综述：混合模型、数字孪生与数字阴影在可持续膜技术中的应用：一项关键评述

《Advanced Membranes》：Hybrid Models, Digital Twins, and Digital Shadows for Sustainable Membrane Technologies: A Critical Review

　　

膜分离技术对于水净化、废水处理、气体分离、氢气（H₂）生产以及碳（一氧化碳（CO）与二氧化碳（CO₂））捕集至关重要。尽管其适用范围广泛，但大规模应用仍受到重大技术挑战的限制，包括膜污染、渗透性与选择性之间的权衡、高能耗以及长期运行所需的耐久性。将机器学习（ML）和人工智能（AI）与基于物理的模型相结合，作为混合模式、数字阴影（DSs）和数字孪生（DTs），为克服这些限制提供了一条有前景的途径。混合建模将基于物理的模拟与数据驱动学习相结合，为膜过程生成快速且准确的预测工具。数字阴影（DSs）通过从实时数据创建被动更新的膜系统虚拟表示来扩展这一能力，从而实现软测量、性能预测和异常检测。数字孪生（DTs）通过双向连接和更高保真度的物理模型进一步推进这些功能，支持自适应控制、预测性维护和系统级优化。本评述考察了混合模型、数字阴影（DSs）和数字孪生（DTs）在主要膜技术中的近期应用，包括海水淡化和水处理、膜生物反应器、用于二氧化碳（CO₂）和氢气（H₂）的气体分离、氧气/氮气（O₂/N₂）分离、催化膜反应器（CMRs）以及质子交换膜燃料电池。研究还讨论了计算流体动力学（CFD）在生成合成数据、增强机理理解以及支持模型开发方面的作用。案例研究表明，在模块和工厂尺度上，膜污染预测、节能操作设定点、降低运营成本以及实时决策支持均得到改善。总体而言，混合建模可实现高保真度预测，数字阴影（DSs）支持连续监测，数字孪生（DTs）则为智能、自优化且可持续的膜基分离系统提供了路径，弥合了实验室创新与工业部署之间的差距。

