使用聚胺薄膜膜进行增强的海水淡化,使用组合ML化学测量方法和SHAP分析

科学领域:

• 材料科学与工程 材料科学与工程
• 化学工程是化学工程的重要组成部分.
• 环境科学 环境科学

背景情况:

• 全球淡水短缺需要先进的海水淡化技术.
• 薄膜复合聚胺膜对于高效的海水淡化至关重要.
• 预测建模对于优化膜性能指标至关重要,例如平均水流量 (AWF) 和平均盐排斥率 (ASR).

研究的目的:

• 应用机器学习 (ML) 算法和组合技术来预测和增强淡化膜中的AWF和ASR.
• 使用夏普利添加式解释 (SHAP) 进行模型解释性和特征重要性分析.
• 为了证明整体ML模型的优越性,而不是单个算法,以优化海水淡化过程.

主要方法:

• 使用的机器学习算法:支持矢量机 (SVM),神经网络 (NN),线性回归 (LR) 和多变量线性回归 (MLR).
• 利用组合技术 (例如,NN-E,LR-E) 来提高AWF和ASR的预测准确性.
• 应用SHAP分析以确定影响膜性能的关键特征.

主要成果:

• 神经网络 (NN) 显示出强大的个体性能,但组合模型 (NN-E,LR-E) 实现了高超的预测准确性,近乎完美的纳什-萨特克利夫效率 (NSE).
• 与单个模型相比,集成模型在预测AWF和ASR方面显著减少了错误 (MAE,RMSE).
• SHAP分析确定了膜冷却 (MDP) 和1,3,5-三二 (TMC) 作为关键性能驱动因素,MDP显著影响ASR.

结论:

• 集成ML方法,特别是NN-E和LR-E,为预测海水淡化膜效率 (AWF,ASR) 提供了更高的精度.
• SHAP分析为特征的重要性提供了关键的见解,使膜设计和操作能够有针对性的改进.
• 整合智能ML组合和SHAP可解释性可以推进可持续的海水淡化,优化资源使用并最大限度地减少对环境的影响.