01 / RESEARCH QUESTION
研究问题
129条记录，联合膜性质、溶液组成和运行条件，建立PSO-XGBoost预测模型。
建立硼截留预测与运行参数筛选流程，为正渗透硼浓缩研究提供数据支持。
02 / METHODS
研究思路与图1
图1a 硼的保留与浓缩
水向高渗透压汲取液侧迁移，硼在原料侧富集。硼酸与硼酸根形态关系到膜截留行为。
图1b 截留率建模
收集膜性质和运行条件，进行数据划分、交叉验证与模型调参，预测硼截留率。
图1c 关键因素识别
比较pH、硼浓度、膜朝向及溶液条件的贡献，以解释结果支持运行参数优化。
数据。汇集129条记录，联合膜类别、溶液组成及运行参数，使用MICE-PMM处理缺失值并构建PSO-XGBoost预测模型。
03 / FINDINGS
核心结果
模型测试R²约为0.955，50次随机划分平均约为0.91。pH、硼浓度和膜朝向是重要模型特征；PSO筛选的候选条件对应预测硼截留率98.28%。
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。
- 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。
- 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
Meng Wang 等
Machine learning-guided performance prediction of forward osmosis polymeric membranes for boron recovery
Water Research 281 (2025) 123700
DOI: 10.1016/j.watres.2025.123700 ↗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。