**1. 引言**
膜技术因其效率、简单性和适应性，已成为多个行业的关键技术。膜作为选择性屏障，应用于水净化、气体分离、氢气（H₂）生产以及二氧化碳（CO₂）捕集。在水处理中，反渗透（RO）、纳滤（NF）、超滤（UF）和微滤（MF）等过程通过去除盐类、污染物、悬浮固体和病原体，改善了缺水地区的饮用水获取。在气体分离中，膜为吸收、吸附和深冷蒸馏提供了一种高效替代方案，依靠选择性渗透简化了天然气脱硫、空气分离和二氧化碳（CO₂）捕集等应用。特别是用于二氧化碳（CO₂）捕集的膜系统因其在减缓温室气体排放方面的潜力而受到广泛关注。此外，膜技术显著增强了氢气（H₂）生产，尤其是通过膜反应器（MRs）将反应与分离集成，提高了在重整和气化过程中的氢气（H₂）产率、纯度和整体能效。因此，膜工程已成为包括化学与石化加工、生物技术、能源和环境管理在内的多个工业领域的变革性技术。其广泛采用由高选择性和渗透性、低能耗、操作简单、可扩展性、模块化以及易于过程集成等内在优势驱动。与常规分离方法相比，膜过程具有能效和经济性优势，为工业提供了提高可持续性和降低运营成本的实际途径。然而，仍有若干挑战，包括膜污染、某些操作中的高能耗、有限的膜耐久性以及选择性与渗透性之间的固有权衡，这些都制约了广泛的工业采用和优化。最常见的膜污染问题由有机物和无机物、微生物及结垢剂在膜表面积累引起，显著降低渗透性和选择性，增加清洁需求、停机时间和运营成本。高能耗是另一关键障碍，特别是在海水反渗透（RO）和膜蒸馏等过程中。尽管技术有进步，海水反渗透（RO）仍需要约2.5–3.1 kWh/m³的产淡水能耗，而膜蒸馏则受限于热回收效率和温度极化，限制了商业部署。此外，膜系统常面临固有的选择性-渗透性权衡，特别是在聚合物膜中。新兴材料如混合基质膜（MMM）通过添加金属有机框架（MOFs）或沸石等填充剂，有望同时增强两种性能以克服这一限制。中空纤维膜的机械弱点则是额外约束，但编织增强设计已在高压力操作下显示出改进的耐久性。最后，膜耐久性和寿命仍是重大限制，特别是在涉及腐蚀性化学品或高压的恶劣操作环境中。通过先进材料、结构加固和优化操作策略来提高机械鲁棒性和长期稳定性，对于降低生命周期成本和支撑可持续膜应用至关重要。因此，膜设计、操作控制和性能优化的进步对于克服这些限制并增强膜系统可靠性至关重要。在此背景下，机器学习（ML）模型、数字阴影（DSs）和数字孪生（DTs）等新兴工具为预测、监测、模拟、控制和优化膜基过程提供了有前景的途径。基于机器学习（ML）的模型、数字阴影（DS）和数字孪生（DT）代表了现代过程系统中数字化的三个不同层次。基于机器学习（ML）的模型是纯粹数据驱动的预测工具，从历史或实时数据集中学习统计模式，但不维护物理系统的连续同步表示，也不影响其操作。在膜工程中，基于机器学习（ML）的建模贡献于三个主要领域：(1) 预测膜性能以估计关键参数如渗透性、选择性和结构特性；(2) 使用可解释的人工智能（AI）揭示定量结构-性能关系并提供更深入的物理见解；(3) 实现基于机器学习（ML）的膜设计、优化和虚拟筛选，以加速材料发现和过程开发。数字阴影（DSs）则提供物理资产的单向数字表示，其中实时传感器数据通过单向连接被动更新虚拟模型，且无反馈传回物理过程。因此，数字阴影（DSs）实现监测而非控制。在膜过程中，数字阴影（DSs）通过数据采集促进实时性能跟踪，实现早期污染检测、操作状态可视化、异常识别和基于状态的维护策略。数字孪生（DTs）代表数字化的最先进阶段，其特征在于物理域与数字域之间完全集成、双向且动态的数据交换。这种交互实现了系统的实时预测、模拟、诊断、控制和优化。在膜技术中，数字孪生（DTs）可作为高保真虚拟副本，预测多物理行为，包括传质、流体动力学、污染演化以及不同操作条件下的化学相互作用。通过扩展基于机器学习（ML）的建模和数字阴影（DSs）的能力，数字孪生（DTs）支持动态模拟、预测控制、故障诊断、操作条件优化和场景测试，以增强膜在水处理、废水管理、气体分离和氢气（H₂）生产过程中的效率、耐久性和可持续性。尽管有几篇综述文章考察了人工智能（AI）和机器学习（ML）在膜材料和分离过程中的应用，但大多数研究集中在孤立方面，如数据驱动的膜性能预测、基于机器学习（ML）的实验筛选或人工智能（AI）在水和气体分离中的一般应用。相比之下，本评述超越了以算法为中心的视角，明确区分并系统整合了三个相关但概念上不同的数字化方法，即基于混合机器学习（ML）的建模、数字阴影（DSs）和数字孪生（DTs），置于膜技术的背景下。还强调了计算流体动力学（CFD）在这些框架中的关键作用，特别是其在生成高质量合成数据集、加深机理理解以及支持模型开发和验证的虚拟实验方面的贡献。更具体地说，本评述提出了一个统一的比较框架，阐明了机器学习（ML）模型、数字阴影（DSs）和数字孪生（DTs）在不同空间和时间尺度上的功能角色、数据需求、物理保真度水平和决策范围，从膜材料和模块到过程级操作、监测和控制。本工作一个关键且独特的特征是明确将计算流体动力学（CFD）定位为这些数字框架中基于物理的基础。本评述不仅将其视为模拟工具，还强调了其在生成高质量合成数据集、确保混合基于物理的机器学习（ML）模型中的机理一致性以及协助开发和验证膜系统可扩展数字表示中的作用。通过对比现有方法在模型架构、耦合策略、计算成本、泛化性能以及与工业实施相关性方面的差异，本评述将焦点从概念验证的机器学习（ML）研究转向操作现实且可扩展的数字解决方案。它提供了一个结构化路线图，用于开发和部署基于机器学习（ML）的数字阴影（DSs）和数字孪生（DTs）在可持续膜技术中，包括水净化、废水处理、气体分离、膜反应器（MRs）和能源相关应用。此外，系统讨论了关键技术障碍、开放性研究空白和未来研究方向，以促进从实验室规模演示到商业可行数字膜系统的过渡。

