Membranseparationer har länge erkänts som energieffektiva processer med en snabbt växande marknad. Särskilt, organisk lösningsmedels nanofiltrering (OSN) -teknologi har visat stor potential när den tillämpas på olika industrier, såsom petrokemikalier, läkemedel och naturprodukter. Energin som förbrukas av dessa industrier står för 10 till 15 procent av världens hela energiförbrukning.

Ändå, svårigheter att förutsäga separationsprestanda för OSN -membran har hindrat en smidig övergång från lab -upptäckt till implementering i branschen. Att förutsäga membranens prestanda är en utmanande uppgift på grund av lösningsmedlets komplexa karaktär, lösta och membraninteraktioner. "Trots expansiv litteratur och rapporter om membranapplikationer, det fanns ingen omfattande databas för att vägleda gemenskapen, "säger projektledaren Gyorgy Szekely från Advanced Membranes &Porous Materials Center, King Abdullah University of Science and Technology (KAUST).

Forskare på KAUST samarbetade med forskare vid Incheon National University, Sydkorea, att utveckla en artificiell intelligens (AI) baserad prediktiv metodik som snabbt kommer att spåra den industriella implementeringen av membran i organiska medier. De utförde datamining för att ge den största datamängden, omfattande mer än 38, 000 datapunkter i fältet. Istället för att närma sig problemet med förutsägelse ur ett grundläggande matematiskt perspektiv, de har brutit sig loss från konventioner genom att utnyttja AI. Medan en erfaren membranforskare kan tolka komplexa membrandata i tre dimensioner (i bästa fall fyra dimensioner), AI kan analysera flerdimensionella data och extrahera dolda trender och korrelationer mycket effektivt.

"För att belysa de viktigaste parametrarna för membranprestanda (t.ex. selektivitet och permeabilitet), vi utförde en grundlig huvudkomponentanalys med 18 dimensioner, "säger den första författaren till studien Jiahui Hu." Vi tillämpade algoritmer för maskininlärning (artificiella neurala nätverk, stödja vektormaskiner, och slumpmässiga skogsmodeller) som förutsade separationsprestanda med en oöverträffad noggrannhet på 98% för permeance och 91% för selektivitet. "

Dessutom, forskningsresultaten bana väg mot bättre membrandesign och utveckling. Den utvecklade metodiken för prestationsförutsägelse gör det möjligt att utveckla energieffektiva separationer i siliko. "I sista hand, vi är ett steg närmare den nödvändiga omvandlingen från våtlabbet till det trådbundna labbet, "säger Szekely." Den snabba identifieringen av rätt membran för en given separationsutmaning kommer att göra det möjligt att maximera vinstmarginalerna genom att minimera mödosamma experimentella undersökningar i labbet. "