01 / RESEARCH QUESTION
研究问题
357条记录、9个输入，比较多种回归模型，筛选陶瓷膜DCMD运行条件。
建立陶瓷膜直接接触膜蒸馏的通量预测流程，分析温度、流量与膜性质的协同影响。
02 / METHODS
研究思路与图1
上部 过程与数据
围绕进料液、疏水膜和渗透液整理实验记录，以两侧温度及流量等条件预测水蒸气通量。
中部 数据处理与建模
处理缺失值和异常值、统一尺度，再比较Extra Trees、随机森林及XGBoost等模型。
下部 预测与解释
检验预测值与实测值的一致性，分析温度等因素对通量的影响，为运行条件筛选提供依据。
数据。汇集357条记录、9个输入变量，比较Extra Trees、随机森林和XGBoost等模型，并结合交叉验证与超参数优化建立预测流程。
03 / FINDINGS
核心结果
Extra Trees测试R²为0.905，RMSE为4.588 kg/(m²·h)。PSO搜索温度、流量、孔径与接触角等参数，候选方案的模型预测通量为49.30 kg/(m²·h)。
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。
- 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。
- DCMD
- Direct Contact Membrane Distillation｜直接接触膜蒸馏。
05 / REFERENCE
论文来源
Shengnan Hao 等
Prediction of permeate flux of ceramic membrane-based direct contact membrane distillation process utilizing machine learning approaches
Desalination 620 (2025) 119589
DOI: 10.1016/j.desal.2025.119589 ↗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。