Interpretable machine learning framework for performance prediction and optimization of capacitive deionization

Yuanyu Wu

doi:10.1016/j.desal.2026.120468

Interpretable machine learning framework for performance prediction and optimization of capacitive deionization

2026-06-01

1

PRE

AI

DOI：10.1016/j.desal.2026.120468

原文链接

原文求助

摘要

En 中文

应对全球淡水危机需要高效节能和可持续的淡化范式。电容去离子（CDI）已作为一种有前景且节能的淡化技术出现；然而，多维电极性质与波动运行条件之间的复杂协同效应阻碍了其大规模优化。在此，我们开发了一个稳健的数据驱动框架，利用一个综合数据集（n=521），该数据集整合了材料特性、运行参数和水质指标。在评估的算法中，XGBoost模型达到了最先进的预测精度，其R-2在平均盐吸附率（ASAR）上达到0.96，在盐吸附容量（SAC）上达到0.88。通过SHapley Additive exPlanations（SHAP）和Partial Dependence Plot（PDP）的可解释分析量化了关键特征的非线性贡献，表明氮掺杂和比表面积是主要性能驱动因素，同时识别出一个统计阈值，在该阈值下含氧官能团与性能退化相关。显著地，贝叶斯优化和帕累托前沿分析量化了吸附容量与速率之间的固有权衡，确定了明确的拐点（ASAR = 1.66 mg g⁻¹ min⁻¹，SAC = 30.31 mg g⁻¹）以实现最佳系统效率。本研究将CDI研究从依赖经验试错转向数据驱动方法，提供了一个系统框架以加速高性能电极材料和运行规程的设计与优化。

Keyword:

Capacitive deionization

Desalination

Nonlinear interaction

Multi-objective optimization

Performance guidance

Interpretable machine learning framework for performance prediction and optimization of capacitive deionization

摘要

期刊

机构

引用论文