01 / RESEARCH QUESTION
研究问题
274条记录，结合结构、压力和浓差极化描述，开展NSGA-II双目标搜索。
构建TFC反渗透膜水通量与盐截留联合预测流程，结合NSGA-II开展多目标参数设计。
02 / METHODS
研究思路与图1
图1a 双目标任务
从压力驱动的反渗透过程出发，联合膜性质与操作条件预测水通量和盐截留。
图1b 模型与优化
基于274条记录比较多种算法，通过交叉验证评价模型，再寻找通量与截留的折中条件。
图1c 参数解释
用SHAP、PDP和ICE展示压力、膜结构及浓差极化相关变量的模型响应，分析运行条件与产水性能之间的关系。
数据。汇集274条记录，联合膜结构、压力和浓差极化相关描述符，比较多种机器学习模型并开展交叉验证。
03 / FINDINGS
核心结果
70/15/15划分下，水通量与盐截留预测R²约为0.88和0.90。NSGA-II给出通量与截留的Pareto设计方案，其中折中候选的模型预测值为18.23 LMH和99.50%。
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。
- RO
- Reverse Osmosis｜反渗透。
- 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。
- TFC
- Thin-Film Composite｜薄膜复合膜。
- NSGA-II
- Non-dominated Sorting Genetic Algorithm II｜第二代非支配排序遗传算法。
- CP
- Concentration Polarization｜浓差极化。
05 / REFERENCE
论文来源
Jinyun Liu 等
Interpretable artificial intelligence enabled thin-film composite reverse osmosis membranes for desalination
Desalination 628 (2026) 120095
DOI: 10.1016/j.desal.2026.120095 ↗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。