编辑推荐：
在渗透蒸发（PV）面临诸多挑战的情况下，研究人员开展了基于人工神经网络（ANN）预测 PV 渗透通量的研究。结果表明 ANN 模型可有效预测通量并识别关键影响因素，这对优化 PV 过程、促进高纯度分离技术发展意义重大。
渗透蒸发（Pervaporation，PV）是一种膜分离技术，在分离共沸或沸点相近的液体混合物时发挥着重要作用。它就像一个 “分子筛选器”，利用选择性膜，依据不同组分的化学势梯度，将液体混合物中的特定组分分离出来。然而，PV 在实际应用中却困难重重。比如，膜表面容易堆积物质，这不仅会降低膜的效率，还会缩短其使用寿命；追求高选择性往往又会牺牲渗透率，而且长期运行还会使膜在化学、热和机械应力的作用下性能下降。
为了解决这些问题，来自印度尼西亚穆罕默迪亚大学（Universitas Muhammadiyah Surakarta）、美国中佛罗里达大学、加拿大阿尔伯塔大学、滑铁卢大学以及阿联酋哈利法科技大学的研究人员，开展了一项基于机器学习的研究。他们运用人工神经网络（Artificial Neural Network，ANN）技术，深入探究如何根据渗透物 - 膜的理化性质以及工艺条件，精准预测 PV 的渗透通量。该研究成果发表在《Heliyon》杂志上。
研究人员采用的主要技术方法包括：从大量文献中收集数据，构建包含 144 个数据点的数据集，其中约 90%（131 个点）用于模型训练，剩余用于测试；对比两种输入 - 输出关联类型，即普通变量（Type I）和由普通变量导出的无量纲组（Type II）；运用 Matlab 对数据集进行训练，寻找 ANN 的最优架构；利用 Garson 方程确定输出变量对每个输入变量的依赖程度。
神经网络模型训练
研究人员对比了两种输入 - 输出的关联类型。Type I 是渗透通量（Ji）与每个被认为影响 PV 渗透通量的单一变量之间的关联，涵盖了膜厚度（lm）、渗透物在膜中的扩散系数（Dim）、不同渗透物间的溶解度参数差（ΔSolij）等多种变量。Type II 则是将变量转换为无量纲组，如(ΔSolimΔSolij)、(vmvi)等，并与渗透通量直接关联。通过 Matlab 对数据集进行训练，研究发现，对于两种类型的数据，浅层神经网络（Shallow Neural Network，SNN）在含 6 个神经元的情况下都能给出较好的精度。但增加隐藏层后，Type I 数据在深度神经网络（Deep Neural Network，DNN）有 2 个隐藏层且每层 7×7 个神经元时，Type II 数据在 DNN 有 3 个隐藏层且每层 9×9×9 个神经元时，能获得更高的精度。
神经网络模型测试
利用模型训练得到的权重对测试数据进行预测，结果显示两种关联类型的 ANN 模型都能对测试的 PV 系统渗透通量给出良好预测。其中，Type II 的预测精度更高，均方根误差（RMSE）为 38.0766，而 Type I 的 RMSE 为 42.5239。实验数据和预测数据点基本位于 1:1 的对等线上，这表明模型预测与实验数据吻合度高。与非线性回归方法相比，ANN 模型在某些方面有独特优势，但也存在局限性，如在输入值超出训练范围时可能无法准确预测。
变量依赖程度
借助 Garson 方程，研究人员确定了输出变量对输入变量的依赖程度。对于 Type I，影响 PV 渗透通量最重要的理化性质是玻璃化转变温度（Tgm），最重要的工艺条件是渗透物压力（Pp）。玻璃化转变温度会改变聚合物膜的状态，进而影响渗透通量；渗透物压力的大小则直接影响 PV 的驱动力，从而影响渗透通量。此外，溶解度差异（ΔSij）和渗透物摩尔体积（vi）也对渗透通量有显著影响。对于 Type II，当使用 DNN 结构时，玻璃化转变温度与操作温度的组合（TTgm）对 PV 渗透通量影响最大；使用 SNN 时，饱和蒸汽压与渗透物 - 膜溶解度差异的组合（ΔSolim2Pi0）影响最大。这一结果与 PV 中渗透物的传质机制，即吸附、扩散和脱附过程相契合。
综上所述，该研究成功运用 ANN 模型预测了 PV 的渗透通量，并明确了各输入变量的相对重要性。研究结果对于优化 PV 过程具有重要指导意义，有助于研究人员有针对性地改进膜材料和工艺参数，提高 PV 的效率和可行性。同时，也为工业应用中高纯度分离技术的发展提供了理论支持和技术参考，推动了相关领域的技术进步。
