基于机器学习的聚合物渗透汽化膜分离性能预测框架：揭示水-乙醇体系关键参数与优化策略

本综述系统介绍了人工智能（AI）驱动框架在聚合物渗透汽化膜（PV）分离性能预测中的突破性应用。通过机器学习（ML）模型（如XGBoost）结合SHAP解释性分析，揭示了膜有效面积（>50 cm2）、溶胀度和温度（25-40°C）等关键影响因素，为高性能膜材料理性设计提供了数据驱动的优化路径。

　　

Section snippets

Descriptors for pervaporation membrane and process

实验渗透汽化数据来自64篇期刊论文，其中多数研究采用聚乙烯醇基膜材料。我们构建了两个数据集：包含554个水通量样本和504个分离因子样本（表S1）。输入变量涵盖膜结构参数（如厚度、交联度）和操作条件（温度、进料组成），输出变量为分离性能指标。

Dataset preprocessing and variable feature of pervaporation

在机器学习建模前，我们对预处理数据进行了详细统计分析，以理解参数间相互作用并支持特征选择。为验证数据插补可靠性，随机剔除10%数据后重新插补，通过分布一致性检验确保数据稳定性。

Conclusions

本研究开发的机器学习框架成功整合膜结构特征与操作条件，用于水-乙醇分离性能预测。XGBoost模型表现出优异预测能力，SHAP分析揭示膜有效面积、温度和溶胀度为关键影响因素。当膜有效面积超过50 cm²且温度维持在25-40°C时，分离效率显著提升。该研究为高性能渗透汽化膜的参数优化提供了理论基础和实践指导。