一种基于机器学习辅助设计的高性能纳滤膜制备方法

本发明涉及纳滤膜，具体涉及一种基于机器学习辅助设计的高性能纳滤膜制备方法。

背景技术：

1、物质的分离与纯化在人类生活和工业发展中发挥重要作用，离子的选择性分离是能源存储和转换、污染监测和控制、清洁工业过程等领域的共性需求，离子的分离过程在探索新资源和加强现有资源的回收和再利用领域变得越来越重要。膜分离技术作为一种高效节能且环境友好的分离方法，通过膜结构的设计和调控，在微观尺度上可实现离子的选择性筛分，但离子的水合直径通常小于1nm，且不同离子之间的价数和大小差异极其微小，与较大分子或颗粒的分离相比，实现离子的精准筛分的难度极大。除此之外，为了实现卓越的离子筛选性能，分离膜的离子精准选择性和高渗透性需要同时实现。这意味着膜必须对目标离子自由渗透，同时具有高度选择性以确保不需要的离子不渗透，但受限于膜分离过程的传质机理，常规的离子分离膜存在着渗透性与选择性相互制衡的“trade-off”效应问题，基于膜的选择性离子传质需要在选择性和渗透性之间进行权衡。因此，离子体系的纳滤分离是一个“多机理协同”和“多因素耦合”的复杂过程，如何解耦多因素于纳滤膜离子分离性能间的作用关系，并从复杂繁多的因素中识别并提取到影响膜性能的关键特征参数，已成为膜法离子分离领域最具挑战的热点科学问题之一。

2、现有研究中多采用常规的非平衡热力学模型和基于孔结构的机械模型去指导离子分离纳滤膜的设计与制备，这往往需要海量的单因素实验才能获得性能较优的实验方案，在耗费大量成本的同时，所制备的膜的离子分离性能也并不显著。因此，亟待开发一种面向离子分离纳滤膜制备过程中所涉及的复杂多因素的膜辅助制备、设计方法，能够根据不同离子分离体系，更快速、更全面地阐释离子属性、客体材料性质、膜结构和操作参数等多因素、多变量与膜离子分离性能的之前的影响关系，进而指导膜的设计、制备和改性，在显著降低实验试错成本的同时，也使所制备的纳滤膜离子分离性能进一步获得提升，具备极大的科学价值和应用潜力。

技术实现思路

1、针对现有技术中存在的不足，本发明提供一种基于机器学习辅助设计的高性能纳滤膜制备方法，其基于大数据采集建立了极其庞杂和精细的基础参数数据集，进一步结合机器学习算法，构建了高预测性神经网络模型，面向不同离子分离体系，解耦影响膜离子分离性能的多重因素并提出关键特征参数，建立了离子属性—纳米材料特征—膜物化结构—膜制备及分离操作条件—膜分离性能的多尺度映射关系，最终获得了最优的膜制备条件参数组合，实现了高性能离子分离复合纳滤膜的定向制备。

2、本发明公开了一种基于机器学习辅助设计的高性能纳滤膜制备方法，包括：

3、步骤1、结合实验测试和文献调研的数据采集，构建精细化参数数据集；其中，所述精细化参数数据集包括目标筛分离子物化性质参数、功能化纳米材料物化性质参数、基于功能化纳米材料改性的复合纳滤膜制备条件参数、复合膜物化结构特征参数、复合膜分离过程的外表环境条件参数以及复合膜分离性能参数；

4、步骤2、将所述精细化参数数据集按照比例划分为训练集和测试集，将训练集和测试集输入机器学习或深度学习模型中，构建复合膜性能预测模型，进行数据训练与预测，建立所述目标筛分离子物化性质参数、功能化纳米材料物化性质参数、复合纳滤膜制备条件参数、复合膜物化结构特征参数、复合膜分离过程的外表环境条件参数与复合膜分离性能参数之间的非线性映射关系；

5、步骤3、结合数学算法和评价指标，对所述复合膜性能预测模型进行超参数调优和性能评估，实现模型优化；

6、步骤4、基于优化后的复合膜性能预测模型，采用可解释性方法识别并提取影响复合膜分离性能的关键参数，获得膜制备过程前、膜制备过程中及膜分离过程的最优参数组合，面向不同离子筛分体系，指导高性能复合纳滤膜的定向制备。

