有机溶剂纳滤是一种压力驱动的膜分离技术，根据分子在有机介质中的物理化学性质来区分分子。光交换网络适用于石化行业的催化剂回收、溶质浓缩和溶剂回收。它为蒸馏或色谱等能源密集型工业分离提供了一种低能耗和可持续的替代品。

尽管光交换网络具有多重优势，但其广泛和大规模的工业应用尚未得到充分利用。最近的工作主要集中在开发聚合物膜材料，在刺激性有机溶剂中具有更好的选择性，渗透性和稳定性。

一项调查报告称，缺乏对光交换网络基本原理的研究努力，并承认迫切需要对光交换网络的过程方面进行进一步研究。光交换网络文献数据不一致，出版物通常只关注特定类型的膜、溶剂或溶质。

光交换网络中重要的工艺变量之一是有机溶剂。溶剂在过滤过程中被认为是主要介质，有时其浓度比溶解的溶质高几个数量级。光交换网络中溶剂和溶质的渗透性先前已使用简单溶液-扩散，经典溶液-扩散和麦克斯韦尔斯特凡模型进行了描述。

尽管这些通用分析模型很好地描述了系统，但它们需要几个测量参数，例如，必须测量所有溶剂-膜-溶质三重态的扩散常数，这使得模型实现在实际应用中具有挑战性。相关的过程变量分散在文献中，这导致工业应用普遍存在不确定性。

模型实现的复杂性在精细化工行业中更为普遍，因为它们通常与尚未合成的假设分子一起工作。这些理论分子用于大规模虚拟筛选或逆合成分析阶段，有时涉及数十亿个分子。一般的分析光交换网络模型被认为是缓慢且依赖于湿实验室的，因此与快节奏的行业不兼容。

尽管以前的研究已经探索了不同溶剂中的溶质排斥，但这些研究使用了一小部分溶质。得出的一般结论是，结构差异，溶解度参数，极性，官能团和电子密度，正在影响排斥。最近，光交换网络膜表征和工艺开发阶段缺乏化学多样性已被证明阻碍了一般适用性和可预测性。

最全面的研究确定了关于溶质排斥的两个主要观察结果：使用不同的溶剂-溶质-膜三联体时会发生不同的传递现象，以及溶质特性仅在溶剂-膜亲和力低时才影响排斥。这些开创性研究的比较突出了光交换网络中溶剂效应的争议和复杂性。

目前，还没有关于溶质在各种溶剂中的脱除行为的全面研究，也没有大型数据集。这导致溶剂对溶质剔除的影响普遍存在不确定性。我们测试的溶剂和溶质比整个光交换网络文献的总和还要多。这些数据与光交换网络数据库中可用的数据合并，用于应用统计模型来理解光交换网络中溶剂效应的基本原理。

我们发现溶剂参数与该溶剂中平均测量的剔除率之间存在很强的相关性。使用我们的数据，我们显示了对新溶剂的一般外推能力。我们验证了我们的模型对包含311个数据点的文献数据的泛化能力。

我们旨在建立一个模型，使用从溶剂结构中获得的描述符直接计算预期剔除率。我们使用可解释的人工智能来理解和可视化溶剂-溶质相互作用。本研究首次使用溶剂参数低至原子和键级来解释光交换网络中的溶质排斥行为。

高挥发性和不与水混溶的溶剂表现出很高的测量误差，主要来自样品收集。水溶性溶剂的平均测量误差较低。溶剂的平均渗透率与溶质测量的平均去除率之间存在很强的相关性。随着平均渗透率的降低，平均测得的排斥率趋于降低。测得的平均排斥率与文献中的相似。

加扰测试的表现明显比真实模型差，因此得出结论，该模型不是基于随机性的。我们假设平均测量的拒绝率可以直接根据相同分子的溶剂参数计算出来。高分数和低扰频分数是聚酰亚胺膜上预期剔除率是多个溶剂参数的函数的良好指标。

溶剂渗透率对粘度、摩尔体积和先前已证明溶剂分子的平均预期排斥率是溶剂依赖性的。这种依赖性可以直接从电子性质以及溶剂的结构中估计出来。这些结果纯粹是经验性的，迄今为止仅证明对聚酰亚胺膜有效。

所提供的相关描述符与文献中的大多数研究一致。例如据报道溶剂和溶质之间的溶解度差异取决于偶极矩、分配系数和分子的其他电子效应。我们的观察结果与波斯特尔等人和施密特等人的工作一致。

