01 / RESEARCH QUESTION
研究问题
融合膜结构参数与SMILES / Morgan指纹，分析交联剂结构和分离性能。
连接交联剂分子结构、GO膜层间特征与分离性能，为膜材料设计提供数据驱动思路。
02 / METHODS
研究思路与图1
图1a 化学特征表征
将交联剂结构转成SMILES与Morgan指纹，再与膜制备、表面性质和溶液参数结合。
图1b 模型选择
划分训练和测试数据，用交叉验证与贝叶斯调参比较模型，预测水渗透和离子截留。
图1c 结构性能解释
通过SHAP及响应图分析层间距、电荷与浓度等因素，连接分子结构和宏观分离性能。
数据。将SMILES、Morgan指纹及RDKit描述符与层间距、膜厚、粗糙度、接触角、电位和溶液条件结合，比较多种树模型并进行超参数优化。
03 / FINDINGS
核心结果
XGBoost截留预测R²为0.92，水渗透性能预测R²为0.88。研究从5000组虚拟条件中筛选14组折中候选，并分析层间距、表面电荷及交联剂片段的模型贡献。
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。
- 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。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升。
- GO
- Graphene Oxide｜氧化石墨烯。
- SMILES
- Simplified Molecular Input Line Entry System｜简化分子线性输入规范。
05 / REFERENCE
论文来源
Haiping Xuan 等
A Machine Learning-Assisted Framework for Performance Prediction and Optimization of Graphene Oxide Nanofiltration Membranes
ACS Applied Materials & Interfaces (2026) DOI: 10.1021/acsami.6c05352
DOI: 10.1021/acsami.6c05352 ↗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。