01 / RESEARCH QUESTION
研究问题
如何结合膜结构、乳化油性质与运行条件预测陶瓷微滤膜的渗透通量，并据此筛选运行参数？
将文献实验数据、可解释机器学习和粒子群优化结合，为陶瓷膜油水分离提供通量预测与参数筛选方法。
02 / METHODS
研究思路与图1
01 / 图1：从分离过程到数据
图1上部用膜分离示意图连接输入与输出：膜性质和操作条件构成输入，渗透通量为输出；中部展示数据处理与模型比较，下部展示模型解释。
02 / 预测与跨文献验证
采用链式方程多重插补结合预测均值匹配处理缺失数据，比较极端随机树、随机森林、极端梯度提升与装袋集成模型，并开展逐篇研究留出验证。
03 / 解释与参数筛选
利用夏普利加性解释和部分依赖图分析输入变量的模型贡献，再用粒子群优化搜索通量较高的候选参数组合。
数据。从25篇文献提取386条实验记录，以膜孔径、ζ电位、含油浓度、油滴粒径、pH、错流速度、跨膜压力和温度为八项输入，预测渗透通量。图表取自正式发表版本。
03 / FINDINGS
核心结果
极端随机树模型的测试集决定系数 R² 为0.910；按25篇研究逐篇留出的验证中，R² 为0.815。模型解释突出错流速度、膜孔径和油滴粒径的贡献。粒子群优化给出错流速度1.2–1.3 m/s、膜孔径0.52–0.57 μm的模型候选区间。
04 / GLOSSARY
术语说明
- ERT
- Extremely Randomized Trees｜极端随机树：通过随机化树分裂构建集成预测模型。
- CFV
- Cross-Flow Velocity｜错流速度：料液沿膜表面的流动速度。
- TMP
- Transmembrane Pressure｜跨膜压力：膜两侧的压力差。
- OW
- Oily Wastewater｜含油废水；图中 OW Concentration 指含油浓度。
- MICE-PMM
- Multiple Imputation by Chained Equations with Predictive Mean Matching｜链式方程多重插补结合预测均值匹配。
- PSO
- Particle Swarm Optimization｜粒子群优化：以一组候选解协同搜索参数。
- SHAP
- SHapley Additive exPlanations｜夏普利加性解释：量化特征对模型预测的贡献。
- PDP
- Partial Dependence Plot｜部分依赖图：展示单项输入变化时模型预测的平均响应。
- R²
- 决定系数：衡量模型对目标变量变化的解释程度。
- LOSO
- Leave-One-Study-Out｜逐篇研究留出验证：每次用一篇文献的数据测试，其余文献的数据训练。
- RFR
- Random Forest Regressor｜随机森林回归模型。
- XGBoost
- Extreme Gradient Boosting｜极端梯度提升：梯度提升树模型。
- RMSE
- Root Mean Square Error｜均方根误差。
- MAE
- Mean Absolute Error｜平均绝对误差。
- IQR
- Interquartile Range｜四分位距：第三四分位数与第一四分位数之差。
- ζ电位
- 读作“泽塔电位”（zeta potential）：表征界面电动学性质。
05 / REFERENCE
论文来源
Shengnan Hao 等
Ceramic Membrane Microfiltration in Oily Wastewater Treatment with Performance Prediction and Process Optimization Powered by Interpretable Machine Learning and Swarm Optimization
Process Safety and Environmental Protection 220 (2026), 109667
DOI: 10.1016/j.psep.2026.109667 ↗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。