01 / RESEARCH QUESTION
研究问题
521条记录、9个输入，XGBoost预测SAC与ASAR，结合BO和Pareto分析。
联合盐吸附容量与吸附速率开展预测和优化，为CDI材料与运行条件设计提供方法支持。
02 / METHODS
研究思路与图1
图1a 材料与过程
围绕多孔电极CDI过程，收集孔结构、表面组成及操作条件，建立脱盐性能数据集。
图1b 预测与评价
通过训练、交叉验证和测试评价模型，同时检查残差。正文进一步考察按文献分组的泛化。
图1c 解释与反向筛选
用SHAP和PDP识别关键因素，再结合优化寻找吸附容量与速率的折中运行条件。
数据。整理521条记录和9个输入变量，涵盖电极孔结构、表面组成、电压、流量及电解质浓度，以SAC和ASAR为两个预测目标。
03 / FINDINGS
核心结果
按文献分组测试时，ASAR和SAC的R²分别为0.884和0.881。BO与Pareto分析给出预测ASAR为1.66 mg/(g·min)、SAC为30.31 mg/g的折中候选。
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。
- BO
- Bayesian Optimization｜贝叶斯优化。
- PDP
- Partial Dependence Plot｜部分依赖图：展示模型平均响应。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升。
- CDI
- Capacitive Deionization｜电容去离子。
- ASAR
- Average Salt Adsorption Rate｜平均盐吸附速率。
- SAC
- 本文语境需区分：强化学习中为Soft Actor-Critic（软演员—评论家）；电容去离子中为Salt Adsorption Capacity（盐吸附容量）。
05 / REFERENCE
论文来源
Yuanyu Wu 等
Interpretable machine learning framework for performance prediction and optimization of capacitive deionization
Desalination 637 (2026) 120468
DOI: 10.1016/j.desal.2026.120468 ↗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。