Les séparations membranaires sont depuis longtemps reconnues comme des procédés économes en énergie avec un marché en croissance rapide. En particulier, la technologie de nanofiltration de solvant organique (OSN) a montré un potentiel considérable lorsqu'elle est appliquée à diverses industries, comme la pétrochimie, pharmaceutiques et produits naturels. L'énergie consommée par ces industries représente 10 à 15 % de la consommation énergétique mondiale.

Néanmoins, les difficultés à prédire les performances de séparation des membranes OSN ont entravé la transition en douceur de la découverte en laboratoire à la mise en œuvre dans l'industrie. Prédire les performances des membranes est une tâche difficile en raison de la nature complexe du solvant, interactions soluté-membrane. "Malgré une littérature abondante et des rapports sur les applications membranaires, il ne restait aucune base de données complète pour guider la communauté, " déclare le chef de projet Gyorgy Szekely du Advanced Membranes &Porous Materials Center, Université des sciences et technologies du roi Abdallah (KAUST).

Les chercheurs de la KAUST ont collaboré avec des chercheurs de l'Université nationale d'Incheon, Corée du Sud, développer une méthodologie prédictive basée sur l'intelligence artificielle (IA) qui accélérera la mise en œuvre industrielle des membranes dans les milieux organiques. Ils ont effectué l'exploration de données pour produire le plus grand ensemble de données, comprenant plus de 38, 000 points de données sur le terrain. Au lieu d'aborder le problème de la prédiction d'un point de vue mathématique fondamental, ils ont rompu avec les conventions en exploitant l'IA. Alors qu'un chercheur membranaire expérimenté peut interpréter des données membranaires complexes en trois dimensions (quatre dimensions au mieux), L'IA peut analyser des données multidimensionnelles et extraire très efficacement des tendances et des corrélations cachées.

"Pour élucider les paramètres clés régissant la performance des membranes (par exemple, sélectivité et perméabilité), nous avons effectué une analyse approfondie en composantes principales avec 18 dimensions, " explique le premier auteur de l'étude Jiahui Hu. " Nous avons appliqué des algorithmes d'apprentissage automatique (réseaux de neurones artificiels, prendre en charge les machines vectorielles, et modèles de forêts aléatoires) qui prédisaient les performances de séparation avec une précision sans précédent de 98 % pour la perméance et de 91 % pour la sélectivité."

De plus, les résultats de la recherche ouvrent la voie à une meilleure conception et développement des membranes. La méthodologie de prédiction des performances développée permettra le développement in silico de séparations économes en énergie. "Finalement, nous faisons un pas de plus vers la transformation nécessaire du labo humide au labo filaire, " dit Szekely. " L'identification rapide de la bonne membrane pour un défi de séparation donné permettra de maximiser les marges bénéficiaires en minimisant les criblages expérimentaux laborieux en laboratoire. "