新闻资讯
NEWS CENTER
25
2026
-
04
EST: 用机器学习“调孔径”，三元参数协同解锁纳滤膜选择性
作者：
背景
纳滤膜在饮用水净化、废水处理与资源回收中应用广泛，而其核心性能——选择性，本质上取决于膜孔径的调控。然而，在新一代薄膜纳米复合（TFN）膜中，引入纳米材料虽然提升了通量，却显著增加了结构不确定性。问题的关键在于，膜的形成并非单一因素决定，而是由三大参数强耦合控制：基底结构 + 纳米材料 + 界面聚合（IP）条件。这些因素相互影响，共同决定最终孔结构，使传统“试错式优化”效率低下、规律难以提炼。因此，如何系统解析并调控这一复杂体系，成为TFN膜发展的核心挑战。
创新
近日，香港大学汤初阳教授团队联合同济大学夏圣骥教授团队提出“可解释机器学习驱动的三元参数协同调控框架”，实现膜结构与性能的设计：
三元参数解耦建模：将基底、纳米材料与IP条件作为独立变量，引入统一模型解析其协同作用；
孔径主导指标构建：以分子量截断（MWCO）作为核心指标，建立孔结构–选择性之间的定量关系；
可解释机器学习引入（SHAP）：定量识别关键影响因素；揭示参数间非线性与交互作用机制；
关键设计规律提炼：
适中致密基底有利于降低孔径；
纳米材料负载需优化以避免结构破坏；
单体浓度需与纳米材料匹配，实现均匀聚合；
多目标优化策略（SHAP融合）：在控制MWCO（去除有机物）的同时，引入MgCl₂截留作为约束，实现：高有机物去除 + 高矿物离子透过；
应用导向设计能力：实现针对饮用水处理等场景的“定制化选择性设计”。
意义
该工作从数据驱动角度系统解析TFN膜形成机制，将复杂的“经验调控”转化为可预测、可解释的设计框架。通过引入可解释机器学习，不仅实现了性能预测，更揭示了不同参数之间的协同与权衡关系，为膜材料设计提供了清晰的物理图景。这种方法突破了传统单一指标优化的局限，实现了多目标性能的协同调控。更重要的是，该框架具有高度可扩展性，可适用于不同分离体系与应用场景，为下一代高性能膜的快速开发提供了通用工具。
原文链接：https://mp.weixin.qq.com/s/ZEx1TfviIjrZ7azmm-qgJg
相关新闻
