Membrane desalination and water purification technologies have become important energy-efficient means to secure fresh water resources around the globe. Among the significant recent advancements in the design and development of new membrane systems is the use of graphenes. Graphenes have offered a novel class of mechanically robust, ultrathin, high-flux, high selectivity, and fouling resistant separation membranes that provide opportunities to advance water desalination technologies. The facile synthesis of nanoporous graphene (NPG) and graphene oxide (GO) membranes opens the door for ideal next-generation membranes as cost effective and sustainable alternative to the long-existing thin-film composite polyamide membranes for water purification applications. In this review, we highlight the structure and preparation of NPG and GO membranes. We also discuss the recent experiments, computer simulations and theoretical models, addressing the unique mechanical properties, ion selectivity, and possible transport mechanisms through NPG and GO membranes. We will focus on the fabrication and functionalization schemes of graphene oxide membranes. Particular emphasis is on the antifouling properties of the NPG and GO modified membranes. We believe this review will open new avenues for new innovations and applications of NPG and GO in water desalination and treatment.

Abstract Machine learning-driven automated replication micrographs analysis makes possible rapid and unbiased damage assessment of in-service steel components. Although micrographs captured by scanning electron microscopy (SEM) have been analyzed at depth using machine learning, there is no literature available on the technique being attempted on optical replication micrographs. This paper presents a machine-learning approach to segment and quantify carbide precipitates in thermally exposed HP40-Nb stainless-steel microstructures from batches of low-resolution optical images obtained by replication metallography. A dataset of nine micrographs was used to develop a random forest classification model to segment precipitates within the matrix (intragranular) and at grain boundaries (intergranular). The micrographs were preprocessed using background subtraction, denoising, and sharpening to improve quality. The method achieves high segmentation accuracy (91% intergranular, 97% intragranular) compared to human expert classification. Furthermore, segmented micrographs were quantified to obtain carbide size, shape, and density distribution. The correlations in the quantified data aligned with expected carbide evolution mechanisms. Results from this study are promising but necessitate validation of the method on a larger dataset representative of evolution of thermal degradation in steel, given that characterization of the evolution of microstructure components, such as precipitates, applies to broad applications across diverse alloy systems, particularly in extreme service.