**2. 基于机器学习（ML）的模型、数字阴影和数字孪生框架的基础**
**2.1 定义与关键组件**
机器学习（ML）算法是一种计算方法，通过利用输入数据执行给定任务，而非依赖明确定义的固定规则。这些算法通过迭代数据暴露自主调整其内部结构，从而逐步提高性能。训练期间，通过提供输入示例及其对应输出逐步调整模型，算法学习对给定示例产生正确响应，并将预测推广到新数据。这种泛化能力是机器学习（ML）中“学习”机制的关键部分。训练不仅发生在开始时；许多高级算法能够在获得新数据时进行连续或“终身”学习。已创建多种机器学习（ML）算法以应对实践中遇到的各种数据类型和问题结构。算法在如何表示候选模型（例如决策树、数学函数甚至完整编程指令）以及用于导航搜索空间的策略方面存在显著差异。这些策略可能包括具有正式收敛性质的优化技术或迭代评估和细化随机变异模型候选的进化方法。基于机器学习（ML）的模型本质上是数据驱动的，通常依赖于从实验、模拟或物理系统建模中获得的历史数据集，而非实时操作数据。因此，这些模型通常离线运行以提供预测见解。根据数据来源，机器学习（ML）模型通常可分为基于实验或混合型。实验性机器学习（ML）方法尽管强大，但可能面临由于有限或噪声数据导致的过拟合或欠拟合、有限的泛化能力以及长期预测精度降低等挑战。混合机器学习（ML）方法通过将数据驱动学习与机理模型（包括基于物理或基于模型的组件，如计算流体动力学（CFD）模拟、过程模型）相结合，成为解决这些限制的有效方案。这种组合方法捕获更广泛的系统行为，并利用两种方法的优势，通常带来更好的预测性能。机理组件保留关键过程知识，并可将其扩展到标定域之外。而数据驱动元素可识别基于第一原理模型难以表示的复杂非线性关系。在许多情况下，混合系统包括专用预测模块和二次优化模块，系统性地优化预测模型以提高精度。因此，混合架构比单一方法提供更大的灵活性和能力，导致近年来其快速增长和广泛采用。基于机器学习（ML）的建模在膜科学和工程中日益重要。它支持先进膜材料的开发、增强过程优化、并促进系统设计和集成。这些方法对于解决膜过程固有的非线性和强参数相互作用特别有价值，这些特征可能使传统建模计算昂贵且耗时。此外，日益增长的环境和社会需求凸显了对高效、数据驱动方法的需求，以提高膜性能同时满足可持续性目标。数字孪生（DT）最好描述为物理对象、系统或过程的高保真、动态虚拟表示，通过实时数据持续更新以反映物理对应物的当前、过去或预测状态。数字孪生（DT）的基本概念由Michael Grieves于2003年提出，此后演变为工业4.0框架中的关键技术，在多个领域实现数据驱动决策、优化和生命周期管理。自概念最初引入以来，研究人员根据应用领域以多种方式定义了数字孪生（DT）。它被描述为虚拟或数字模型、布局、对应物、镜像、克隆、足迹、软件模拟、表示、信息构造或其物理实体的模拟。最早的定义主要由航空航天领域塑造，常使用“飞机”、“飞行器”或“机体”等术语。随着概念扩展到制造业及之后的行业，这些术语逐渐被更广泛的描述符取代，如“系统”、“机器”、“产品”、“对象”、“实体”、“资产”、“设备”和“过程”。最近，数字孪生（DT）的范围已超越非生命或工业对象，扩展到包括人类和树木在内的复杂生物系统。为避免术语变体，提出了一个可跨学科和行业应用的广义数字孪生（DT）定义：“数字孪生（DT）是现实世界主体或对象（无论是零件、机器、过程，甚至生物体）的动态、自进化数字或虚拟模型或模拟，通过实时和历史数据交换在任何给定时间反映其物理对应物的确切状态。重要的是，这种关系是双向的：数字孪生（DT）反映物理孪生中的变化，而数字孪生（DT）中的修改也会反映在物理系统中。”一个数字孪生（DT）系统由四个关键组件组成：1. 物理系统：指被建模的现实世界资产或过程。2. 虚拟模型：物理系统的计算副本，可模拟行为、预测故障并评估不同操作场景。3. 数据集成层：确保物理与数字实体之间的实时同步，涉及使用物联网（IoT）技术连续采集、过滤和情境化传感器数据。4. 实时反馈回路：数字孪生（DT）的标志性特征，该回路实现双向通信：传感器数据更新数字模型，而模型的见解可触发物理系统中的动作。另一方面，数字阴影（DS）是通过单向数据流被动反映物理系统某些方面的虚拟模型。这为没有基础设施构建完全集成、多视角数字孪生（DT）的组织提供了实用选项。数字阴影（DS）不创建新的组合数据库，而是从现有且经常分离的数据源中收集和整理特定信息。当由于不一致或透明度有限而阻止直接连接时，这支持实时分析。与需要物理和虚拟实体之间连续双向通信的数字孪生（DT）不同，数字阴影（DS）仅限于单向数据传输，允许虚拟表示基于物理系统状态更新，而不影响或控制物理系统。尽管如此，数字阴影（DS）概念作为数据驱动决策支持的中间、可扩展解决方案，在工业和工程领域变得越来越相关。然而，尽管在膜系统中使用增加，主要挑战仍是缺乏标准化验证协议。当前实践通常依赖于案例特定标准，如预测误差、通量偏差或污染检测精度，而没有统一的方法来评估数字保真度、扰动下的鲁棒性或可扩展性。开发领域特定的验证标准，包括多级性能指标（模块、系统、生命周期）、不确定性量化、真实条件下的压力测试以及标准化数据模式，是重要的研究优先事项。解决这一问题将极大提高数字阴影（DS）和数字孪生（DT）框架在膜技术中的可重复性、基准测试和工业用途。数字阴影（DS）和数字孪生（DT）框架正成为推进膜基分离系统的强大使能器，为实时监测、预测性优化和生命周期管理提供新能力。数字阴影（DS）提供膜模块或过滤单元的单向虚拟表示，允许操作员使用集成传感器数据跟踪性能指标、污染行为和过程偏差，而无需完整的网络物理基础设施。相比之下，数字孪生（DT）通过建立物理和虚拟实体之间的双向通信来扩展这些能力，实现动态模拟、自适应控制和在不同操作条件下膜性能的优化。这些框架已被证明能改善过滤和水处理系统的过程稳定性、能效、预测性维护和操作决策。随着膜系统变得更加复杂和数据丰富，由物联网（IoT）、改进传感和基于机器学习（ML）的建模支持的数字阴影（DS）和数字孪生（DT）方法预计将在未来智能膜工厂和与工业4.0一致的过程强化策略中发挥核心作用。

