乙醇等醇类物质的高效脱水在生物能源、化工及制药行业具有巨大应用需求。渗透汽化作为一种高效、节能且易于规模化的膜分离技术，被公认为是最具潜力的替代方案之一。然而，高性能膜的开发长期依赖昂贵且耗时的“试错法”，其性能受聚合物结构、操作条件、溶剂性质等多因素复杂交织影响，建立精确的预测模型一直是该领域的关键挑战。

近期，中国科学院新疆理化技术研究所研究团队利用机器学习算法，成功实现了对醇水混合物分离渗透汽化膜性能的精准预测，为加速高效分离膜的设计提供了全新的理论支撑。研究团队通过收集近20年来公开文献中的实验数据，构建了包含1081条样本的渗透汽化膜性能数据库，涵盖膜结构参数、操作条件、溶剂性质等多维度特征。通过对比多种机器学习模型，发现基于梯度提升决策树算法模型CatBoost在处理通量预测时表现出最优的稳定性与准确性，而极端梯度提升模型XGBoost则在分离因子预测中展现出最强的解释力与泛化能力，验证了集成学习算法在复杂化工数据建模中的显著优势（图1）。机制解析表明，聚合物的Hildebrand溶解度参数是影响膜分离性能的最关键物理化学因素，该参数直接决定了膜材料与溶剂分子间的相互作用强度。通过SHAP可解释性分析（一种基于博弈论中‌Shapley值‌的模型解释方法），研究从数据角度量化揭示了各特征对膜性能的贡献度，进一步确认了溶解度参数在调控选择性和通量中的核心作用。此外，团队采用二维偏依赖图对关键参数组合（如“聚合物浓度-交联剂浓度”、“温度-溶解度参数”）进行了可视化分析，清晰呈现出不同制备与操作条件之间的协同或拮抗效应，为膜的精准设计与工艺优化提供了直观的“性能图谱”。

此外，为充分检验模型的鲁棒性与普适性，首先在乙醇-水体系内设置了完全独立的盲测试验；进而将模型泛化至异丙醇-水和正丁醇-水两种分子结构、极性各异的醇类分离体系，模型在通量预测上仍保持R²> 0.94的高精度；最终，基于模型解析出的最优参数组合，成功指导制备出聚乙烯醇/玄武岩纤维复合膜。该膜在95wt%乙醇脱水实验中，实现了渗透通量113.5 g·m⁻²·h⁻¹、分离因子90.6、综合分离指数达10169.6的卓越性能，多项指标优于文献报道的同类膜材料，完成了从“预测性能”到“创造性能”的闭环验证。

图1. 机器学习辅助预测醇水混合物渗透汽化分离性能研究 

该研究不仅为渗透汽化膜的智能化设计与性能预测提供了可靠工具，也为其他膜分离系统的机器学习建模提供了方法参考，具有重要的理论价值与应用前景。相关研究成果发表在国际期刊《分离与纯化技术》（Separation and Purification Technology）上。研究工作得到了新疆天山英才人才计划、新疆天池英才人才计划及新疆重点研发计划等项目的资助。

（原文链接）