《Journal of Membrane Science》：Machine Learning for High Vapor Permeability PVDF Membranes in Membrane Distillation
编辑推荐：
本研究提出基于机器学习的PVDF膜设计策略，通过构建综合数据库和AutoML模型优化工艺参数，成功制备出水蒸气渗透率达2.21 kg·h?1·m?2·kPa?1的高性能膜，并揭示ML指导的膜结构机理，为膜工艺优化提供新范式。
邹婷|贾佳娜|游伟明|张浩全|周璐|韩敏媛|郭青香|彭世涛|韩乐
教育部三峡水库区域生态环境重点实验室，重庆大学环境与生态学院，重庆400045，中国
摘要
疏水膜的特性及其匹配的操作条件是决定膜蒸馏（MD）过程性能的关键因素，而该技术的发展至今仍受到显著限制。考虑到膜制备/应用阶段存在众多影响因素及其组合，传统的试错实验方法可能效率低下且不切实际。本文提出了一种基于机器学习（ML）的疏水膜设计策略，以突破现有材料在MD中的蒸汽渗透率上限。通过精细的建模算法和优化，成功预测并验证了具有极高蒸汽渗透率（高达约2.21 kg·h-1·m-2·kPa-1）的新型疏水膜。此外，还探讨了与ML指导的膜结构相关的超高蒸汽渗透率的基本机制。这项工作为提高膜渗透率提供了新的思路，并为膜过程优化提供了范式框架。
引言
热驱动膜蒸馏（MD）技术由于其高盐耐受性、高分离效率、高质量出水以及能够利用低品位热源等优点，在海水淡化、废水处理和资源回收领域展现出巨大潜力[1]、[2]。该技术利用疏水微孔膜选择性传输挥发性组分，同时阻挡其他溶解组分和液体[3]、[4]。然而，MD过程的一个瓶颈是缺乏长期具有高渗透率的膜材料。例如，聚偏二氟乙烯（PVDF）虽然具有优异的热稳定性和疏水性，已成为MD系统中的关键材料[5]，但其较低的渗透率仍是一个主要限制[6]，这促使人们渴望开发出具有优化渗透性能的膜[7]。制备PVDF膜最成功的技术之一是非溶剂诱导相分离（NIPS）方法[8]、[9]。研究表明，凝固浴组成、PVDF分子量、溶剂、添加剂、浇铸溶液配方和浇铸刀间隙等参数对制备的PVDF膜的蒸汽渗透率具有重要影响[10]、[11]、[12]。常用的实验设计和优化方法（如正交实验设计和响应面方法）在解决现代复杂实际问题时仍存在局限性[13]、[14]。同时，过程操作参数（如温差、切向流速和进料液溶质浓度）也会影响MD性能。例如，膜两侧的温差，或更精确地说是气液界面处的温差，是热质传递的基本驱动力。值得注意的是，对上述多个参数的综合考虑以及膜性能的最终优化仍较为有限。事实上，该系统的多因素特性（涉及多个层次参数及其复杂相互作用），加上实验室试错方法的方法论局限性，使得实现高渗透率MD面临巨大挑战。机器学习（ML）作为一种新兴的数据驱动分析方法，已成功促进了膜材料的优化[15]、[16]、[17]、[18]、[19]。与传统的低效试错方法不同，ML通过逆向设计从目标性能特征出发推导参数，相当于对膜材料的逆向工程[20]、[21]、[22]、[23]、[24]、[25]、[26]。例如，高等人[27]开发了一种贝叶斯优化方法，用于准确识别新的单体和膜制备条件，这与先前的研究结果一致，即ML能够筛选和优化不同膜过程的材料[25]、[26]。然而，由于缺乏涵盖多方面制备-性能关系的综合数据库，以及对于制备工艺本身的关注不足，ML在膜蒸馏系统中的应用较少被报道。
本文提出了一种基于机器学习的优化策略，用于开发长期稳定、高蒸汽渗透率的PVDF膜，以应用于膜蒸馏（MD）。首先通过系统文献梳理和筛选构建了综合性数据库，然后对异构数据进行了精细预处理。接着采用AutoML技术初步识别出拟合度较高的ML模型，进一步调整和优化选定的模型。随后通过Shapley Additive exPlanations（SHAP）分析了解特征重要性，并结合部分依赖图（PDPs）进行量化，最后利用粒子群优化（PSO）得出最优膜制备参数。该框架通过实验验证循环迭代改进膜设计，最终制备出具有持续高蒸汽通量的膜。这种逆向设计方法为先进膜材料的发展提供了变革性范式，有望加速MD技术的应用。
方法
所提出的实验策略的工作流程如图1所示，包括三个核心组成部分：（i）数据库构建、（ii）模型开发、（iii）ML辅助设计。数据库构建过程包括数据收集、数据处理和特征选择；模型开发过程包括模型选择、模型训练、超参数优化和模型评估；ML辅助设计过程包括模型解释、方案优化等。
模型性能与解释
为防止过拟合问题，采取相应措施至关重要[40]。数据集按8:2的比例分为训练集和测试集。为了提高模型稳定性并减少过拟合，采用5折交叉验证方法评估AutoML方法选出的模型（详见文本S6和图S8）[20]。该方法将数据集系统地分为五部分，分别在四个部分上进行训练，在剩余部分进行验证。
结论
本研究通过整合机器学习模型和进一步优化算法，实现了PVDF膜制备与MD操作的联合优化。这种无需传统试错实验的策略被证明既准确又高效。基于模型的分析最终成功制备出了具有迄今最高蒸汽渗透率的PVDF膜。
CRediT作者贡献声明
彭世涛：撰写、审稿与编辑、监督、项目管理、资金获取。
韩乐：撰写、审稿与编辑、监督、资源协调、项目管理、方法论研究、资金获取、概念构思。
韩敏媛：撰写、审稿与编辑、验证、方法论研究。
郭青香：验证、方法论研究。
张浩全：方法论研究、概念构思。
周璐：数据可视化、方法论研究。
游伟明：数据可视化、形式分析、数据整理。
邹婷：利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益冲突或个人关系。
致谢
本研究得到了重庆市技术创新与应用示范计划（CSTB2024TIAD-KPX0084）、国家自然科学基金（52270058）以及重庆市青年科技人才培养项目（2024NSCQ-qncxX0233）的支持。