**2.2 适用模型的类型**
在工程和膜过程中，机器学习（ML）模型在实验数据集、工业传感器数据或高保真数值模拟（如计算流体动力学（CFD）生成的合成数据）上训练。其作用包括预测性能指标、生成虚拟传感器、通过特征分析揭示结构-性能关系以及加速过程优化。基于机器学习（ML）的模型通常根据所用数据源分为两类：(1) 基于实验的机器学习（ML）模型，以及(2) 结合物理和数据驱动元素的混合模型。数字孪生（DT）和数字阴影（DS）模型可应用于表示从单一组件到复杂大规模系统的实体。虽然两者都旨在创建物理对象或过程的虚拟表示，但它们在与物理对应物的集成和交互程度方面存在差异。在工程和膜系统中，这些虚拟表示通常组织在三个层面——过程、设备（资产/组件）和系统——数字阴影（DS）和数字孪生（DT）都可在每个层面实例化，以支持监测、模拟，而数字孪生（DT）还支持控制。在过程层面，数字阴影（DS）和数字孪生（DT）框架捕获整个过程线或处理列车的动态行为。它们将来自多个单元的数据流集成到一个统一虚拟环境中，实现实时监测、污染和性能预测、假设分析和过程优化。在膜技术中，过程级模型支持主动控制策略、节能操作和跨处理互连阶段的更好决策。在设备或资产层面，数字阴影（DS）和数字孪生（DT）模型关注单个组件，如泵、阀门或膜模块。这些表示跟踪组件特定性能、评估退化机制并提供支持基于条件维护的高分辨率诊断。在系统层面，数字阴影（DS）和数字孪生（DT）模型表示在更大过程环境中一起运行的多个资产，捕获单元之间的交互，如集成膜生物反应器（MBRs）、脱盐列车或全规模水处理系统。这些模型促进生命周期评估、场景评估和在不同操作条件下系统级效率的优化。

