机器学习驱动的锂镁溶液聚合物膜浓缩技术：可持续资源回收的结构-性能机制优化

这篇研究通过机器学习（ML）框架系统优化纳滤（NF）膜对Li+-Mg2+溶液的分离性能，结合SHAP（Shapley Additive Explanations）和粒子群优化（PSO）揭示了跨膜压力（5–10 bar）和膜表面粗糙度（3.4–3.5 nm）对空间位阻效应的主导作用，为资源回收提供了高效（15.12 L·m?2·h?1水通量）且可解释的解决方案。

　　

Highlight

本研究通过机器学习（ML）框架优化纳滤（NF）膜对Li⁺和Mg²⁺溶液的分离性能，并揭示其潜在机制。结合SHAP（沙普利加性解释）和部分依赖分析（PDP），发现空间位阻效应（steric hindrance effect）是分离性能的主导因素，其受跨膜压力、截留分子量（MWCO）和膜表面粗糙度调控。

数据收集与预处理

从Web of Science数据库提取的90篇文献中筛选136个数据点，涵盖8项输入变量（如膜孔径、操作压力）和3项目标变量（水通量、Li⁺/Mg²⁺截留率），数据分布均匀（孔径集中于0.2–0.4 nm），为模型训练奠定基础。

变量处理与模型构建

采用集成学习模型（如随机森林）预测性能，SHAP分析显示跨膜压力（5–10 bar）和粗糙度（3.4–3.5 nm）是水通量的关键正向因子，而MWCO与离子截留率呈负相关。

结论

通过粒子群优化（PSO）实现水通量15.12 L·m^?2·h^?1的高效分离，同时保持Li⁺/Mg²⁺高截留率。该框架为膜法资源回收提供了可解释的优化范式。