通过可解释机器学习解析纳米复合超滤膜的性能协同效应

《Journal of Environmental Chemical Engineering》：Decoding Property Synergies in Nanocomposite Ultrafiltration Membranes via Interpretable Machine Learning

　　

摘要

超滤（UF）在水净化中至关重要。聚合物-无机纳米复合膜因其能提升超滤性能而受到广泛研究，然而其理性设计仍缺乏普适的定量原则。尽管机器学习（ML）已被应用于该领域，但现有研究往往引入大量参数，却未能阐明这些参数与核心"性能-效果"关系之间的关联。本研究建立了一个可解释的机器学习框架，以解码这些复杂的关联关系。以二氧化钛（TiO?）复合膜为模型体系，我们证明四个关键膜特征——平均孔径（r?）、表面粗糙度（R?）、孔隙率（ε）和接触角（θ）——足以对水通量（测试R2高达0.84）和牛血清蛋白（BSA）截留率（测试R2高达0.79）进行高保真度预测。在确定的适用域内，该模型对外部数据集展现出卓越的泛化能力，这些数据集涉及除TiO?以外的多种纳米材料膜（验证R2高达0.77）。除预测之外，可解释性分析揭示了若干关键发现。我们定量确立了一致的描述符层级（r? > R? > ε > θ），并表明粗糙度主要通过孔径的协同调控发挥作用，从而解释了其出乎意料的重要性。我们还发现粗糙度具有情境依赖的非单调作用：它在小孔径膜中对通量的提升作用最强，而在大孔径膜中对截留率的主导作用最强。这些规律源于统计关联而非已证实的物理因果关系，且截留率发现仅基于BSA这一模型污染物。本工作建立了一个稳健且可解释的框架，为将纳米复合膜设计从经验性混合转向预测性范式提供了定量基础。

引言

源于广泛水污染的环境危机日益严峻，亟需先进的节能分离技术。膜过程，特别是超滤（UF），凭借其分子级选择性和操作效率已成为关键解决方案[1]、[2]。超滤依靠压力驱动，通过尺寸排阻截留大分子，在饮用水生产、废水处理及反渗透预处理等关键水管理应用中发挥着重要作用[3]、[4]。聚偏二氟乙烯（PVDF）、聚醚砜（PES）和聚砜（PSf）等聚合物材料因其可适配的制备工艺和可扩展性成为超滤膜的优选材料[5]、[6]、[7]。然而，传统聚合物超滤膜的性能从根本上受限于渗透性与选择性之间普遍存在的权衡关系，同时膜污染问题持续存在，这促使人们寻求先进材料并深入理解其机理。

提升膜性能的一项重要策略是开发聚合物-无机纳米复合材料，通过整合纳米材料来改善亲水性、抗污染性能和机械稳定性[8]、[9]、[10]。该领域的研究蓬勃发展，越来越多的研究引入了多种纳米材料，从金属基颗粒到金属有机框架（图1a）[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]。然而，该领域日益呈现出一种"鸡尾酒式"研究方法，即新型材料仅通过经验混合引入[19]、[20]、[21]，仅产生增量性的、案例特异性数据，却未能建立普适的设计原则。

膜的制备涉及众多可调参数，如聚合物浓度、添加剂种类和负载量、凝固浴温度等。这些制备参数无疑会影响分离性能，但它们是间接地通过改变膜的基础结构和表面性质来实现的。因此，要建立膜设计的理性基础，首先需要解码这些核心膜描述符与分离性能之间的直接关系，而不依赖于特定的制备方案。膜文献中最常报道的四个控制物质传输的描述符为：平均孔径（r?，控制水力学阻力）、孔隙率（ε，反映空隙分数）、水接触角（θ，指示表面润湿性）和表面粗糙度（R?，量化形貌不规则性）。然而，当前文献中存在矛盾结论，一些研究认为R?[22]、[23]是主导分离性能的关键因素，另一些研究则强调θ[24]的主导作用。特别是对于R?，虽然理论模型表明其影响具有形貌依赖性[25]，且人们常假设其与亲水性存在协同作用[26]、[27]，但具有决定性的机理理解仍难以企及。这些矛盾观点源于案例特异性实验研究的固有局限性：每项研究仅隔离狭窄的参数窗口，无法解耦多个描述符之间的协同相互作用。因此，亟需一个系统和定量的框架，能够同时评估所有四个描述符及其在广阔数据空间中的相互作用，以解决这些矛盾并将膜设计从经验性混合转变为预测性科学。