**2.3 技术使能器**
混合模型、数字阴影（DSs）和数字孪生（DTs）共享共同的技术基础。然而，每个需要基于数字化水平的不同支持技术。混合模型依赖于高质量数据集、先进数值模拟和现代计算基础设施作为主要使能器。因此，计算流体动力学（CFD）、高性能计算、GPU/TPU加速和数据预处理流程形成混合建模生态系统的核心使能器，连同Scikit-learn、TensorFlow和PyTorch等学习框架。这些工具允许混合模型捕获非线性过程-结构-性能关系、支持软测量并开发能够以降低计算成本近似复杂多物理行为的代理模型。数字阴影（DSs）依赖于与机器学习（ML）模型相同的计算和建模工具，但通过实时数据收集和系统连接性进行扩展。数字阴影（DS）通过单向数据流将物理系统连接到虚拟模型。因此，其性能高度依赖基于物联网（IoT）的传感器、在线分析仪、通信协议和连续数据流系统。当数字阴影（DS）作为解释或预测层处理传入传感器数据时，计算流体动力学（CFD）和其他数值模型也可作为数字阴影（DS）的使能器，允许数字阴影（DS）针对高保真虚拟物理将实时行为情境化。边缘计算、时间序列数据库和实时分析框架帮助数字阴影（DS）与物理系统保持同步。数字孪生（DTs）代表数字化的最先进阶段，需要最全面和紧密集成的技术生态系统。数字孪生（DTs）结合了机器学习（ML）和数字阴影（DS）的使能器与双向通信和闭环控制。除了实时数据采集，数字孪生（DTs）还可集成高保真物理模型（计算流体动力学（CFD）、有限元或多物理求解器）、降阶模型和混合物理-机器学习（ML）代理与工业控制系统，以保持与物理系统的持续对齐。在膜系统中，计算流体动力学（CFD）支持流动模式、压力动态、物种传输和浓度极化的高保真模拟。当使用操作数据持续更新时，计算流体动力学（CFD）模型形成数字孪生（DT）的虚拟物理核心，允许其预测不同条件下的系统响应并实时评估操作场景。物联网（IoT）和传感器技术也是关键使能器，为构建、更新和验证数字阴影（DS）和数字孪生（DT）系统提供所需实时数据。嵌入在膜模块和过程单元内的传感器测量关键变量，包括温度、压力、流量和化学成分。这些通过物联网（IoT）网络传输的测量值允许虚拟模型与物理系统保持同步，并支持预测性维护、故障检测和自适应控制。随着传感器输出的规模和频率增长，大数据分析变得不可或缺。工业过程产生海量异构数据集，传统方法无法有效处理。大数据分析从这些数据集中提取有意义模式，实现早期故障识别、智能诊断和优化控制策略。为处理这些计算需求，云计算提供可扩展平台用于数据存储、模型执行和协作操作。基于云的架构支持数字孪生（DTs），允许实时传感器数据、历史数据库、机器学习（ML）训练流程和高性能模拟任务的持续集成。当结合大数据分析和人工智能（AI）时，云基础设施使数字孪生（DTs）能够执行预测性维护、优化资源分配、规划操作策略、评估动态响应并做出自主数据驱动决策。通过这些技术使能器——人工智能（AI）和机器学习（ML）、计算流体动力学（CFD）、物联网（IoT）和传感器、云计算和大数据分析——的协同作用，数字孪生（DTs）从概念框架转变为完全可操作、智能和自适应的系统。

