基于多步操作数据与机器学习模型的膜电容去离子系统优化研究：数据属性对过程估计的影响机制

本研究通过系统分析膜电容去离子（MCDI）五步操作数据，结合17种机器学习（ML）模型，首次揭示了分类数据对过程预测的关键作用。研究发现：1.82 kWh/m3的比能耗（SEC）和12.5 L/min渗透流速下，结合分类数据可使ML模型预测精度显著提升，其中投票回归（voting regression）对出水总溶解固体（TDS）的预测优于堆叠回归（stacking regression），为MCDI工艺优化提供了新范式。

　　

Highlight亮点

本研究通过逐步操作分析和混合机器学习方法，首次证实分类数据能显著提升膜电容去离子（MCDI）过程预测精度。当比能耗（SEC）稳定在1.82 kWh/m³、产水流量12.5 L/min时，投票回归模型对出水总溶解固体（TDS）的预测准确率比传统方法提升23%，揭示了操作步骤特征编码对过程优化的关键价值。

MCDI操作数据分析

如图2所示，六项系统调节变量对电能（EE）和TDS的影响呈现阶梯式变化：首次短路时长（图2a）和去离子时长（图2f）对电极再生效率具有非线性调控作用，而反向电压值（图2c）在150-250V范围内与离子解吸效率呈正相关。特别值得注意的是，分类数据标记的操作步骤使XGBoost模型对TDS的预测R²值提高0.15，证实了过程阶段特征的重要性。

Conclusion结论

• 逐步操作分析发现SEC最优值为1.82 kWh/m³，渗透流速稳定在12.5 L/min

• 包含操作步骤的分类数据使ML模型预测准确率提升40%

• 出水TDS预测精度显著高于电能（EE），因后者在操作步骤间变异较小

• 投票回归的集成学习方法在混合数据预测中表现最优