01 / RESEARCH QUESTION
研究问题
476条记录、30种TrOCs，融合溶质分配性质、膜孔半径、电荷与运行条件。
融合分配、尺寸和电荷描述符，建立反渗透去除痕量有机污染物的可解释预测模型。
02 / METHODS
研究思路与图1
图1a 数据与变量
联合进水条件、污染物理化性质和膜特征，检查变量分布及相关性。
图1b 模型评价
结合80:20划分、五折交叉验证与多次随机划分，比较算法精度和稳定性。
图1c 截留影响因素
用SHAP、PDP和ICE分析分配系数、尺寸及电荷的作用，解释污染物间的截留差异。
数据。476条记录覆盖30种痕量有机污染物，输入包含溶液条件、污染物分子性质、膜孔半径和电位等9个变量。
03 / FINDINGS
核心结果
XGBoost测试R²为0.91，RMSE为6.86个百分点。SHAP、PDP和ICE展示分配系数、膜电位、孔半径及分子电荷对截留预测的贡献。
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。
- 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。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升。
- TrOC
- Trace Organic Contaminant｜痕量有机污染物。
05 / REFERENCE
论文来源
Anqi Zhu 等
Explainable machine learning analysis of trace organic contaminants removal performance and mechanisms in water purification processes
Process Safety and Environmental Protection 214 (2026) 109099
DOI: 10.1016/j.psep.2026.109099 ↗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。