【同济大学｜Water Research】机器学习驱动纳滤/反渗透膜精准调控，实现有机微污染物靶向去除

文章信息

题目（英文原题）：

A machine learning based framework to tailor properties of nanofiltration and reverse osmosis membranes for targeted removal of organic micropollutants

作者：

Airan Hu, Yanling Liu*, Xiaomao Wang, Shengji Xia, Bart Van der Bruggen

单位（中文全称）：

同济大学 污染控制与资源化研究国家重点实验室

同济大学 先进膜技术中心

教育部长江水环境重点实验室

同济大学 上海污染控制与生态安全研究院

清华大学 环境模拟与污染控制国家重点联合实验室

比利时鲁汶大学 化学工程系

期刊：

Water Research（水研究），2025年，第268卷，122677

DOI：

https://doi.org/10.1016/j.watres.2024.122677

一句话概括核心结论或创新亮点

本研究构建了一个可解释、具备良好泛化能力的机器学习框架，能够定量识别有机微污染物去除的主控机理，并为纳滤/反渗透膜的定向选择与设计提供精准参数指导。

研究背景与科学问题

有机微污染物（Organic Micropollutants, OMPs）广泛存在于水环境中，具有低浓度、高毒性、难降解等特点，对生态系统和人体健康构成潜在风险。

在现有水处理技术中，纳滤（NF）与反渗透（RO）膜因其高效、稳定、绿色等优势，被广泛用于OMPs去除。

然而，该领域仍面临三大核心挑战：

OMPs种类极其多样

，分子尺寸、电荷和疏水性差异显著，实验评价成本高、周期长；

现有研究多为“单膜–单污染物”测试结果，难以整合为可指导工程实践的系统规律；

虽已有机器学习用于预测截留率，但模型泛化能力不足、缺乏机理解释性，难以反向指导膜材料设计。

本研究聚焦的科学问题是：

能否构建一个兼具预测能力与机理可解释性的机器学习模型，用于定量指导针对特定OMPs的膜性能定制化设计？

技术原理与创新点

核心技术原理

构建包含793组实验数据（101种膜、209种OMPs）的文献数据库；

采用Extreme Gradient Boosting（XGBoost）回归模型建立OMPs截留率预测模型；

结合领域知识进行特征工程，引入反映核心机理的组合特征：

尺寸比

：OMPs范德华半径 / 膜平均孔径（表征尺寸筛分效应）

电荷乘积

：膜Zeta电位 × OMPs电荷（表征静电作用）

关键创新点

机理驱动的特征构建，避免“黑箱式”建模

引入数据泄露管理与多次随机划分评估，确保模型稳健性

结合SHAP、PDP、ICE等方法，实现模型的全局与局部可解释性

从“预测性能”进一步迈向“反向设计指导膜参数”

实验验证与性能

模型构建与对比

对比三类模型：

XGBoost在预测精度与泛化能力方面显著优于传统模型。

外部数据集验证

使用19种高风险OMPs（未参与训练）作为外部测试集；

预测性能仍保持R²_adj = 0.74；

RMSE = 11.85，MAE = 8.33，显示出优秀的泛化能力。

学术贡献

提出

一个面向OMPs风险控制的通用型机器学习框架

定量识别

纳滤/反渗透膜去除OMPs的主控机理：

尺寸筛分效应（主导）

静电相互作用（次主导）

实现

从OMPs分子性质出发，反向推导膜孔径与表面电性参数

推动

机器学习从“性能预测”向“材料定向设计”范式转变

局限性与未来方向

当前局限性：

数据主要来源于文献，测试条件仍偏理想化；

尚未充分考虑：

pH变化

共存无机盐

天然有机物等复杂水基质效应

未来研究方向：

构建标准化、高一致性实验数据库

纳入更多水质与操作参数作为输入特征

扩展模型至真实水厂运行条件下的膜性能预测

与膜材料合成实验形成**“模型–实验”闭环优化**

总结

本研究证明了机器学习不仅可以预测膜对有机微污染物的去除性能，更能反向指导膜材料的定制化设计。

通过引入机理约束与模型可解释性，该工作为高效膜开发、风险导向水处理设计提供了一条可复制的新路径，对膜科学研究者和工程实践者均具有重要启示意义。

图文赏析

图1机器学习整体流程示意图，包括数据集构建、模型训练与模型应用三个阶段。

图2特征工程前后输入特征的Pearson相关系数矩阵。

图3训练集与典型OMPs测试集在各特征维度上的数据分布对比。

图4各输入特征的SHAP值分布及平均绝对贡献，反映其对OMPs截留率预测的重要性。

图5

(a) 各特征的ICE曲线（灰线）与一维PDP（红虚线）；

(b) 不同特征组合的二维PDP，展示尺寸筛分与静电作用的耦合效应。

图6不同膜MWCO与Zeta电位条件下，高风险OMPs的综合截留率变化趋势。

图7在不同膜参数组合下，各典型OMPs的预测截留率及其变化范围。