01 / RESEARCH QUESTION
研究问题
汇集90篇文献中的膜结构与运行数据，建立XGBoost、CatBoost预测模型并开展PSO优化。
联合锂透过率与锂镁选择性开展参数优化，为盐湖提锂膜筛选提供方法支持。
02 / METHODS
研究思路与图1
图1a 提锂目标
利用膜对锂、镁离子的不同透过行为，同时关注锂透过率和锂镁选择性。
图1b 数据驱动预测
把膜结构和操作条件与分离性能配对，比较集成模型、线性模型及其他回归方法。
图1c 参数窗口
通过SHAP及双变量响应分析，识别孔径、压力与表面性质的作用，支持候选膜筛选。
数据。以膜结构、表面性质和运行条件为输入，分别预测锂透过率与分离选择性，并结合数据插补、标准化和模型比较完成建模流程。
03 / FINDINGS
核心结果
研究通过SHAP和PDP分析孔径、MWCO、压力及表面性质的作用。PSO采用选择性与透过率70:30加权目标，候选方案预测锂透过率90.2%、Li/Mg选择性158.2。
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。
- SHAP
- SHapley Additive exPlanations｜夏普利加性解释：量化特征对模型预测的贡献。
- 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。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升。
- CatBoost
- Categorical Boosting｜一种梯度提升决策树算法。
05 / REFERENCE
论文来源
Zhanlin Ji 等
Performance and mechanism of lithium extraction from water via machine learning-powered nanofiltration
Journal of Membrane Science 733 (2025) 124344
DOI: 10.1016/j.memsci.2025.124344 ↗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。