01 / RESEARCH QUESTION
研究问题
616条记录，以分子量、疏水性及动态传质描述符建立小样本预测模型。
将TabPFN上下文学习用于有机物截留预测，形成小样本建模与运行条件批量筛选流程。
02 / METHODS
研究思路与图1
图1a 分离任务
研究不同电荷有机物的膜截留，将分子性质、膜性质与传质条件纳入输入。
图1b TabPFN原理
预训练模型把已知样本作为上下文，对新条件直接推断。图中区分离线预训练与实际数据推理。
图1c 解释与筛选
用SHAP和局部效应分析分子量、水通量等变量，解释模型响应并支持候选条件筛选。
数据。整理616条记录，包含CTA与TFC膜，使用分子量、疏水性、分子长宽比及传质相关变量等9个连续输入，建立TabPFN预测模型。
03 / FINDINGS
核心结果
TabPFN测试R²为0.90，六变量模型R²为0.87。研究结合SHAP、PDP和ALE分析模型响应，并开展50000组虚拟条件筛选，形成不同通量与截留目标下的候选方案。
04 / GLOSSARY
术语说明
- 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。
- RMSE
- Root Mean Square Error｜均方根误差：预测误差的量级，单位随目标变量而定。
- LMH
- L·m⁻²·h⁻¹｜每平方米膜面积每小时通过的液体升数，是体积通量单位。
- FO
- Forward Osmosis｜正渗透：利用渗透压差驱动水迁移。
- PDP
- Partial Dependence Plot｜部分依赖图：展示模型平均响应。
- TabPFN
- Tabular Prior-data Fitted Network｜表格先验数据拟合网络。
- TFC
- Thin-Film Composite｜薄膜复合膜。
- CTA
- Cellulose Triacetate｜三醋酸纤维素。
- ζ电位
- 读作“泽塔电位”（zeta potential）：表征界面电动学性质。
05 / REFERENCE
论文来源
Yuanyu Wu 等
Data-driven prediction of organic rejection in forward osmosis: Incorporating hydrophobic and dynamic transport effects
Chemical Engineering Journal 547 (2026) 180789
DOI: 10.1016/j.cej.2026.180789 ↗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。