用于CO2分离的聚合物纳米复合膜的渗透性能：一种实验与机器学习结合的优化方法

《Polymers for Advanced Technologies》：Permeation Properties of Polymer Nanocomposite Membranes for CO2 Separation: An Experimental and Machine Learning-Based Optimization Approach

　　

本研究旨在通过实验研究与机器学习（ML）技术相结合，优化聚合物纳米复合膜的气体渗透性能。首先，研究人员制备了聚丙烯腈（PAN）和PAN-聚乙烯亚胺（PAN-PEI）纳米复合膜，并通过实验表征确定了其CO₂渗透性和CO₂/N₂选择性。实验数据补充了文献中报道的各种纳米复合膜的值，形成了一个包含聚合物类型、纳米填料类型、尺寸、添加量、膜表面积和厚度、温度以及进料压力的综合数据集。研究人员开发了三种监督式机器学习模型：深度神经网络（DNN）、随机森林（RF）和极端梯度提升（XGBoost），以预测和优化膜的气体分离性能。进行了特征重要性分析，以识别影响CO₂渗透性和CO₂/N₂选择性的最显著参数。对于RF和XGBoost模型，使用网格搜索与交叉验证（GridSearchCV）和遗传算法（GA）进行超参数调优，而DNN模型则使用Adam和AdamW优化器结合手动（试错法）超参数调优进行优化。模型训练使用了两个数据集：（i）仅文献数据，和（ii）结合内部实验数据和文献数据的综合数据集，以评估实验数据增强对模型性能和泛化能力的影响。模型评估采用决定系数（R²）和均方根误差（RMSE）等指标来验证预测精度。在模型中，GA优化的XGBoost模型达到了最高精度，CO₂渗透性的R²值为0.95，CO₂/N₂选择性的R²值为0.85，训练时间为11–24秒，优于RF和DNN模型。随后，将训练好的XGBoost-GA模型与贝叶斯优化和遗传算法策略相结合，以确定最大化CO₂渗透性和CO₂/N₂选择性的最优工艺参数。基于GA的优化产生了最大CO₂渗透性21,130 Barrer和CO₂/N₂选择性43，而贝叶斯优化的结果为17,246 Barrer和选择性40。

**论文解读：基于实验与机器学习的聚合物纳米复合膜CO₂分离渗透性能优化**

**研究背景与问题**
二氧化碳（CO₂）作为温室气体（GHG）的主要成分，其大气寿命超过1000年，对全球排放贡献显著。碳捕集与封存（CCS）技术成为减排关键，其中膜分离技术因环境友好、占地面积小和操作简便而备受关注。然而，现有膜技术常面临高渗透性与高选择性之间的权衡（trade-off），限制了分离性能的提升。聚合物纳米复合膜（PNMs）通过将纳米粒子（NPs）如SiO₂、Al₂O₃、多壁碳纳米管（MWCNT）等引入聚合物基体，有望改善CO₂渗透性和CO₂/N₂选择性，但其商业化应用仍受限于聚合物与纳米填料之间复杂且尚未充分理解的相互作用，导致分离性能难以预测。此外，实验研究耗时、成本高，且受限于参数范围，单一实验数据难以全面捕捉系统行为。因此，需要一种更高效的方法来优化膜设计。机器学习（ML）在膜研究中展现出潜力，但现有模型的预测精度仍不一致，且缺乏将实验数据与文献数据结合用于优化气体渗透性能的研究。

**研究内容与结论**
本研究旨在通过实验与机器学习相结合的方法，优化聚合物纳米复合膜的气体渗透性能。研究人员首先制备了聚丙烯腈（PAN）和PAN-聚乙烯亚胺（PAN-PEI）纳米复合膜，并系统表征了其CO₂渗透性和CO₂/N₂选择性。随后，基于文献数据与内部实验数据构建了综合数据集，开发了三种监督式机器学习模型：深度神经网络（DNN）、随机森林（RF）和极端梯度提升（XGBoost），并通过超参数调优（网格搜索与交叉验证GridSearchCV、遗传算法GA）提升预测精度。特征重要性分析表明，N₂渗透性是对CO₂渗透性和选择性影响最大的参数。模型比较显示，GA优化的XGBoost模型（XGBoost-GA）在预测CO₂渗透性（R²=0.95）和CO₂/N₂选择性（R²=0.85）方面表现最优，训练时间仅11–24秒，内存占用0.1–10 MB。进一步，将训练好的XGBoost-GA模型与贝叶斯优化（BO）和遗传算法（GA）结合，以最大化CO₂渗透性和选择性。GA优化获得了更高的CO₂渗透性（21,130 Barrer）和选择性（43），优于BO的结果（17,246 Barrer和40）。该研究证实，集成实验数据与先进机器学习技术可有效加速膜材料开发，减少实验工作量，为高性能膜设计提供指导。论文发表在《Polymers for Advanced Technologies》。

