01 / RESEARCH QUESTION
研究问题
28篇来源、294条记录，网格搜索优化XGBoost，联合7个结构与运行参数。
将纳米填料结构参数与运行条件联合建模，形成聚酰胺TFN膜的性能预测和候选设计流程。
02 / METHODS
研究思路与图1
图1a—b 数据与模型
整理文献数据，进行对数变换与MICE插补，结合五折交叉验证和网格搜索训练XGBoost。
图1c 结构与性能关系
分析填料尺寸、孔径、载量及压力的贡献，分别预测水通量与盐截留。
图1d 候选设计
以粒子群算法搜索结构和运行参数组合，为纳米填料与膜运行条件设计提供模型候选方案。
数据。整理28篇来源的294条记录，使用7个结构与运行输入变量，采用XGBoost、网格搜索和五折交叉验证建立水通量及截留率模型。
03 / FINDINGS
核心结果
水通量与盐截留测试R²分别为0.9366和0.9449。PSO联合搜索填料尺寸、孔径、载量和压力等参数，得到预测147 LMH、95.46%截留率的候选组合。
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。
- 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。
- 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。
- 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。
- TFN
- Thin-Film Nanocomposite｜薄膜纳米复合膜。
05 / REFERENCE
论文来源
Jinyun Liu 等
Machine learning-guided predictive modeling and optimization of polyamide-based thin-film nanocomposite reverse osmosis membranes
Environmental Research 305 (2026) 124981
DOI: 10.1016/j.envres.2026.124981 ↗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。