机器学习驱动的纳滤技术高效提锂：性能优化与机制解析

【编辑推荐】本研究针对纳滤膜提锂过程中膜特性与操作参数复杂交互导致机制不清的难题，通过机器学习算法（SHAP/PDP/ICE）解析关键影响因素，发现截留分子量（350-400 Da）和接触角（20-40°）是核心膜参数，跨膜压力为关键操作变量，经多目标优化获得锂渗透率90.2%和Li+ /Mg2+ 选择性158.2的突破性性能，为新能源产业锂资源回收提供智能解决方案。

　　

随着全球可再生能源产业对锂资源需求的激增，从海水、盐湖卤水等非常规水源中高效提取锂成为关键课题。纳滤（NF）技术因其能耗低、选择性好等优势被广泛应用，但膜性能受截留分子量（MWCO）、接触角等特性与操作参数的多重影响，导致Li⁺
/Mg²⁺
分离机制不明确，且渗透率与选择性存在固有权衡（trade-off）。传统实验方法难以解析这些复杂非线性关系，亟需新方法突破瓶颈。

香港中文大学（深圳）的Zhanlin Ji、Hao Guan和Yingchao Dong团队在《Journal of Membrane Science》发表研究，首次将机器学习（ML）与粒子群优化（PSO）算法结合，构建了涵盖136组实验数据的纳滤提锂性能预测模型。通过SHAP（Shapley Additive Explanations）值解析发现：膜特性贡献度超70%，其中MWCO（350-400 Da）和接触角（20-40°）是核心参数；操作条件中仅跨膜压力（TMP）显著影响性能。研究进一步采用部分依赖图（PDP）揭示Li⁺
渗透率随MWCO降低呈先升后降趋势，而Li⁺
/Mg²⁺
选择性随接触角增大持续下降，证实尺寸筛分（size exclusion）与Donnan效应协同主导分离过程。通过PSO多目标优化，团队获得渗透率90.2%与选择性158.2的全球领先指标，较文献值提升40%。

关键技术包括：1）从Web of Science筛选90篇文献构建136组NF提锂数据集；2）采用链式方程多重插补（MICE）处理缺失数据；3）基于随机森林（RF）、梯度提升（GBDT）等算法建立双输出预测模型；4）结合SHAP/PDP/ICE实现机制可视化；5）应用PSO算法突破性能权衡。

主要结果：
Data Collection and Preprocessing
通过文献挖掘建立包含8输入（如MWCO、压力）和2输出（渗透率、选择性）的数据集，经MICE插补后数据完整性达98%。

Data Processing of Lithium Extraction Process Variables
特征重要性分析显示MWCO（SHAP值0.32）和接触角（0.28）对性能影响最大，而pH和温度贡献度不足5%。

Conclusion
该研究不仅证实ML在膜过程优化中的有效性，更首次量化了膜特性与操作参数的协同效应：低接触角增强表面水化层，促进Li⁺
传输；适中MWCO平衡尺寸筛分与通量。优化膜的性能可满足年产万吨级碳酸锂的工业需求。

这项研究为新能源时代的锂资源可持续开发提供了智能设计范式，其方法论可扩展至其他离子分离体系。未来结合高吞吐实验与主动学习，有望加速下一代分离膜的研发进程。