**主要关键技术方法**
研究人员采用的关键技术方法包括：（1）静电纺丝技术制备PAN及PAN-PEI纳米复合膜，通过调控聚合物浓度（4、6、8 g）和PEI含量（25、40、50 wt%），以及纳米填料（MWCNT、SiO₂、Al₂O₃）的添加量（1、4、7、10 wt%），系统制备膜样品；（2）使用自建的气体渗透装置测量CO₂和N₂渗透性，并计算CO₂/N₂选择性；（3）构建综合数据集：包含26组自制实验数据和458组文献数据，涵盖50种聚合物类型、91种纳米粒子及17种形状，经K近邻（KNN）插补处理缺失值，并采用Z-score标准化；（4）开发三种机器学习模型（DNN、RF、XGBoost），通过网格搜索交叉验证（GridSearchCV）和遗传算法（GA）进行超参数调优，使用决定系数（R²）和均方根误差（RMSE）评估模型性能；（5）将最优模型（XGBoost-GA）与贝叶斯优化和遗传算法结合，优化膜组成和工艺参数（纳米粒子尺寸、重量分数、聚合物类型、温度、膜面积、厚度、进料压力）。样本全部来自公开文献和研究人员自制，无特定队列来源。

**研究结果**

**4.1 特征重要性分析**
通过随机森林回归器分析，N₂渗透性被确定为对CO₂渗透性和CO₂/N₂选择性预测影响最大的特征，这归因于两者共享的膜孔结构、孔隙率等底层因素。该分析有助于识别关键变量，提升模型训练效率。

**4.2 机器学习模型预测、超参数调优与优化**
- **DNN模型**：采用AdamW优化器优于Adam，结合实验数据后，CO₂渗透性预测R²从0.80提升至0.87，选择性从0.62提升至0.66。
- **RF模型**：通过GA调优，在文献数据上CO₂渗透性R²为0.83，但加入实验数据后降至0.77，归因于装袋（bagging）策略对高方差数据的适应性不足；然而选择性预测R²从0.55显著提升至0.83，表明实验数据增强了模型泛化能力。
- **XGBoost模型**：GA调优优于GridSearchCV，结合实验数据后，CO₂渗透性R²达0.95，选择性R²达0.85，训练时间仅11–24秒，计算资源消耗低（0.1–10 MB），成为最优模型。

**4.3 比较分析**
综合对比显示，XGBoost-GA在预测精度（最低RMSE和最高R²）、训练速度和内存效率上全面优于DNN和RF模型。实验数据的加入提升了模型泛化能力，但RF模型在渗透性预测上略有下降。对自制PAN和PAN-PEI膜的实际预测验证表明，RF和XGBoost模型的预测值更接近实验值，而DNN模型倾向于高估渗透性并低估选择性。

**4.4 纳米复合膜组成、验证与特征优化**
采用XGBoost-GA模型结合贝叶斯优化和遗传算法进行优化。对于CO₂渗透性，GA优化获得的最佳配置为：纳米粒子尺寸197 nm、35 wt%添加量、非晶态聚合物、温度264 K、膜面积9.3 cm²、厚度0.008 cm、进料压力606 cmHg，预测渗透性21,130 Barrer，高于贝叶斯优化的17,246 Barrer。对于CO₂/N₂选择性，GA优化获得：纳米粒子尺寸1902 nm、80 wt%添加量、半结晶聚合物、温度262 K、膜面积17.5 cm²、厚度0.02 cm、进料压力1048 cmHg，预测选择性43，高于贝叶斯优化的40。优化结果揭示了纳米粒子尺寸、负载量、聚合物形态、膜厚度和操作条件的协同效应，但需注意这些为计算预测值，尚未经实验验证。

**结论总结**
本研究通过实验与机器学习结合，成功优化了静电纺丝PAN和PAN-PEI纳米复合膜的CO₂分离性能。SEM分析显示，MWCNT使纤维直径增至600 nm，而SiO₂和Al₂O₃使纤维直径降至200–300 nm，提升了CO₂渗透性和选择性。最优膜（PAN-PEI/40 wt% PEI/7 wt% Al₂O₃）实现CO₂渗透性849 Barrer和选择性9.6。在机器学习模型中，XGBoost-GA模型实现了最高预测精度（CO₂渗透性R²=0.95，RMSE=520；选择性R²=0.85，RMSE=6.9），且计算效率高（训练时间11–24秒，内存0.1–10 MB）。将XGBoost-GA模型与贝叶斯优化和遗传算法结合，遗传算法持续获得更优的膜配置，预测CO₂渗透性达21,130 Barrer，选择性达43。尽管这些优化配置尚未经实验验证，但本研究证明了集成实验数据与先进机器学习及优化技术是加速膜材料开发、减少实验工作量、支持碳捕集、氢气纯化等可持续气体分离技术高性能膜设计的有效策略。未来工作将聚焦于制备这些预测膜以验证其性能，并进一步提升预测能力。