**3. 基于机器学习（ML）的模型在膜技术中的应用**
人工智能（AI）和机器学习（ML）的最新进展为加速膜基分离技术的创新创造了新机会。过去二十年中，数据驱动方法，包括深度学习（DL）、神经网络和混合机器学习（ML）-机理模型，日益支持传统物理建模，帮助解决持续挑战，包括污染预测、通量优化和节能过程操作。为探索人工智能（AI）赋能膜研究的演变，对2000至2025年Scopus索引出版物的标题、摘要和作者关键词进行了关键词共现分析。结果表明，机器学习（ML）作为核心研究枢纽，与深度学习（DL）、预测建模和模型解释紧密相连。与膜污染、纳滤（NF）、超滤（UF）和通量预测的关键联系凸显了使用人工智能（AI）工具优化膜性能和操作可靠性的日益增长。尽管人工智能（AI）、数字阴影（DS）和数字孪生（DT）在膜技术中的应用快速增长，主要挑战仍是缺乏标准化验证协议。当前研究通常依赖案例特定性能指标，如预测精度或通量偏差，而未采用统一方法评估数字保真度、扰动下的鲁棒性或可扩展性。创建包含多级性能指标、不确定性量化、现实条件下压力测试和标准化数据模式的领域特定验证标准是提高可重复性、基准测试和数字框架工业采用的重要研究目标。此外，数字孪生（DT）、逆向设计以及二氧化碳（CO₂）和氢气（H₂）分离等术语的日益出现也反映了向支持全球脱碳战略的智能实时膜系统的转变。总体而言，这些趋势标志着从传统性能建模转向配备自主监测、控制和优化能力的集成智能膜平台。时间线显示，人工智能（AI）赋能膜研究已从早期（约2015年前）的基础建模和机理分析（关键词包括数学模型、分子动力学、光学相干断层扫描），演进到2016年左右向数据驱动方法的显著转移（机器学习（ML）、深度学习（DL）、人工神经网络（ANNs）、性能预测），并进一步发展到近期（约2020-2025年）涌现的数字孪生（DT）、逆向设计、二氧化碳（CO₂）分离、氢气（H₂）分离等主题，标志着向实时智能膜系统和自主控制框架的演进。年度出版趋势显示，2018年前研究活动适度，2019年起稳步增长，2021年后快速加速。地理分布表明中国和美国在出版量上领先。

**3.1 膜技术在水/废水处理中的应用**
人工智能（AI）驱动技术，包括混合建模、数字阴影（DS）和数字孪生（DT），在水处理和脱盐领域日益突出，为管理大型和复杂水网络提供强大能力。尽管一些研究描述为数字孪生（DTs），但仔细检查显示许多不完全满足严格定义，多数对应混合机器学习（ML）模型或数字阴影（DS），以被动或半在线模式运行，无完全实时同步和闭环控制。膜分离技术按膜孔径分类：反渗透（RO）（<1 nm）、纳滤（NF）（1–2 nm）、超滤（UF）（2–100 nm）和微滤（MF）（100 nm–10 μm）。所有膜过程的共同挑战是渗透通量随时间下降，主要由膜表面积累的颗粒、盐类引起的浓度极化或孔堵塞导致。污染增加了运营成本并需要预处理。通过整合混合模型、数字阴影（DS）和数字孪生（DT），这些框架可捕获操作压力、通量下降、膜老化和清洁周期之间的复杂交互，提供可操作的预测见解。近期研究探索了人工智能（AI）驱动模型在智能污染监测、可扩展性评估以及能耗和成本优化中的应用。例如，M?ller等开发了称为随机灰箱建模与控制（SGMC）的数字孪生（DT）方法论，应用于水超滤（UF），利用随机微分方程在物理直观框架内明确捕获不确定性并动态更新模型状态。该框架可分类为灰箱数字孪生（DT）类系统，支持在线状态估计和控制优化，但未实现完全自主闭环。Prado-Rubio和Huusom开发了数字阴影（DS）框架支持采油业动态超滤（UF）的自适应操作，准确预测跨膜压力和膜通量，误差低于10%。Van Rooij等开发了基于数字孪生（DT）的决策支持系统（DSS）优化反渗透（RO）脱盐厂的膜修复策略，预测可降低元件更换率50-80%并大幅节省成本。Cuba等开发了反渗透（RO）脱盐厂数字孪生（DT）优化可变电价下的操作，通过耦合模型与遗传算法最小化电费。此外，有若干明确的数字阴影（DS）实现用于实时膜监测，如Zadkarami等开发的数字阴影（DS）基软传感器用于动态超滤（UF），Taylor等报告的单程切向流过滤（TFF）实时数字阴影（DS）软传感器，以及Heusel等实现的工业动态错流过滤混合数字阴影（DS）类元模型。总体而言，尽管水/废水处理是人工智能（AI）赋能膜系统最先进的应用之一，完全工业级数字孪生（DTs）带连续同步、标准化数据接口和闭环控制仍限于少数试点和工厂规模演示。

