《Desalination》：Interpretable artificial neural network modeling of forward osmosis performance in cellulose triacetate membranes
编辑推荐：
•基于AI的ANN预测CTA膜中正向渗透（FO）的渗透通量•使用448个文献数据点进行稳健的模型开发•图形界面工具实现预测、敏感性和优化功能•ANN优化将通量提升至超越实验极限的水平•支持AI驱动的可持续水系统决策引言正向渗透（FO）在可持续水处理方面具有巨大潜力，但由于操作
- •
基于AI的ANN预测CTA膜中正向渗透（FO）的渗透通量
- •
使用448个文献数据点进行稳健的模型开发
- •
图形界面工具实现预测、敏感性和优化功能
- •
ANN优化将通量提升至超越实验极限的水平
- •
支持AI驱动的可持续水系统决策
引言
正向渗透（FO）在可持续水处理方面具有巨大潜力，但由于操作变量之间存在复杂的非线性相互作用，其性能难以优化，因此需要先进的数据驱动方法。[1], [2]。与反渗透（RO）等压力驱动过程不同，FO利用浓缩汲取液（DS）与稀释进料液（FS）之间的渗透压差驱动水通过半透膜进行传输。[3], [4]。尽管具有这些优势，FO系统的渗透通量性能仍强烈依赖于多种物理化学和操作因素，包括膜特性、朝向、溶质特性及流体动力学条件。[5], [6]。FO膜可在两种主要朝向模式下运行：活性层朝向汲取液（AL-DS）和活性层朝向进料液（AL-FS）。[7]。在AL-DS模式下，内部浓度极化（ICP）被最小化，导致初始通量较高但污垢倾向性增加；相反，AL-FS朝向可减少污垢，但由于多孔基质内ICP效应增强，往往导致水通量较低。[8]。此外，汲取液和进料液的浓度在决定渗透驱动力和溶质反向扩散方面起着关键作用。增加DS浓度可增强渗透梯度，从而增加水通量，但浓度过高会增加黏度并加剧内部极化效应，降低通量的时间稳定性。[9]。类似地，溶液温度同时影响水的黏度和溶质的扩散系数。较高的温度通常增强传质，但可能损害膜的完整性和选择性。[10]。汲取液的分子量决定渗透效率和反向扩散速率，而进料液和汲取液的流速决定外部浓度极化（ECP）的程度，直接影响有效渗透驱动力。[11]。
鉴于这种复杂的相互作用，FO系统的性能无法通过单变量或双变量相关性得到充分解释。膜朝向、浓度、温度和流体动力学速度等每个参数之间都存在非线性交互，改变其中一个参数往往会同时引起其他参数的变化。例如，提高DS温度不仅改变渗透压，还影响溶质的扩散系数和黏度，进而影响ICP和ECP现象。[12], [13]。这种多维耦合使得实验优化费力且往往难以得出明确结论，因为仅通过物理实验来探索所有影响因素组合是不切实际的。
为克服这些挑战，机器学习（ML）近年来受到广泛关注，用于在复杂多变条件下对FO性能进行建模和预测。[14]。基于机器学习的approaches，尤其是人工神经网络（ANN），在捕捉过程参数与性能输出（如渗透通量、溶质反向通量和污垢行为）之间的非线性关系方面展现了强大能力。[5], [15]。ANN是一种受人类大脑启发而来的数据驱动计算模型，能够在不需要对底层物理机制进行明确数学描述的情况下学习输入-输出关系。通过训练过程，ANN调整其内部权重以最小化预测误差，从而能够表示操作参数之间复杂的、非线性的耦合依赖关系。[16], [17], [18]。例如，Jawad等人[5]开发了用于FO系统的ANN模型，成功地利用膜类型、朝向、溶液摩尔浓度、横流速度和温度等多个输入参数预测渗透通量，证明ANN预测与实验数据和传统稳态传质模型吻合良好。他们的工作表明，基于ANN的模型可以通过减少对热力学和传质特性的详细评估需求，有效地替代或补充机理模型。此外，ANN模型允许快速模拟和优化过程条件，使其成为同时分析多个操作变量影响的宝贵工具。[19], [20]。
