《Desalination》：Explainable machine learning and Pareto optimization enable data-driven design of COF-TFN nanofiltration membranes for desalination
编辑推荐：
•一种集成式机器学习框架可精准预测COF-TFN反渗透膜的透水率（CatBoost模型，R2=0.9701）和盐分截留率（RF模型，R2=0.9587）。•SHAP、PDP和ICE分析方法有助于阐明活性层厚度、表面粗糙度以及COF负载量对膜性能的非线性影响。•NSGA-II多目标
- •
一种集成式机器学习框架可精准预测COF-TFN反渗透膜的透水率（CatBoost模型，R2=0.9701）和盐分截留率（RF模型，R2=0.9587）。
- •
SHAP、PDP和ICE分析方法有助于阐明活性层厚度、表面粗糙度以及COF负载量对膜性能的非线性影响。
- •
NSGA-II多目标优化算法可生成帕累托前沿，揭示出在实现高透水率与高盐分截留率之间的权衡关系，且这种关系会因盐类类型而异。
- •
基于数据驱动的机器学习-可解释人工智能-优化框架有助于合理设计先进的COF-TFN反渗透膜，从而提升海水淡化效率。
引言
随着全球工业化进程加快以及人口持续增长，淡水短缺和水污染问题已成为制约可持续社会经济发展的关键因素[1]。为解决这些问题，人们开发了多种基于膜的分离技术，包括膜蒸馏、反渗透、正渗透和逆渗透等。其中，反渗透技术因其操作压力较低、能耗相对较少，且对多价离子和小分子有机物的截留效率较高而备受关注。这些优势使得反渗透技术在海水淡化、微咸水软化、废水回收以及珍贵资源回收等领域具有巨大应用潜力[2]、[3]、[4]、[5]。反渗透膜的分离性能在很大程度上取决于其选择性层。目前市面上的反渗透膜大多为通过界面聚合法制备的聚酰胺TFC膜[6]。然而，传统聚酰胺膜存在透水性与选择性的矛盾：提高盐分截留率往往会导致透水率下降，进而限制其在能源效率提升及实际应用方面的发展[7]、[8]。
为克服这一局限，将纳米材料引入聚酰胺选择性层以制备TFN膜被证明是一种有效策略。在各类纳米填料中，共价有机框架因其全有机结构、较高的比表面积、结构规整的纳米孔以及与聚合物基体的良好相容性而越来越受到重视[9]、[10]。像MoS2/棉纤维复合膜这样的二维材料也展现出优异的离子选择性和光增强渗透能转换能力[11]。基于脱木素天然木材骨架和海藻酸钠的异质离子选择性膜同样实现了较高的功率密度[12]。与传统无机纳米材料如沸石、二氧化硅纳米颗粒和碳纳米管不同，共价有机框架可通过共价键或氢键与聚酰胺基体形成良好的界面结合，从而有效抑制非选择性的界面缺陷[13]、[14]。先前的研究表明，在界面聚合过程中引入共价有机框架纳米片或纳米颗粒，不仅能通过其固有的纳米孔通道为水分子提供额外的快速传输路径，还能通过亲水功能团和表面电荷特性调节聚酰胺层的交联程度、厚度及表面形态，进而同时实现透水率的提升和高盐分截留率[15]、[16]、[17]。
近期的研究进一步表明，通过对共价有机框架材料进行合理设计，比如调控孔径大小、调整功能团种类以及优化框架结构，能够有效提升水的净化与分离性能。共价有机框架极高的结构可调控性使得人们可以精确控制物质传输过程和选择性分离效果，从而拓展其在先进水处理系统中的应用范围[18]、[19]、[20]、[21]。此外，工程化的混合维度异质结构的出现进一步提升了界面相容性和传输效率，这充分体现了结构设计在实现高性能膜材料中的作用。相关综述也指出，将合理的共价有机框架工程设计理念与膜材料制备工艺相结合，是开发下一代分离材料的重要方向[22]、[23]。
