近日，郑州大学新型膜材料与膜过程团队课题组在机器学习辅助膜分离材料研发方向取得系统性进展，相关成果如下：一、机器学习在气体分离膜研发中的应用：迈向成熟应用本综述系统梳理了机器学习（ML）技术在气体分离膜设计、筛选与机制解析中的研究进展，涵盖聚合物膜、混合基质膜（MMMs）以及多晶多孔膜（如MOFs、COFs）三大类。文章重点讨论了数据驱动方法在解决传统“试错式”膜开发中效率低、成本高等难题中的重要价值。例如，通过训练模型对超九百万种假想聚合物的气体渗透性进行高通量预测，从中筛选出突破Robeson上限的候选材料；利用ML辅助MOF和COF膜的构效关系分析，实现亚纳米尺度下分子筛分机制的解析与预测。此外，文中还系统总结了膜材料研究中常用的公开数据库（如Polymer Genome、CoRE-MOF、CURATED-COFs等），并指出目前数据生态中存在“信息贫乏、格式不统一、缺乏标签”的关键瓶颈，呼吁建立更加标准化、可共享的数据平台。值得注意的是，该综述还对“弱监督学习”“主动学习”“结构特征重要性分析”等新兴ML策略在膜科学中的潜力进行了展望，并强调实验验证对于提升模型可信度和实用价值的不可替代作用。本工作为气体分离膜材料的智能设计提供了系统方法论和全面视角，进一步推动了人工智能与膜科学的深度融合。该成果发表在国际权威期刊《Separation and Purification Technology》，课题组王景副教授为第一作者，张亚涛教授为通讯作者。文章链接：https://doi.org/10.1016/j.seppur.2023.123493二、基于集成机器学习解析关键结构和操作参数对疏松纳滤膜盐/染料分离效果的影响机制本研究针对疏松纳滤膜在盐/染料分离中的性能调控问题，提出了一种使用随机森林（RF）与极端梯度提升（XGBoost）模型的机器学习预测框架，通过分析膜结构参数（孔径与Zeta电位）及操作变量（跨膜压差与进料浓度）对分离性能的协同影响，揭示了影响盐渗透与染料截留的关键因素。研究发现，膜结构特性对分离性能的影响显著高于操作条件，特别是Zeta电位在单价与二价离子的渗透调控中占主导地位。通过SHAP值与偏依赖分析，作者量化了各特征对预测输出的影响，进一步明确了适用于高通量盐渗透与高效染料截留的最优设计参数区域（孔径5.0 - 7.5nm，Zeta电位-60至-50mV）。值得一提的是，研究还构建了可迭代优化的主动学习增强机制，实现了数据集的有效扩充与模型精度的持续提升，最终建立起一个面向膜材料设计的可解释性强、泛化性优的机器学习平台。这项工作为实现染料/盐高效分离的疏松纳滤膜理性设计提供了理论指导与数据支持，为复杂废水体系中功能膜材料的智能开发与绿色应用提供了新思路。该成果发表在膜领域权威期刊《Journal of Membrane Science》，课题组硕士研究生张元基为第一作者，张亚涛教授、李东洋副教授为通讯作者。文章链接：https://doi.org/10.1016/j.memsci.2025.124274三、膜法水淡化中机器学习的应用评估研究综述该综述系统总结了机器学习（ML）方法在膜法水处理各主流脱盐过程中的研究进展，包括纳滤（NF）、反渗透（RO）、正渗透（FO）、膜蒸馏（MD）、电渗析（ED）与电容去离子（CDI）等。文章围绕膜材料设计、性能预测、离子选择性机制剖析等核心问题，评估了从传统单一模型到集成模型再到深度学习在内的多种ML方法的适用性与性能表现。研究指出，不同脱盐过程对膜性能的决定因子各异：例如，NF膜的离子选择性依赖于孔径与表面zeta电位，RO膜的水通量受限于选择层厚度与填料粒径，FO膜的水通量则高度敏感于浓差驱动、温度和流速等操作条件。通过对文献数据的归纳与对比，作者明确了各模型在预测精度（R2）方面的表现边界，并提出了适用于不同场景的模型选择建议。例如，在NF和FO体系中，ANN模型通常能获得R2≥0.98的高精度；在RO和混合体系中，XGBoost等集成模型则兼具准确性与通用性。值得关注的是，综述强调了“特征重要性分析”在揭示脱盐机制中的价值。通过SHAP、PDP分析等手段，研究者能够量化孔径、电荷、反应条件等因素对脱盐性能的贡献，为膜结构调控和组分设计提供数据支持。本工作不仅为膜材料的智能化筛选与高通量虚拟实验提供了系统性思路，也为理解复杂离子传输与选择性分离机制提供了新的视角。该成果发表于国际权威期刊《Desalination》，课题组硕士研究生张元基、何家乐为共同第一作者，张亚涛教授、李东洋副教授为通讯作者。文章链接：https://doi.org/10.1016/j.desal.2025.119041