From Lab to Data-Intelligence Modelling: Redefining Oil-in-Water and Molecular Separation with Machine Learning-Optimized Hydroxylated MXene and Graphene Oxide Membranes. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis (Rauf Khan)_New.pdf - Accepted Version Restricted to Repository staff only until 24 December 2026. Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (3MB)

Arabic Abstract

يظل تلوث المياه الناتج عن المستحلبات الثابتة من الزيت والماء قضية بيئية حرجة، مما يتطلب تقنيات فصل فعالة وانتقائية. يهدف هذا البحث إلى تطوير والتنبؤ بأداء غشاء مبتكر مكون من أكسيد الغرافين ومادة المكسين المصفحة على غشاء النايلون (GO-MX/NM) في نظام غشائي هجين لتنقية المياه. تم تصنيع أربع أغشية بتراكيب مختلفة من أكسيد الغرافين والمكسين وتم توصيفها، في حين تم تطبيق نماذج تعلم الآلة المتقدمة على بيانات مختبرية جديدة باستخدام مجموعة محدودة من متغيرات العملية لتحقيق تنبؤات دقيقة بكفاءة الرفض. ومن بين النماذج التي تم تقييمها، وهي الشبكة العصبية الاصطناعية (ANN)، والانحدار بدعم المتجه (SVR)، والانحدار المعزز بالتدر (GBoost)، وغابة القرار العشوائية (RF)، حقق نموذج الانحدار بدعم المتجه أعلى معامل تحديد (R² = 0.952 للتدريب، 0.936 للاختبار، و0.922 للتحقق)، مما مكنه من التقاط العلاقات غير الخطية بين بنية الغشاء وظروف التشغيل بشكل فعّال. بالإضافة إلى ذلك، أكدت تقييمات أهمية المتغيرات، مثل أهمية المتغيرات بالتبديل (PVI)، ومخططات تايلور، وتفسيرات شابلي الإضافية (SHAP)، أن نوع الغشاء والضغط هما المساهمان الرئيسيان في كفاءة الرفض. وتُظهر الدراسة دمجًا مبتكرًا بين تصميم المواد والتنبؤ القائم على الذكاء الاصطناعي، مما يوفر إطارًا قابلًا للتوسع لتحسين الأغشية بذكاء، بينما سيتوسع العمل المستقبلي ليشمل مجموعات بيانات أكبر ومناهج تعلم هجينة لتعزيز متانة التنبؤ وعموميته

English Abstract

Water pollution from stable oil-water emulsions remains a critical environmental issue, demanding efficient and selective separation technologies. The objective of this study is to develop and predict the performance of a novel Graphene oxide-MXene laminated on Nylon membrane (GO-MX/NM) in a hybrid membrane system for water purification. Four membranes with varying compositions of GO and MXene were fabricated and characterized, while advanced machine learning models were applied to new lab data and used a reduced set of process parameters to achieve accurate predictions of rejection efficiency. Among the evaluated models, Artificial neural network (ANN), Support vector Regression (SVR), Gradient Boost Regressor (GBoost), and Random Forest (RF), the SVR model achieved the highest determination of coefficient (R2 = 0.952 training, 0.936 testing, and 0.922 validation), effectively capturing non-linear dependencies between membrane structure and Operating conditions. Additionally, Feature-importance assessments, such as permutation variable importance (PVI), Taylor diagrams, and Shapley additive explanations (SHAP), confirmed that membrane type and pressure are dominant contributors to rejection efficiency. The study demonstrates a novel integration of materials design and Artificial intelligence-based prediction, offering a scalable framework for intelligent membrane optimization. Future work will expand datasets and hybrid learning approaches to further enhance predictive robustness and generalization.

Item Type:	Thesis (Masters)
Subjects:	Environmental Civil Engineering Civil Engineering > Water and Environmental Engineering Chemical Engineering
Department:	College of Design and Built Environment > Civil and Environmental Engineering
Committee Advisor:	Yaseen, Zaher
Committee Co-Advisor:	Baig, Nadeem
Committee Members:	AL-SUWAIYAN, MOHAMMAD
Depositing User:	RAUF KHAN (g202315370)
Date Deposited:	25 Dec 2025 08:27
Last Modified:	25 Dec 2025 08:27
URI:	http://eprints.kfupm.edu.sa/id/eprint/143862