尽管这些研究在共价有机框架材料工程和膜材料制备技术方面取得了显著进展，但它们主要集中于材料合成、结构优化或实验性能评估方面。目前能够定量关联膜材料制备参数、结构特征与分离性能的数据驱动方法仍然较为匮乏。传统的试错式实验方法不仅耗时、费力且成本高昂，还无法从机制层面全面解析多种影响因素之间的相互作用。近年来，机器学习作为一种强大的数据驱动分析方法，已被用于解决复杂的非线性问题，并在加速材料筛选和工艺优化方面展现出巨大潜力。已有研究成功将机器学习应用于反渗透、正渗透、有机溶剂反渗透以及渗透能转换系统等膜处理工艺中，用于性能预测和机理分析[24]、[25]、[26]、[27]。除了构建精准的预测模型外，机器学习还能通过特征重要性分析、PDP等方法提供超出传统实验观察范围的机理性见解[28]、[29]、[30]。不过，将机器学习应用于COF-TFN膜的设计与优化方面仍相对有限。现有研究大多针对特定的材料体系或单一性能指标的预测，尚未出现能够同时关联膜材料制备参数、结构特征以及多种分离性能指标的综合性预测框架[31]、[32]、[33]。此外，如何将可解释的机器学习方法与COF纳米填料结构及界面聚合条件的逆向优化相结合，从而协同提升膜的透水率和选择性能，仍是一个亟待解决的课题。
本研究构建了一种集成式机器学习框架，利用先进算法实现对COF-TFN反渗透膜的透水率与盐分截留率的精准预测与智能优化（见图1）。我们系统地收集了不同类型COF材料、负载量、孔径大小、制备条件以及相应膜分离性能的实验数据，以此构建高质量数据库。通过全面评估和比较多种机器学习模型，确定了最优的预测模型。此外，我们还采用了SHAP、PDP和ICE等可解释人工智能方法，用以阐明膜的结构参数和运行参数对目标性能指标的非线性影响及作用机制，从而定量识别出影响透水率和盐分截留率的关键因素。通过模型可解释性结果的交叉验证，进一步提升了研究结论的稳健性和可靠性。同时，我们采用了基于帕累托原理的多目标优化策略，系统探索在保持高盐分截留率的同时最大化透水率的最佳参数组合，旨在为突破传统TFC膜所存在的透水性与选择性的矛盾提供可行解决方案。本研究为COF-TFN反渗透膜的可控制备和结构调控提供了理论参考和数据支撑，同时也构建了一种结合机器学习与可解释分析方法的膜材料研究工作流程，有助于合理设计出透水通量与盐分截留能力均较为理想的膜材料。
章节摘要
数据收集与预处理
为构建适用于机器学习建模的全面数据集，我们对已发表的关于COF-TFN反渗透膜的实验研究进行了系统的文献调研和数据提取工作。这些数据主要通过Web of Science数据库中的关键词搜索获取。在数据筛选过程中，我们优先选择了那些能够提供完整膜结构参数和运行条件的相关研究，以此确保数据的准确性和代表性。
COF-TFN膜数据集及特征分布的统计分析
高质量且多维度的实验数据集是构建具备强大预测能力的机器学习模型的基础前提。通过广泛的文献调研，我们建立了一个包含11个关键描述符和两个目标变量的综合数据库，这些数据涉及COF-TFN反渗透膜的纳米材料特性、膜结构参数以及运行条件等信息。图2展示了所有相关数据的直方图和核密度估计曲线。
结论
在本研究中，我们开发了一种针对COF-TFN反渗透膜的集成式机器学习框架，该框架能够实现透水率与盐分截留率的精准预测、可解释性分析以及多目标优化。通过系统整理已发表文献中的实验数据，我们构建了一个涵盖COF结构参数、膜物理化学性质以及运行条件的综合数据库，为模型构建提供了可靠的基础。在经过贝叶斯分析之后……
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
本项研究得到了以下项目的资助：中国国家自然科学基金的NSFC-RGC联合项目（项目编号：52261160381）、深圳基础研究计划的普通项目（项目编号：JCYJ20240813113500002）、香港中文大学-SZ大学发展基金（项目编号：UDF01003350）以及鹏城孔雀计划。
郝盛楠|葛玉林|范竹|张晓曼|季展林|宋 Dalei|董英超