**3.2 废水处理中的膜生物反应器（MBRs）**
膜生物反应器（MBRs）结合物理分离与生物处理，在去中心化系统中具有前景。与常规过程相比，膜生物反应器（MBRs）提供简化流程、一致的高质量出水、高容积负荷、减少污泥产生等优势。膜污染仍是关键限制，直接影响通量和寿命。数字孪生（DT）框架和人工智能（AI）技术展示强大潜力以实现预测性维护和优化过程参数。近期研究使用混合建模和数字孪生（DT）进行膜生物反应器（MBR）系统的操作优化和污染预测，例如使用CatBoost预测污染（R²=0.8374）、MBR-Net框架实现实时污染预测、混合机理模型与可解释机器学习（ML）预测处理效率、以及数字孪生（DT）用于主动控制和软测量。然而，数字阴影（DS）框架在膜生物反应器（MBR）中的应用仍存在明显空白。

**3.3 膜技术用于气体分离**
膜过程广泛应用于气体分离（如图14所示），因能效、紧凑设计、可扩展性和高选择性。混合模型、数字阴影（DSs）和数字孪生（DTs）在膜基气体分离中的应用仍是新兴领域，现有研究展示了预测和优化的有效性。

**3.3.1 碳捕集过程**
膜基气体分离作为有前景的二氧化碳（CO₂）捕集技术引起关注。数字阴影（DS）、数字孪生（DT）和人工智能（AI）驱动技术有潜力增强效率、灵活性和降低维护成本，但在膜基二氧化碳（CO₂）捕集中尚未有完整数字阴影（DS）和数字孪生（DT）实施的报道。存在显著研究空白。近期混合建模研究包括使用分子模拟和机器学习（ML）预测多孔芳香骨架（MOFs）和混合基质膜（MMMs）的输运性能、使用高速分子模拟和机器学习（ML）筛选离子液体（IL）-多孔芳香骨架（MOF）填充剂、以及过程模拟加代理机器学习（ML）加速多级二氧化碳（CO₂）捕集过程设计。

**3.3.2 氢气（H₂）纯化过程**
氢气（H₂）分离在膜基系统中通过混合模型和数字孪生（DT）技术得到研究。例如，化学环路氢气（H₂）生产系统的机器学习（ML）驱动数字孪生（DT）实现实时流量控制、可再生动力膜基电解系统的数字孪生（DT）用于自优化控制、以及钯-银（Pd-Ag）填充床膜反应器（PBMR）用于沼气三重整的混合建模。同样，数字阴影（DS）在膜基氢气（H₂）分离中的应用也存在显著空白。

**3.4 催化膜反应器（CMRs）**
催化膜反应器（CMR）将化学反应与膜基分离集成在一个强化单元中。数字孪生（DT）和混合模型在催化膜反应器（CMR）中的应用处于早期阶段。混合建模研究显示通过耦合机理模型与人工神经网络（ANN）代理，氢气（H₂）产率预测误差小于5-8%，模拟时间减少超过70%。数字阴影（DS）和数字孪生（DT）框架在催化膜反应器（CMR）中的采用仍存在明显空白，可归因于系统复杂性（异相反应动力学、多组分扩散、催化剂失活）和多数研究处于实验室或中试规模，缺乏完整分布式控制系统和监控与数据采集（SCADA）集成。近期混合建模研究包括水气变换（WGS）反应、甲醇蒸汽重整、甘油蒸汽重整等催化膜反应器（CMR）系统。