达维什马内什等人观察到的偶极矩极性和电子密度的重要性得到了我们的测量的支持。蒂埃梅耶等人的出色工作与我们在平均溶质去除率和溶剂渗透率方面的结果相关。唯一矛盾的研究由金斯等人代表，这同样没有得到其他研究结果的支持。

我们的结果和文献似乎指向这样的断言，即分子在不同溶剂中的预期平均排斥率在很大程度上取决于溶剂的电子特性和拓扑结构。这些拒绝修饰描述符很难通过传统的分析方法推导出来。我们假设可以帮助克服这些挑战。

不同的膜结构会对溶剂渗透率和溶质去除产生显著影响。一般来说，溶剂的类型对剔除率有巨大的影响。了解不同溶剂中的预期脱除率，使工艺化学家和工程师能够在优化反应之前设计具有最大分离效率的反应和工艺。

溶质的性质与测量的脱硫率之间的强相关性表明，通过足够的训练数据，模型可以捕获脱质值与溶剂之间的相关性。使用两种不同的方法在我们的数据集上训练了模型，以了解溶剂对溶质排斥的影响。

包括溶剂结构在内的集合的训练、交叉验证和测试分数明显更好。无溶剂组和溶剂组的训练均方根误差得分分别为0.284和0.083。我们的研究是第一个使用溶质和溶剂的化学结构来预测液相膜分离中溶质的排斥反应。

这些结果表明只有在以下情况下，该模型才能用于外推其他溶剂：训练溶剂与测试溶剂，例如乙醇和甲醇之间存在很强的结构相似性，或溶剂丙酮和乙腈的脱除曲线之间存在高度相关性。对这些现象的热力学解释将大大加快对观察到的趋势的理解。这些发现仅对测试的聚酰亚胺膜有效。

算法允许提取和可视化数据集中分子的原子和键级信息。网络以高精度捕获变化的抑制值。预期甩除率随着溶剂极性和通量的降低而降低，模型捕获了该去除率。丙酮和甲醇中氧的存在导致原子贡献的差异分别为+0.73和+0.42。

我们观察到溶剂中醚型氧原子的负贡献。氧原子-具有氢或双键连接-始终表现出积极的贡献。对于醚型键氧表现出负贡献。观察到的含氧基团行为的差异可以用它们的相对平均极性来解释。

虽然羟基和羰基氧是偶极的，但醚往往是非极性的芳香族原子和键往往具有较高的负贡献，从而导致低测量和预测的排斥。

这些复杂的高维变化被算法捕获，可用于解释有机小分子的排斥行为。它们被用于分离设计和优化。例如，原子和键级的贡献允许研究人员计划在多步合成路线的哪一步包括光交换网络模块。

这些模拟可以帮助食品和精细化学纯化过程，而无需进行湿实验室实验，从而降低总体成本、劳动力和研发时间。不同的排斥行为可以用分子的原子和键的贡献来解释。这两种溶剂中相似分子的预期拒绝率必须相似。

收集的数据与光交换网络数据库合并，并使用溶剂参数和可解释的机器学习进行分析。溶剂的平均渗透率与平均测量的废品率之间存在很强的相关性。在高渗透性溶剂如丙酮和乙腈中，我们报告说溶质的去除率相对较高。

溶质在低渗透性溶剂如正庚烷和甲苯中的脱硫率相对较低。使用可解释的人工智能获得了溶剂参数与预期脱质值之间的线性相关性。线性相关结果的观察结果导致将溶剂性质和溶剂结构整合到ML网络中以预测溶质去除率。

我们的工作是第一个从角度探索溶剂和溶质之间的综合结构效应的工作。我们还可视化了原子、键和官能团对溶剂和溶质结构的相应影响。本文探讨了溶剂参数对聚酰亚胺膜上有机分子排斥的影响。

进一步的研究需要探索膜-溶剂、溶剂-溶质和膜-溶质之间更深层次的分子间相互作用，以改善模型的外推。我们相信，我们的方法、大型数据集、结果和模型将推动光交换网络领域的发展，并为研究开辟新的途径。

参考文献

【1】中国科学院化学研究所：《一种聚苯乙烯亚胺微孔膜及其制备方法》，2012年10月10日。

【2】哈尔滨工业大学：《一种二胺交联添加聚醚的聚酰亚胺纳滤膜的制备方法》，2014年05月07日。

【3】北京化工大学：《一种高通量聚苯乙烯亚胺纳滤膜的制备方法》，2015年08月05日。