01 / RESEARCH QUESTION
研究问题
28篇来源、270条记录、13类MOF，融合XGBoost解释和注意力贡献分析。
将MOF材料性质与吸附条件纳入统一模型，分析砷吸附容量及关键因素的响应关系。
02 / METHODS
研究思路与图1
图1a 吸附机制与数据
示意表面络合、静电吸引及孔道限域等作用，汇集不同MOF及实验条件下的吸附记录。
图1b 容量预测
以材料性质和溶液条件建立XGBoost模型，比较预测容量与文献实验容量。
图1c 机制线索
结合SHAP、PDP、ALE与注意力权重，分析关键变量及其非线性影响，为验证实验提供线索。
数据。整理28项研究、13类MOF的270条As(V)吸附记录，输入包括浓度、剂量、时间、pH、温度、比表面积、共存阴离子与材料标识。
03 / FINDINGS
核心结果
XGBoost单次测试R²为0.9567；研究同时开展50次随机划分评价。结合SHAP、PDP、ALE及注意力贡献分析，展示浓度、比表面积和投加量与吸附容量的模型关系。
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。
- 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。
- MOF
- Metal–Organic Framework｜金属有机框架。
05 / REFERENCE
论文来源
Yuanyu Wu 等
Deciphering the mechanisms of arsenic adsorption on MOF membranes via a machine learning framework incorporating attention mechanisms
Journal of Environmental Chemical Engineering 14 (2026) 124452
DOI: 10.1016/j.jece.2026.124452 ↗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。