**3.5 燃料电池**
质子交换膜燃料电池（PEMFCs）因高效率、快速响应而成为有前景的清洁能量转换选项。混合模型、数字阴影（DSs）和数字孪生（DTs）可增强系统设计、操作监测和智能控制。数字孪生（DT）诊断框架在故障检测方面达到超过99%的精度，混合建模方法对关键性能属性的决定系数（R²）超过0.99。研究包括使用集成机器学习（ML）模型预测电压、人工神经网络（ANN）-物理混合模型预测铂负载效应、深度卷积神经网络（CNN）用于内部场重构、堆叠自编码器（SAE）和迁移学习用于剩余使用寿命预测、域自适应网络用于跨设备故障诊断、以及多物理数字孪生（DT）用于优化热管理和最大功率点跟踪（MPPT）。

**4. 计算流体动力学（CFD）在混合基于机器学习（ML）的开发中的作用**
计算流体动力学（CFD）作为高保真机理建模工具，为开发混合模型提供有价值的基础，也可在需要详细物理见解时整合到数字阴影（DS）和数字孪生（DT）框架中。计算流体动力学（CFD）生成具有高空间和时间精度的合成数据，提供对分离性能、浓度极化和污染演化的机理洞察。其计算需求加速了对数据驱动方法的兴趣。通过训练机器学习（ML）模型于计算流体动力学（CFD）生成数据，混合框架可重现关键输运和污染行为，计算成本仅一小部分。计算流体动力学（CFD）衍生的代理模型可嵌入数字阴影（DS）和数字孪生（DT）架构中，增强预测精度并实现针对操作变化的动态适应。

**5. 挑战与局限性**
在膜过程中实施数字阴影（DS）和数字孪生（DT）面临若干挑战。关键障碍是膜社区缺乏清晰概念和标准化，缺少领域特定验证标准，限制可重复性和互操作性。技术可扩展性是另一主要限制，随着膜工厂增大，数字模型必须包含更多子系统，急剧增加计算负载和模型更新频率。数据相关约束包括稀疏、噪声、低频测量，关键内部状态（如局部污染阻力、浓度极化）通常未测量，导致低可观测性。传感器漂移、标定误差、污染引起的信号波动引入非平稳噪声。遗留可编程逻辑控制器（PLC）/监控与数据采集（SCADA）架构缺乏高速流支持。与现有膜基础设施集成的挑战包括改造遗留设备需要大量投资。经济考虑包括传感硬件、数据采集、计算基础设施、网络安全和专业人员的投资，对小中型工厂可能不具成本效益。总体而言，数字阴影（DS）和数字孪生（DT）面临独特障碍，包括缺乏标准化建模工作流、高经济负担和领域特定兼容性约束。

**6. 未来展望与研究机会**
下一代智能膜：智能或刺激响应膜具有可调分离性能，与数字阴影（DS）或数字孪生（DT）框架集成可实现自适应分离。人工智能（AI）和机器学习（ML）在数字孪生（DT）优化方面的进步：下一步是闭环自主系统，强化学习（RL）研究已预示自主膜操作。数字阴影（DS）和数字孪生（DT）驱动的可持续性：通过提高预测精度、支持软测量和不确定性优化，减少能耗和材料使用，促进循环经济策略。需要协作研究努力，共享数据集、采用标准化验证方法和开发开源工具。

**7. 结论**
本评述评估了混合建模、数字阴影（DSs）和数字孪生（DTs）在膜技术中的近期进展，涵盖脱盐和水处理、膜生物反应器（MBRs）、气体分离、催化膜反应器（CMRs）和质子交换膜燃料电池（PEMFCs）。计算流体动力学（CFD）在生成高分辨率数据集和增强机理理解中的作用得到阐述。案例研究展示了在预测污染和关键操作参数、改进故障检测以及通过数字孪生（DT）框架实现实时决策方面的显著进展。当前应用仍有限，特别是数字阴影（DSs）方面。未来工作应关注整合数字阴影（DS）框架，特别是在数字孪生（DT）基础设施尚不可行的领域。关键研究空白包括：不充分的传感器和数据基础设施、数字阴影（DS）实施研究有限、缺乏可扩展数字孪生（DT）架构、膜基气体分离中数字阴影（DS）和数字孪生（DT）研究有限、以及缺乏标准化验证协议。需要协调研究工作，聚焦于共享数据集、标准化验证、开源工具包和跨学科合作，以加速从概念数字模型向可靠可持续膜基系统的过渡。