综述:利用机器学习在膜技术中的优势:一项前沿综述
《Inorganic Chemistry Communications》:Leveraging the benefits of machine learning in membrane technology: A state-of-the-art review
【字体:
大
中
小
】
时间:2025年12月31日
来源:Inorganic Chemistry Communications 5.4
编辑推荐:
机器学习(ML)在膜技术中的应用综述,涵盖燃料电池、海水淡化、气体分离及溶剂纯化四大领域,探讨ML如何通过数据驱动优化材料设计、结构优化及系统性能,分析现有方法的优势与局限性,并提出未来研究方向。
Leena V. Bora
印度尼玛大学化学工程系
摘要
膜科学与技术实现了实时分离和纯化,包括水净化和工业分离。然而,传统设计的性能效率受到基于试错实验的局限性,这些实验可能还存在错误。机器学习(ML)通过分析与膜材料及其性质、溶质-溶剂相互作用以及系统运行条件相关的历史和统计数据,能够快速评估膜的性能。利用ML的优势有助于提出具有更高性能指标的膜设计,以满足特定应用需求。本文概述了应用于燃料电池、海水淡化、气体分离和溶剂纯化领域的ML技术的最新进展。文章批判性地讨论并分析了研究人员的相关发明,旨在制定最佳ML实践,以选择和设计价格合理且性能优异的膜,同时权衡相关利弊。在简要介绍了一些基本的ML概念后,本文还探讨了从数据库库和来源检索数据的途径,以及基于数据的膜材料-结构-性质相互作用的预测方法。最后,文章指出了面临的挑战和未来发展方向,希望能为未来的研究提供方向。
引言
膜在多种工业和商业应用中得到使用,包括海水淡化、气体净化、燃料电池(FC)、食品和制药、生物医学、环境修复、生物技术、化学加工等。21世纪以机器学习(ML)和人工智能技术的出现为标志。这些技术以数据为驱动,能够处理多维和高度非线性的相互作用,从而指导开发者根据结构-性能关联来设计膜。ML是一种强大的工具,能够整合高维和非线性方法,推动膜科学的重大进展。在膜科学中,ML可以成功应用于解码分离机制、参数优化、系统设计、选择性提升以及降低成本和环境影响等方面。
数据驱动的学习之所以重要,是因为计算能力的指数级增长以及大量数据集的收集、存储和可用性。因此,建模基于数据的数量和质量,而不是传统的基于假设的物理规则概念化方法[1]。ML算法被训练来识别数据集中的模式,并调整和微调其参数,以尽可能准确地预测目标结果。这种学习基于图学习算法、群体贡献方法、分子描述等。无论哪种情况,都必须采用适当的方法来收集数据,因为过拟合或欠拟合数据会导致测试或训练数据集的错误拟合。例如,如果数据集较小,可以采用群体贡献方法来解决拟合问题。
到目前为止,关于将ML应用于膜技术的研究还很少。尽管有一些文章阐述了ML在膜技术各应用中的贡献。例如,Yin等人[2]和Osman等人[3]很好地总结了这一主题,Dansawad等人[4]讨论了其在水处理中的应用,Cao等人[5]对通过ML进行膜设计进行了简要回顾,Wang等人[6]总结了ML在气体分离膜中的应用,Ignacz等人[1]在ML辅助的膜技术方面取得了重要进展,Frontistis等人[7]回顾了ML在膜生物反应器系统中的实现等。虽然这些文章非常出色,为进一步研究奠定了基础,但它们要么过于具体,要么过于笼统。
本综述提供了该领域ML集成膜技术的最新进展的全面评估,重点介绍了ML技术在四个主要应用(燃料电池、海水淡化、气体分离和溶剂纯化)中的预测和设计效果。本文旨在服务于特定领域的研究人员和工业界人士,使他们能够战略性地将ML应用于下一代膜系统,促进活跃的研究和实际商业化。本文的主要内容总结如下:
- i.
本文首先介绍了ML的基本概念及其在膜技术中的应用,讨论了与膜科学和技术相关的数据库和化学信息学、分子动力学(MD)、潜在特征及其优化技术、ML模型及其评估指标等宝贵信息。
- ii.
文章深入探讨了ML在四个膜领域的应用,并提供了关于其策略和性能的准确信息。
- iii.
将ML应用于每个领域分为三个部分:应用于膜材料的ML、应用于膜结构的ML以及应用于膜设计的ML。
- iv.
最后,讨论了ML应用中的不足之处及未来的发展方向。
总之,本文将为研究人员和工程师提供方向,帮助他们整合关于ML技术在膜科学中的战略实施方面的分散讨论,以实现商业化及进一步的研究与开发。
部分摘录
ML在膜技术中的应用
膜在多个领域得到应用,其中最突出的包括海水淡化、溶剂(纳米)过滤、燃料电池(FC)和气体分离。膜的有效性和性能指标主要由其渗透性和选择性决定。渗透性(P)数学上表示为物质的渗透速率(JA)与压力差(ΔPA)的比值,而选择性则由两种物质的渗透系数之比表示。
应用
大量研究表明,已经开发出具有预期性能的膜,例如在水处理中具有高水容量、高保留率和抗污染性能;在气体分离中具有高选择性和高渗透性;在有机溶剂分离中具有高溶质保留率和溶剂渗透性;在燃料电池中具有催化层的耐用性和高性能。传统的实验方法成本高昂、费时且基于试错,
挑战与未来工作
在当今数字化时代,ML已在各个领域展现出其多功能性。膜的性能取决于多个参数,而ML有效降低了分析的维度。它还有助于理解特征之间的内在关联,从而帮助设计和预测更高效的分离系统。尽管ML在包括膜技术在内的许多领域取得了显著进展,但仍存在一些挑战
结论
膜在工业和日常生活中有着广泛的应用。燃料电池是一种利用膜产生燃料的新兴技术。饮用水和清洁水的短缺问题众所周知,而膜被广泛用于净化水。膜在工业过程中可以分离混合物中的有害气体和所需气体。有机溶剂因在化学工业中作为反应介质和清洁剂而变得重要,膜分离技术对于回收这些溶剂至关重要。
CRediT作者贡献声明
Leena V. Bora:撰写——综述与编辑、原始草稿撰写、验证、方法论、调查、数据分析、概念化。
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
作者感谢尼玛大学提供了进行这项工作所需的所有基础设施和支持。
Leena V. Bora博士拥有化学工程博士学位,专攻催化、分离技术和太阳能利用。她拥有20年的教学经验,目前是尼玛大学的教员。她在著名期刊上发表了多篇化学工程领域的论文,并在多个国际会议上发表了论文。她是IIChE和ISTE等机构的终身会员。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号