摘要：【目的】 传统纳滤膜的性能受限于“选择性-渗透性”之间的权衡效应，限制了其在高效分离领域的应用。为突破该性能瓶颈，研究人员在薄层复合膜(TFC)制备过程中引入纳米材料，开发出一系列薄层纳米复合膜(TFN)，这类膜通过纳米材料的嵌入有效调控了膜表面的物理化学性质，从而提升膜的整体分离性能。【方法】 然而，纳米材料种类众多，其多元特征与膜结构参数之间复杂的耦合关系，使多功能TFN的合理设计面临挑战。为此，本研究引入机器学习方法，综合考虑纳米材料性质与膜结构参数对膜分离性能的影响，构建了可同时预测膜通量与截留率的多输出机器学习模型。【结果】 通过模型可解释性分析，揭示了影响TFN分离性能的关键决定因素，明确了纳米材料性质、膜结构参数与分离性能之间的构效关系。在此基础上，基于粒子群优化算法(PSO)对“选择性-渗透性”之间的权衡关系进行了优化，基于对性能影响的关键因素，结合多变量分析方法，提出了TFN膜的优化设计策略。【结论】 本文为高性能纳滤膜的设计提供了理论支撑与技术路径。

关键词：纳米材料；纳滤膜；膜分离性能；机器学习；优化设计

基金资助：中国电力建设股份有限公司科技项目(DJ-ZDXM-2024-34)

下载

查看