01 / RESEARCH QUESTION
研究问题
分别汇集178条通量与222条截留记录，采用CatBoost及可解释分析。
构建TFNi纳滤膜水通量与盐截留预测模型，分析膜结构和运行条件的协同作用。
02 / METHODS
研究思路与图1
步骤1 明确输入和输出
收集膜结构、表面性质与运行条件，以水通量和盐截留率为两个预测目标。
步骤2—3 数据处理与训练
补全缺失值、统一特征尺度，比较CatBoost、XGBoost、随机森林等回归模型。
步骤4 评价与解释
比较实测值和预测值，用SHAP解释各参数贡献，区分通量与截留的主导因素。
数据。分别整理178条水通量和222条盐截留记录，以膜结构、表面性质和运行条件为输入，比较CatBoost、XGBoost与随机森林等模型。
03 / FINDINGS
核心结果
CatBoost水通量和截留率测试R²分别为0.96和0.90。SHAP、PDP及ICE展示压力、温度、浓度与膜结构参数对两类性能的不同贡献。
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。
- 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。
- RF
- Random Forest｜随机森林。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升。
- CatBoost
- Categorical Boosting｜一种梯度提升决策树算法。
- TFN
- Thin-Film Nanocomposite｜薄膜纳米复合膜。
- TFNi
- Thin-Film Nanocomposite with an Interlayer｜具有中间层的薄膜纳米复合膜。
05 / REFERENCE
论文来源
Ruonan Chang 等
Optimizing water-salt separation performance and mechanistic analysis of TFNi nanofiltration membranes via explainable machine learning
Desalination 625 (2026) 119925
DOI: 10.1016/j.desal.2026.119925 ↗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。