化其分离性能。

为了更有效地设计和筛选适用于锂镁分离的NF膜，研究者们引入了机器学习（ML）技术，以数据驱动的方式建立合成条件、膜性能和操作条件之间的关系模型。这些模型能够预测膜的水通量和锂镁选择性，同时通过可解释的人工智能（XAI）工具，如Shapley additive explanations（SHAP）和部分依赖图（PDP），揭示不同特征对膜性能的影响。通过SHAP分析，研究团队能够识别出对膜性能有积极影响的化学功能团，并据此构建参考的Morgan指纹（MF），从而筛选出具有相似化学性质的潜在单体。这些单体的筛选不仅基于MF的相似性，还结合了分子描述符（MDs）的评估，以确保所选单体在化学结构、物理特性和电子特性等方面均具备优良的性能潜力。

在分子描述符的选择方面，研究者们考虑了多种特性，如分子的极性、大小、形状以及反应性等。通过对这些描述符的重要性及与膜性能的相关性进行分析，研究团队进一步计算了筛选得分（S.S.），以量化单体在提高膜性能方面的潜力。筛选得分综合考虑了单体对水通量和锂镁选择性的贡献，从而帮助研究人员在众多候选单体中找到最有可能实现高性能膜的材料。此外，为了评估单体的可合成性，研究还引入了合成可及性评分（SAS），该评分能够反映单体在实际合成过程中的难易程度。SAS值越低，意味着该单体越容易被合成，从而更具实际应用价值。

通过结合MF、MDs和SAS三种评估方式，研究团队构建了一个高效的虚拟筛选流程。这一流程不仅提高了材料筛选的效率，还为未来膜材料的设计提供了新的思路。在筛选过程中，研究人员从NIMS材料数据库和相关研究文献中获取了超过500种候选单体，并根据筛选得分选取了前20%的单体进行实验验证。实验结果显示，筛选出的单体在水通量和锂镁选择性方面表现出优于传统单体的性能，其中一些单体在相似的实验条件下实现了更高的分离效率。这表明，基于机器学习的材料筛选方法在优化NF膜性能方面具有显著优势。

此外，研究还指出，当前的膜材料筛选数据集在化学多样性方面存在一定的局限性。目前的数据集中仅包含12种不同的胺单体，这可能导致机器学习模型在识别化学指纹和分子描述符时存在偏差。因此，未来的研究应致力于扩大数据集的范围，引入更多类型的单体和更丰富的实验数据，以增强模型的泛化能力。同时，实验验证仍然是不可或缺的环节，因为尽管机器学习模型能够提供有价值的预测和筛选结果，但其性能仍需在实际实验条件下进行测试，以确保其在真实应用环境中的可靠性。

本研究的成果不仅为锂镁分离的NF膜设计提供了新的理论框架，还为未来的膜材料开发开辟了新的路径。通过结合机器学习和XAI工具，研究人员能够更系统地理解膜性能的影响因素，并据此设计出更高效的膜材料。这一方法不仅能够加速高性能膜的发现，还能减少传统试错法所需的时间和成本，从而推动膜技术在多个领域的应用和发展。未来，随着数据集的不断完善和机器学习算法的进一步优化，基于数据驱动的膜材料设计方法有望成为实现高效、可持续锂回收的关键工具。