利用机器学习解析分子量截距、压力与温度对通量的协同作用机制

《LWT》：Decoding Molecular Weight Cut-Off (MWCO)-Pressure-Temperature Synergy on Flux via Machine Learning

　　

盛博宇|董雪娜|刘宇|刘璐|赵月|陈云|高增利|穆志深

• •
  通过180次的全因子设计，量化了分子量截留值、压力和温度对通量影响的程度。
• •
  XGBoost模型在通量预测方面表现更优（R²=0.985），并通过SHAP分析对其结果进行了解读。
• •
  分子量截留值是影响通量的最关键因素，其重要性占比达64.6%，高于压力（21.3%）和温度（14.0%）。
• •
  研究得出了关键阈值：当分子量截留值小于10kDa时通量会下降，而在约4巴的压力下通量会上升。
• •
  优化策略为：首先确定分子量截留值的最优值，然后在超过相应临界阈值后调整压力和温度。