四种数据驱动方法在电渗析处理波斯湾海水分离效率与淡化物产率预测中的对比研究

《Scientific Reports》：Cross-configuration data-driven modeling of separation efficiency and diluate production flux in Persian Gulf seawater electrodialysis

　　

摘要

本研究比较了四种数据驱动方法——GMDH-GA、ANFIS-PSO、支持向量机（SVM）和模式挖掘引擎（PME）——在实验室规模电渗析处理波斯湾海水时对分离效率和淡化物产率的预测能力。采用31种预测变量配置以及统一的340/146开发/测试划分方式，评估了一套完整的涵盖486次实验的因子数据集，涉及体积流量、溶质浓度、温度、施加电压和压力。因子分解结果显示，体积流量是响应变量变异的主导来源，分别贡献了分离效率校正变异的73.90%和淡化物产率校正变异的59.65%，而交互项的贡献分别为10.44%和23.67%。在主要的留出评估中，PME在31种预测变量结构下均获得了最低的测试均方根误差中位数，分离效率为0.5774个百分点，淡化物产率为0.0934 l m^-2 h^-1，并分别在17种和23种配置中取得最低均方根误差。重复重采样分析显示，分离效率存在与评估指标相关的模式，GMDH-GA的平均均方根误差最低，而PME的平均皮尔逊相关系数最高。相比之下，PME在重复评估重采样中始终保持着淡化物产率最低的平均均方根误差、最高的预测R²和最高的相关系数，并且在温度和浓度区间内表现出相对稳定性。这些结果表明，模型性能取决于预测变量构成、响应变量、评估指标和操作区间，其中PME在淡化物产率预测方面表现出最为持续的预测优势。