机器学习与响应面法联用优化Pebax? 1657膜制备以实现高效CO2分离

本文推荐研究人员针对聚合物膜制备过程复杂、实验资源消耗大的问题，开展机器学习（ML）与响应面法（RSM）联用优化Pebax? 1657气体分离膜的研究。通过构建文献数据库训练随机森林模型，成功预测CO2/N2和CO2/CH4分离选择性，并结合实验验证使膜性能超越85%的文献报道值，为智能材料开发提供新范式。

　　

随着全球气候变化问题日益严峻，二氧化碳（CO₂）作为主要温室气体的捕集与分离技术成为研究热点。传统的气体分离方法如吸附、吸收和低温蒸馏存在能耗高、环境负担大等局限性，而膜分离技术因其能耗低、操作简便和设备紧凑等优势被视为极具潜力的替代方案。在众多膜材料中，聚醚嵌段酰胺（PEBA）系列聚合物因其独特的CO₂亲和性而备受关注，其中Pebax? 1657（由60%聚环氧乙烷（PEO）和40%聚酰胺（PA）组成）更是表现出优异的CO₂分离性能。然而，聚合物膜的制备过程涉及众多变量（如溶剂选择、聚合物浓度、成膜温度等），传统试错法优化不仅耗时费力，且难以全面探索多变量间的复杂相互作用。

为解决这一挑战，来自西班牙阿拉贡纳米科学与材料研究所的Lucía Carrillo-Sánchez、Carlos Téllez和Joaquín Coronas在《Journal of Membrane Science》上发表了一项创新研究，首次将机器学习（ML）与响应面方法论（RSM）相结合，用于指导Pebax? 1657致密膜的制备优化，以实现高效的CO₂/N₂和CO₂/CH₄分离。这项工作不仅显著提升了膜性能，更开创了数据驱动材料开发的新模式。

研究人员采用的关键技术方法主要包括：1) 通过Web of Science和Google Scholar系统收集55篇文献中109个Pebax? 1657膜样本的13项制备与测试参数构建数据库；2) 运用Python开发多种机器学习模型（多元线性回归、决策树和随机森林），以CO₂/X（X为N₂或CH₄）选择性为输出变量进行训练与预测；3) 采用Min-Max标准化和标签编码技术处理数据；4) 结合Box-Behnken实验设计与响应面法（RSM）对关键变量进行多变量优化；5) 通过溶液浇铸法制备膜样品并进行气体渗透测试验证模型预测。

研究结果

3.1. 输入变量间的相关性分析

通过皮尔逊相关系数矩阵评估13个输入变量间的多重共线性，发现所有变量间的相关系数均低于0.7，表明各变量具有相对独立性，适合用于机器学习模型构建。其中溶剂与溶液制备温度之间相关性较高（0.68），这符合不同溶剂沸点对溶解温度要求的实际情况。

3.2. 选定算法的比较

三种机器学习模型中，随机森林（RF）模型表现最优，其在训练集和测试集上的确定系数（R2）分别为0.973和0.962，均方根误差（RMSE）分别为2.85和3.20。相比之下，多元线性回归模型无法捕捉非线性关系，而决策树模型则出现明显过拟合现象（训练集R2=0.999，测试集R2=0.655）。随机森林模型通过集成多个决策树并采用随机子集训练，有效克服了过拟合问题，表现出最佳泛化能力。

3.3. 输入特征的重要性分析

通过随机森林模型的特征重要性分析发现，对CO₂/X选择性预测最重要的变量依次为：气体混合物类型（CO₂/N₂或CO₂/CH₄）、分离温度、溶液温度、溶剂类型和CO₂百分比。而浇铸温度、 conditioning温度和聚合物浓度等因素影响相对较小，这可能是因为在控制良好的实验条件下，这些变量对膜结构和分离性能的影响不显著。

3.4. 最佳条件的工艺研究与优化

通过Box-Behnken实验设计对五个关键变量（聚合物浓度、膜厚度、溶液温度、浇铸温度和conditioning温度）进行多变量优化。响应面分析表明，选择性在低聚合物浓度（2.3 wt%）、中等膜厚度（70 μm）和低至中等溶液温度（80°C）条件下达到最高。而浇铸温度和conditioning温度的响应面相对平坦，证实了特征重要性分析的结果。最终通过RSM确定的优化条件为：聚合物浓度2.3 wt%、膜厚度70 μm、溶液温度80°C、浇铸温度45°C和conditioning温度30°C。

3.5. 实验测量与模型估计的比较

实验室制备的多组膜样品（包括优化条件）的测试结果显示，模型预测值与实验值高度吻合（R2=0.945，RMSE=3.08）。在RSM推荐的优化条件下制备的膜（P1657DM_C6）表现出最高选择性，CO₂/N₂和CO₂/CH₄的选择性实验值分别为43.5和16.4（35°C），与预测值（44.5和16.0）的相对标准偏差仅为3.5%。

3.6. 与文献中其他膜的比较

通过与文献中73个数据点（34个CO₂/N₂和39个CO₂/CH₄）的比较发现，本研究优化膜的性能超越了85%的文献报道值。在35°C下，优化膜的CO₂渗透性为115 Barrer（CO₂/N₂）和132 Barrer（CO₂/CH₄），其选择性组合在Robeson上限附近，表现出优异的综合分离性能。

研究结论表明，机器学习与响应面法联用策略能够有效优化聚合物膜制备过程，显著提高CO₂分离性能。随机森林模型对Pebax? 1657膜选择性预测表现出高精度（测试集R2=0.962），特征重要性分析揭示了气体混合物类型和分离温度是最关键影响因素。通过响应面方法论确定的优化制备条件（低聚合物浓度、中等膜厚度和溶液温度）经实验验证能够使膜性能超越大多数文献报道值。这项研究的重要意义在于首次实现了人工智能与实验设计在气体分离膜制备中的有效整合，为材料开发提供了一种资源高效、预测准确的新范式。该方法不仅适用于聚合物膜优化，还可扩展到其他功能材料领域，有望加速高性能分离材料的发现与产业化进程。