然而，大多数现有研究主要关注通量预测精度或参数排名，而未提供参数敏感性或操作变量之间交互效应的定量理解。在实际应用中，一个变量的变化（例如DS分子量）如何通过与其他变量的耦合同时影响通量仍不明确。缺乏此类定量和交互层面的分析限制了对FO过程的机理理解，阻碍了系统化的过程优化。尽管先前的研究已证明ANN模型在正向渗透系统中预测渗透通量的能力，但大多数研究主要集中于使用特定实验数据集的预测精度。本研究在此基础上进行拓展，基于涵盖多种操作条件的综合文献数据集开发了优化的ANN框架。除通量预测外，所提出的框架还集成了操作条件优化、单变量和双变量敏感性分析、不同渗透通量条件下的相对重要性指数（IRI）评估，以及一个图形用户界面（GUI），使用户无需机器学习专业知识即可实现快速预测和决策支持。这些功能使本研究与先前的基于ANN的研究区分开来，并增强了其在正向渗透过程优化方面的实用适用性。
为解决上述局限性，本研究开发了AI赋能的ANN框架，用于分析和优化正向渗透系统中的渗透通量。该模型纳入了七个关键操作变量，包括进料液和汲取液的浓度、温度、汲取液分子量及流体动力学条件。通过整合单变量敏感性和双变量交互分析，该框架捕捉了过程参数之间复杂的非线性依赖关系和耦合效应。此外，该模型在一个用户友好的决策支持平台中实现，能够在多种操作条件下快速预测和优化FO性能。这种数据驱动方法为FO传质行为提供了更深入的见解，并支持膜过程在可持续水管理方面的智能设计、控制和优化。
章节摘要
缩略语
| AI | 人工智能 |
| AL-DS | 活性层朝向汲取液 |
| AL-FS | 活性层朝向进料液 |
| ANN | 人工神经网络 |
| CTA | 三醋酸纤维素 |
| DSC | 汲取液浓度 |
| DSMW | 汲取液分子量 |
| DST | 汲取液温度 |
| DSV | 汲取液流速 |
| ECP | 外部浓度极化 |
| FO | 正向渗透 |
| FSC | 进料液浓度 |
| FST | 进料液温度 |
| FSV | 进料液流速 |
| GUI | 图形用户界面 |
| ICP | 内部浓度极化 |
| IRI | 相对重要性指数 |
数据收集
本工作中，与FO相关的实验数据从已发表的文献中收集。数据集包含八个输入参数和一个输出参数——渗透通量。共使用448个数据点进行ANN模型的开发，详见表1。数据来自多项经过同行评审的研究，这些研究报道了实验室规模的FO实验，探讨了各种操作参数对渗透通量的影响。相关研究报告了FO实验
权重幅值的解释
图3展示了ANN连接权重随训练迭代次数的演变情况，突出了从随机初始化权重到优化权重分布的转变过程。权重幅值与其累积分布之间的关系也与模型在不同训练阶段的预测性能相关联。
在初始阶段（图3a），初始权重随机生成，范围为
结论
本研究开发了基于反向传播算法的ANN框架，用于在多种操作条件下预测正向渗透（FO）性能。在广泛评估多种网络配置后，确定了最优架构（8–5–5–5–1），动量项为0.75，学习率为0.3，迭代17,000次，获得了高预测精度和稳定的收敛性。为了增强输入与渗透通量之间的功能映射，采用随机初始化
局限性与未来工作
本研究的一个局限性在于，ANN模型仅关注渗透通量，因此无法对FO膜性能进行全面评估。虽然通量是衡量水生产力的重要指标，但在评估膜的分离性能和实际应用性时，还应考虑溶质截留率。本模型排除截留率的主要原因是截留率数据有限且异质性较高，
利益冲突声明
作者声明，不存在可能影响本研究中所呈现工作的财务或个人利益冲突。
致谢
本研究得到韩国< />教育部（RS-2020-NR049575）。作者衷心感谢印度库尔努尔印度信息技术学院（IIIT Kurnool）的J. Krishnaiah教授和英国ZAS Robotics的M. Fakruddin先生，他们在SHAP分析实施、机器学习模型基准比较以及10折
Muhimmatul Ifadah | C.N. Murthy | Sang Yong Nam | Nagireddy Gari Subba Reddy