机器学习（ML）作为一种数据驱动的方法，为此目的提供了强大的工具：无需依赖先验的理想化假设即可解码这种复杂的多因素关系[28]。在膜科学领域，ML已被初步用于关联制备参数与性能，或识别抗污染的关键因素。例如，Fetanat等人[29]和Yeo等人[30]分别使用神经网络和梯度提升树来预测性能并理解过程-性质关系。Gao等人采用基于树的模型结合Shapley加性解释（SHAP）分析来识别重要的制备变量[31]。然而，针对纳米复合膜固有结构描述符及其协同相互作用而开展的系统性机器学习研究尚未见报道。

在本研究中，我们聚焦于二氧化钛（TiO?）复合聚合物膜，因为TiO?是研究最为广泛的添加剂，且混合是最主要的引入方法（图1b），这为提供大量一致的数据集以进行基础性分析提供了理想条件。我们解码了四个关键结构描述符——r?、ε、θ和R?——对水通量（P）和溶质截留率（R）的影响。通过有意聚焦于这些固有膜性质，我们旨在建立一个清晰且可解释的"性质-性能"定量图谱。除实现高预测精度外，我们的主要目标是系统揭示这些描述符的协同效应和层级重要性。本研究所开发的可解释模型旨在不仅提供预测工具，还提供关于潜在机理的数据驱动假说，以期将纳米复合膜设计从当前的经验性混合转向知识驱动范式。

章节摘要

数据整理与预处理

我们通过文献检索，收集了采用浸入沉淀相转化法制备的TiO?复合平板膜的相关研究。选取四个关键膜特征——r?、ε、θ和R?——作为输入特征，以水通量（P）和BSA截留率（R）为性能目标，如表1所示。经过筛选，共收集了来自100篇文献的534个数据点用于描述性分析（图2、图4）。对于机器学习建模，我们进一步要求每项研究

数据集特征与初步相关性分析

图2展示了文献数据汇编中未改性膜和TiO?复合超滤膜关键性能与性能参数的统计分布。与未改性膜（蓝色箱体）相比，引入TiO?（橙色箱体）同时显著提升了水通量和截留率（图2e、f），表明整体分离性能有显著改善。此外，改性膜表现出

结论

本研究建立了一个具有泛化能力和可解释性的机器学习框架，成功解码了聚合物纳米复合超滤膜中复杂的性能-效果关系。通过整理和分析大量TiO?复合聚合物膜数据，我们证明四个易于测量的膜特征（r_m、R_a、ε和θ）足以对水通量（测试R2高达0.85）和溶质截留率（测试R2高达0.79）进行高保真度预测。该

作者贡献声明（CRediT）

王伟杰：撰写——审阅与编辑，可视化，调查研究，数据整理。李洲平：撰写——审阅与编辑，验证，软件，资源，资金支持。董春旭：撰写——审阅与编辑，撰写——初稿，可视化，项目管理，方法论，调查研究，形式化分析，数据整理，概念构思。林莹：撰写——审阅与编辑，可视化，软件，方法论，调查研究，形式化分析，数据整理。

利益冲突声明

作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

作者感谢各自所属机构提供的基础设施和科研环境，为本研究的开展提供了便利。

附注

作者声明不存在竞争性经济利益。

董春旭|林莹|王伟杰|李洲平

兰州大学化学化工学院，甘肃省兰州市，邮编730000，中华人民共和国