7、作为本发明的进一步改进，所述步骤1中，目标筛分离子物化性质参数包括不同分离体系下不同价态离子的基本物化性质，所述不同价态离子包括cl-/so42-，li+、na+、k+/mg2+和ca2+/al3+，所述基本物化性质包括离子价态、水合离子半径、脱水合离子半径、质量和水合自由能。

8、作为本发明的进一步改进，所述步骤1中，功能化纳米材料物化性质参数包括功能化二维纳米材料的基本物质属性，所述功能化二维纳米材料包括氨基化二硫化钼、羧基化二硫化钼、羟基化二硫化钼、氨基化氮化碳、羧基化氮化碳、羟基化氮化碳、氨基化石墨烯、羧基化石墨烯和羟基化石墨烯中的一种或多种，所述基本物质属性包括材料纳米片尺寸及片层间距、纳米片分散特性、壁面亲疏水性、壁面粗糙度、近壁面液体粘度、壁面湿润度、壁面曲率、官能团负载率和密度。

9、作为本发明的进一步改进，所述步骤1中，基于功能化纳米材料改性的复合纳滤膜制备条件参数包括：底膜材质及分子量、底膜预处理时间和温度、水相单体种类及浓度、有机相单体种类及浓度、功能化纳米材料种类及其分散液的浓度、膜在功能化纳米材料分散液—水相溶液—有机相溶液中进行界面聚合反应的浸泡时间与温度、吹干膜表面残留溶液所使用空气刀的操作参数、界面聚合完成后风干膜所需的时间和温度以及热固化处理的温度和时间；其中，

10、所述底膜材质为聚醚砜、聚丙烯腈、聚偏二氟乙烯、聚砜和聚氯乙烯中的一种或多种，所述分子量为50~100 kda；

11、针对阴离子分离体系的水相单体包括哌嗪、哌嗪-2-羧酸和间苯二甲胺，针对阳离子分离体系的水相单体包括聚乙烯亚胺、支化聚乙烯亚胺和聚烯丙基胺盐酸盐；

12、吹干膜表面残留溶液所使用空气刀的操作参数包括供气压力、气刀口与膜表面距离、气刀与膜表面夹角和走膜速度。

13、作为本发明的进一步改进，所述步骤1中，复合膜物化结构特征参数是通过傅里叶变换红外光谱、拉曼光谱、光电子能谱、扫描电镜、透射电镜、原子力显微镜、x射线衍射、水接触角和zeta电位分析中的一种或多种表征手段获得的，包括膜厚度、膜表面粗糙度、膜表面及垂直梯度元素组成、膜表面负载量、水接触角、zeta电位、膜平均孔径尺寸及数学分布、膜表面及垂直梯度电荷性质/强度/密度、道南分配系数及尺寸筛分因子。

14、作为本发明的进一步改进，所述步骤1中，复合膜分离过程的外表环境条件参数是指将制备完成的功能化二维纳米材料复合纳滤膜用于不同分离体系的离子分离过程所涉及的操作条件，包括进料液浓度、预压时间和压力、分离操作压力及温度和出水时间和压力；

15、所述复合膜分离性能参数是指采用功能化二维纳米材料复合纳滤膜进行不同离子分离体系的离子分离性能，包括膜的纯水通量、单盐截留率、混盐选择性分离因子和长周期运行稳定性。

16、作为本发明的进一步改进，所述步骤2中，将精细化参数数据集按照比例划分为训练集和测试集，包括：通过实验测试和文献数据采集，按照阴、阳离子分离体系整理数据，确保有效数据组在500组以上且包含15000个以上的有效数据点，形成初始数据集；将初始数据集划分为多个类型的特征数据集：选取目标筛分离子物化性质参数作为背景特征，选取功能化纳米材料物化性质参数和复合膜物化结构参数作为结构特征，选取复合纳滤膜制备条件参数和复合膜分离过程的外表环境条件参数作为操作特征，选取复合膜分离性能参数作为分离结果特征；对各特征数据序列进行预处理：采用箱式图法剔除异常值，采用三次样条插值或线性插值法处理空白值和缺失值，采用min-max归一化方法将原始数据映射到[0,1]区间，归一化公式为：

