本研究调查了四种机器学习模型在评估膜分离过程中的应用。使用的模型包括多元线性回归（MLR）、梯度提升决策树（GBDT）、核岭回归（KRR）和神经遗忘决策集（NODE）。这些模型被用于预测基于空间坐标的浓度水平。通过差分进化（DE）优化模型，以提升十倍交叉验证的平均R2分数。性能评估依赖于参数：R2、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。NODE模型在测试中取得了0.9992的R2，展示了优异的准确性和对生成数据集的泛化能力。GBDT表现强劲，测试R2为0.9978。相比之下，KRR的测试R2为0.9631，而MLR的表现较差，测试R2为0.8423。SHAP分析强调z(m)作为主要预测变量，r(m)作为次要贡献者。这些结果确立了NODE和GBDT作为浓度预测的最佳模型，平衡了精度和可解释性。
Thajudeen等（Thu，）研究了该问题。