Membraanscheidingen worden al lang erkend als energie-efficiënte processen met een snelgroeiende markt. Vooral, organisch oplosmiddel nanofiltratie (OSN) technologie heeft een aanzienlijk potentieel getoond bij toepassing in verschillende industrieën, zoals petrochemie, geneesmiddelen en natuurlijke producten. Het energieverbruik van deze industrieën is goed voor 10 tot 15 procent van het totale energieverbruik in de wereld.

Hoe dan ook, moeilijkheden bij het voorspellen van de scheidingsprestaties van OSN-membranen hebben een soepele overgang van laboratoriumontdekking naar industriële implementatie belemmerd. Het voorspellen van de prestaties van membranen is een uitdagende taak vanwege de complexe aard van oplosmiddelen, interacties tussen opgeloste stoffen en membranen. "Ondanks uitgebreide literatuur en rapporten over membraantoepassingen, er was geen uitgebreide database om de gemeenschap te begeleiden, " zegt de projectleider Gyorgy Szekely van het Advanced Membranes &Porous Materials Center, Koning Abdullah Universiteit voor Wetenschap en Technologie (KAUST).

Onderzoekers van KAUST werkten samen met onderzoekers van Incheon National University, Zuid-Korea, om een ​​op kunstmatige intelligentie (AI) gebaseerde voorspellende methodologie te ontwikkelen die de industriële implementatie van membranen in organische media zal versnellen. Ze voerden datamining uit om de grootste dataset op te leveren, bestaande uit meer dan 38, 000 datapunten in het veld. In plaats van het probleem van voorspelling vanuit een fundamenteel wiskundig perspectief te benaderen, ze hebben zich losgemaakt van conventies door AI te exploiteren. Terwijl een ervaren membraanonderzoeker complexe membraangegevens in drie dimensies kan interpreteren (hoogstens vier dimensies), AI kan zeer effectief multidimensionale gegevens analyseren en verborgen trends en correlaties extraheren.

"Om de belangrijkste parameters voor de membraanprestaties op te helderen (bijv. selectiviteit en permeabiliteit), we hebben een grondige hoofdcomponentenanalyse uitgevoerd met 18 dimensies, ", zegt de eerste auteur van de studie Jiahui Hu. "We pasten machine learning-algoritmen toe (kunstmatige neurale netwerken, ondersteuning van vectormachines, en willekeurige bosmodellen) die scheidingsprestaties voorspelden met een ongekende nauwkeurigheid van 98% voor permeantie en 91% voor selectiviteit."

Bovendien, de onderzoeksresultaten effenen de weg naar een beter membraanontwerp en -ontwikkeling. De ontwikkelde prestatievoorspellingsmethodologie zal de in silico ontwikkeling van energie-efficiënte scheidingen mogelijk maken. "Uiteindelijk, we zijn een stap dichter bij de noodzakelijke transformatie van het natte lab naar het bedrade lab, ", zegt Szekely. "De snelle identificatie van het juiste membraan voor een bepaalde scheidingsuitdaging zal het mogelijk maken de winstmarges te maximaliseren door moeizame experimentele screenings in het laboratorium te minimaliseren."