01 / RESEARCH QUESTION
研究问题
汇集1353条记录，用Magpie描述符表征汲取液化学组成，建立PSO-XGBoost模型。
将汲取液化学描述符引入正渗透建模，连接溶液组成与水通量预测。
02 / METHODS
研究思路与图1
图1a左 汲取液的化学多样性
饼图展示多类汲取溶质，NaCl占约一半。不同溶质需要比单一摩尔质量更丰富的表征。
图1a右 五层研究流程
由文献数据整理进入Magpie特征构建，再训练PSO-XGBoost模型，解释并筛选通量提升条件。
图1b 解释如何支持优化
比较描述方式的预测表现，结合SHAP、PDP和ICE识别浓度、温度等变量的作用。
数据。整理1353条记录，以Magpie元素组成描述符表征汲取液化学信息，结合膜类型、浓度、朝向及运行条件建立PSO-XGBoost模型。
03 / FINDINGS
核心结果
50次随机试验中，Magpie方案平均测试R²为0.89，摩尔质量方案为0.87。SHAP、PDP和ICE用于分析膜类型、溶液浓度及运行参数对通量的贡献。
04 / GLOSSARY
术语说明
- PSO
- Particle Swarm Optimization｜粒子群优化：通过一组候选解协同搜索参数。
- SHAP
- SHapley Additive exPlanations｜夏普利加性解释：量化特征对模型预测的贡献。
- R²
- 决定系数：衡量模型对目标变量变化的解释程度。
- FS
- Feed Solution｜原料液。
- DS
- Draw Solution｜汲取液。
- PDP
- Partial Dependence Plot｜部分依赖图：展示模型平均响应。
- ICE
- Individual Conditional Expectation｜个体条件期望：展示单个样本的模型响应。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升。
05 / REFERENCE
论文来源
Chenxu Dai 等
Interpretable machine learning and Magpie-based featurization for bridging water flux and physiochemical transport in forward osmosis membranes
Separation and Purification Technology 413 (2026) 139691
DOI: 10.1016/j.seppur.2026.139691 ↗图表来源：上述论文原图。研究解读据科研成果汇报材料整理；模型候选设计与实验验证结果按原文区分。