17、

18、式中，为进行归一化处理后的对应值，为第n类特征数据序列中的第m个有效数据点，为第n类特征数据序列中的最小特征值，第n类特征数据序列中的最大特征值。

19、对数据进行归一化处理后，将每类特征数据集按照7:3或8:2的比例划分为训练数据集和测试数据集。

20、作为本发明的进一步改进，所述步骤2中，机器学习或深度学习模型包括卷积神经网络、支持向量机、极致梯度提升算法、自适应提升算法和随机森林中的一种或多种；

21、基于选定的学习模型，将已建立并划分好的训练数据集输入模型，调整参数进行数据训练，以建立上述复合膜对于不同离子的分离性能参数与其他输入特征参数之间复杂的映射关系，具体特征关系式如下式所示：

22、

23、式中，为复合膜的分离性能参数特征数据矩阵，为输出变量；为目标筛分离子物化性质参数特征数据矩阵，为输入变量中的背景特征值；、、、分别为功能化纳米材料物化性质参数、复合纳滤膜制备条件参数、复合膜物化结构参数、复合膜分离过程的外表环境条件参数特征数据矩阵，均作为模型的目标输入变量；为残差变量。

24、作为本发明的进一步改进，所述步骤3中，采用特征离散化算法、贝叶斯优化算法和k折交叉验证中的一种或多种对模型进行超参数调优，并采用决定系数r2、平均误差mb、平均绝对误差mae、均方根误差rmse和平均绝对百分比误差mape五种评价指标对模型参数方案的性能进行评价，选择最优参数方案。

25、作为本发明的进一步改进，所述步骤4中，基于优化后的模型，采用特征重要性排序等可解释性方法，识别并提取影响复合膜分离性能的关键参数，具体指，在建立最优预测模型的基础上，采用特征重要性排序、nnkx、deep taylor、ice和shap等局域可解释性方法来衡量不同输入参数特征在模型预测结果中的贡献分数和权重，量化该特征参数的重要性程度，从而识别并提取影响复合膜分离性能的关键参数特征。

26、作为本发明的进一步改进，所述步骤4中，获得膜制备过程前、膜制备过程中及膜分离过程的最优参数组合，具体指，在特征重要性评估的基础上，识别并提取了对于复合膜性能影响较大的关键特征，采用全局寻优算法和机器学习模型的迭代寻优，结合目标函数计算适应度值，根据不同筛分体系下，复合纳滤膜的最佳离子分离性能反向预测对应关键特征的全局最优参数值，进而获得膜制备过程前、膜制备过程中及膜分离过程操作的最优参数组合。

27、作为本发明的进一步改进，所述步骤4中，最终面向不同离子筛分体系，指导高性能复合纳滤膜的定向设计与制备，具体指，针对不同的离子筛分体系，结合机器学习模型预测得到的复合纳滤膜制备及分离过程操作的最优参数组合，包括纳米材料功能化基团种类、底膜材质、水相单体种类及浓度、功能化纳米材料分散液浓度、膜在功能化纳米材料分散液—水相溶液—有机相溶液（界面聚合反应）中浸泡的时间与温度、热固化处理的温度和时间、水接触角、zeta电位、膜平均孔径尺寸及数学分布、膜表面及垂直梯度电荷性质/强度/密度、道南（donnan）分配系数及尺寸筛分因子、分离操作预压时间和压力、分离过程压力及温度等对于膜性能影响权重较大的关键参数的最优组合，进而定向制备复合纳滤膜，最终获得高性能复合纳滤膜。

28、与现有技术相比，本发明的有益效果为：

29、本发明不同于传统的纳滤膜的制膜方法，创造性地采用了大数据分析和机器学习模型相结合的方法定向指导纳滤膜的设计与制备，有效地降低了常规的膜制备和改性方法依赖于从单因素出发进行海量实验的经验型试错所带来的大量成本，同时也进一步增强了膜的离子分离性能；

30、本发明面向不同离子分离体系，解耦影响膜离子分离性能的多重因素并提出关键特征参数，建立了离子属性—纳米材料特征—膜物化结构—膜制备及分离操作条件—膜分离性能的多尺度映射关系，更快速、更全面地阐释离子属性、客体材料性质、膜结构和操作参数等多因素、多变量与膜离子分离性能的之前的影响关系，进而指导膜的设计、制备和改性，最终获得了最优的膜制备条件参数组合，实现了高性能离子分离复合纳滤膜的定向制备。