氧化石墨烯（GO）以其单原子厚度有望实现膜过程的高效分离，如何解决GO膜的溶胀问题并定向设计高性能分离膜是该过程的关键。
      近日，安徽理工大学刘泉副教授在《ACS Sustainable Chemistry & Engineering》期刊上发表了题为“Enhancing ballistic transport and C₃-C₄ alcohol dehydration through machine learning-designed cationic graphene oxide membranes”的重要研究成果，采用机器学习（ML）实现GO膜的水稳定性与溶剂脱水性能的提升。
近年来，机器学习（ML）和分子模拟改变了传统膜材料的研发模式。该研究采用ML辅助设计离子化GO膜，建立了包括温度、化学基团、离子负载量、离子大小和电荷等描述符与膜性能之间的多变量预测模型。采用分子模拟探究GO的水稳定性：传统观点认为GO稳定机制源于“离子-π”作用；该研究考虑离子的实际水合效应，提出“类根状氢键”稳定膜层及水分子“弹道传输”机制。通过探索不同阳离子，发现Ca²⁺-GO膜最具氢键稳定性和静电捕水能力；通过渗透汽化测试，该ML设计的GO膜对异丙醇和丁醇表现出优异的脱水性能，分离因子分别达到5922和46369，渗透性约48.5-123.6 GPU，远超现有的分离膜报道。该研究发展ML加速了高性能膜材料开发并揭示GO膜的水稳定机制，为研究者提供了定向设计思路与参考机制。


图1机器学习之GO膜设计。


图2 阳离子GO膜捕水过程及“类根状”氢键稳定膜层机制。
 

图3 弹道传质过程中的位阻和静电作用。
 

图4 ML筛选最优膜结构。
 

图5 ML设计Ca²⁺-GO膜之性能对比。

作者：孙龙龙，刘泉，梁卓琳，杨忠连，张中标
通讯作者：


刘泉，安徽理工大学副教授、硕士生导师；2019年博士毕业于南京工业大学化工学院，导师：金万勤教授；主要从事膜分离方向研究，聚焦于膜过程传质机制与新型亚纳米孔道膜材料的机器学习设计。个人信息主页https://orcid.org/0000-0002-0266-5570
 
 
论文链接：https://doi.org/10.1021/acssuschemeng.4c05255