01 / RESEARCH QUESTION
研究问题
158条记录、11个输入，CatBoost / RF分别预测水渗透率与盐截留率。
结合可解释预测与Pareto优化，形成面向不同盐体系的COF复合纳滤膜设计流程。
02 / METHODS
研究思路与图1
数据与预测
将文献中的膜结构、表面性质和运行条件汇成数据库，建立水渗透率与盐截留预测模型。
模型选择与解释
通过五折交叉验证和贝叶斯调参筛选模型，再用SHAP分析不同特征的影响。
多目标设计
利用Pareto前沿寻找产水与截留之间的折中，针对不同盐体系给出候选条件。
数据。汇集158条记录和11个输入变量，包含膜结构、表面性质、盐种和基底类别，采用CatBoost及随机森林分别预测水渗透率与盐截留率。
03 / FINDINGS
核心结果
水渗透率与盐截留率测试R²分别为0.9701和0.9587。NSGA-II针对四种盐体系搜索Pareto方案，其中Na₂SO₄折中候选预测为30.63 LMH/bar与94.4%截留率。
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。
- 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。
- RF
- Random Forest｜随机森林。
- CatBoost
- Categorical Boosting｜一种梯度提升决策树算法。
- COF
- Covalent Organic Framework｜共价有机框架。
- TFN
- Thin-Film Nanocomposite｜薄膜纳米复合膜。
- NSGA-II
- Non-dominated Sorting Genetic Algorithm II｜第二代非支配排序遗传算法。
05 / REFERENCE
论文来源
Shengnan Hao 等
Explainable machine learning and Pareto optimization enable data-driven design of COF-TFN nanofiltration membranes for desalination
Desalination 639 (2026) 120668
DOI: 10.1016/j.desal.2026.120668 ↗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。