01 / RESEARCH QUESTION
研究问题
153条记录、6个输入，采用XGBoost预测水渗透率与盐截留率。
建立MOF填料与复合膜性能之间的预测关系，支持填料条件和操作参数筛选。
02 / METHODS
研究思路与图1
图1a 结构与变量
将MOF尺寸、载量、孔径及膜厚度与进料浓度、压力结合，预测水渗透率和盐截留率。
图1b 集成学习
用交叉验证与超参数搜索训练XGBoost，叠加多棵树的输出描述非线性关系。
图1c 预测和解释
比较预测与实测性能，通过SHAP分析膜厚度、填料载量等因素对产水的贡献。
数据。153条记录包含填料载量、粒径、孔径、膜厚、压力和盐浓度6个输入变量，以水渗透率和盐截留率为预测目标。
03 / FINDINGS
核心结果
XGBoost测试R²分别为0.9651和0.9673。PSO在截留率约束下筛选载量、压力和浓度，其中一个候选方案预测水渗透率6.29 LMH/bar、盐截留率97.44%。
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。
- 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。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升。
- MOF
- Metal–Organic Framework｜金属有机框架。
05 / REFERENCE
论文来源
Zhanlin Ji 等
Artificial intelligence-powered MOF-incorporated thin-film nanocomposite desalination membranes for sustainable water purification
Desalination 621 (2025) 119702
DOI: 10.1016/j.desal.2025.119702 ↗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。