机器学习驱动的聚酰胺纳滤膜锂镁选择性分离性能预测与机制解析

为解决高镁锂比盐湖提锂中聚酰胺纳滤膜（TFC NF）选择性分离性能优化难题，中国科学院研究人员通过机器学习（ML）整合膜制备参数、实验条件与盐截留性能数据，构建了渗透性与选择性预测模型（R2=0.89）。SHAP分析揭示基底类型与MgCl2截留率是调控Li/Mg选择性的关键因素，为膜材料理性设计提供了数据驱动新范式。

　　

研究背景
全球清洁能源转型推动锂需求激增，预计2050年产量增长18-20倍。盐湖卤水占锂资源的62.6%，但其高镁锂比（MLR）使传统蒸发-沉淀法效率低下。聚酰胺薄层复合纳滤膜（TFC NF）凭借低能耗优势成为锂镁分离的关键技术，但膜性能受制备参数、膜性质与实验条件等多因素复杂交互影响，机制不明确。现有研究多聚焦单一变量，缺乏系统性分析框架，制约高性能膜材料的定向开发。

研究方法
中国科学院团队从59篇文献中提取150组数据，涵盖36项制备参数（如基底类型、胺浓度）、7项膜特性（如MWCO、Zeta电位）及实验条件。采用随机森林（RF）等算法构建预测模型，结合Shapley加性解释（SHAP）解析特征重要性。通过比较不同输入组合（制备参数+膜特性+盐截留数据）的预测效能，确定最优建模策略。

研究结果
1. 数据统计与模型构建
膜渗透性预测中，制备参数（如聚砜基底、热固化温度）贡献度达68%，而Li/Mg选择性需联合MgCl₂截留率（Spearman系数0.91）才能实现高精度预测。

2. 膜性能调控机制
SHAP分析显示：

• 渗透性主导因素：聚砜基底（SHAP值+1.2）、胺浓度（0.8）
• 选择性关键指标：MgCl₂截留率（反映孔结构与表面静电协同效应）
• 分子量截留值（MWCO）与Zeta电位对选择性预测贡献有限，表明传统表征参数未能完全捕获离子传输复杂性

3. 模型验证与应用
整合盐截留数据的模型对选择性的预测R²达0.89，显著优于单一参数模型（R²<0.5）。该框架成功指导了高选择性膜（Li/Mg分离因子>15）的制备。

结论与意义
该研究首次建立聚酰胺纳滤膜锂镁分离的全链条ML预测体系，揭示MgCl₂截留率是比传统膜参数更有效的选择性描述符。成果发表于《Water Research》，为复杂离子分离体系的膜材料设计提供了可解释的数据驱动方法论，推动盐湖提锂技术向智能化方向发展。研究强调需将本征特性（如孔结构）与外源因素（实验条件）协同建模，方能准确解析膜分离机制。