本發(fā)明涉及吸附回收性能預(yù)測，尤其涉及一種基于機(jī)器學(xué)習(xí)的水體有機(jī)染料吸附回收性能預(yù)測方法。

背景技術(shù)：

1、吸附回收性能預(yù)測技術(shù)領(lǐng)域主要涉及對吸附劑材料吸附回收目標(biāo)污染物或物質(zhì)性能的預(yù)測與評估方法。該領(lǐng)域通過建立數(shù)學(xué)模型、計(jì)算機(jī)模擬、實(shí)驗(yàn)分析及數(shù)據(jù)驅(qū)動的預(yù)測技術(shù)，能夠有效評估不同吸附材料的性能，揭示材料對污染物的吸附容量、動力學(xué)特性、選擇性及穩(wěn)定性等。

2、現(xiàn)有技術(shù)中，通常依賴單一實(shí)驗(yàn)分析或簡單數(shù)學(xué)模型推測污染物回收效率，數(shù)據(jù)獲取單一且難以有效考慮水體條件變化導(dǎo)致的不確定因素，數(shù)據(jù)代表性不足使預(yù)測結(jié)果偏差較大；而且現(xiàn)有技術(shù)缺乏有效的多吸附劑組合優(yōu)化策略，對不同吸附劑相互協(xié)作處理復(fù)雜水體有機(jī)染料的預(yù)測效果不理想，導(dǎo)致在實(shí)際操作時難以準(zhǔn)確確定最優(yōu)吸附組合，使材料選擇隨意性較高、資源浪費(fèi)、處理成本增加，進(jìn)而降低了有機(jī)染料吸附回收過程的經(jīng)濟(jì)性與實(shí)用性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的一種基于機(jī)器學(xué)習(xí)的水體有機(jī)染料吸附回收性能預(yù)測方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案，一種基于機(jī)器學(xué)習(xí)的水體有機(jī)染料吸附回收性能預(yù)測方法，包括以下步驟：

3、收集水體中有機(jī)染料的染料濃度、溫度和ph值，利用蒙特卡羅模擬進(jìn)行多次隨機(jī)抽樣，模擬吸附過程的情形，生成蒙特卡羅模擬結(jié)果；基于所述蒙特卡羅模擬結(jié)果，進(jìn)行不確定性分析，得到各條件下的回收效率分布，生成不確定性分析結(jié)果；

4、基于所述不確定性分析結(jié)果，應(yīng)用網(wǎng)絡(luò)流理論對多吸附劑進(jìn)行流程優(yōu)化，建立吸附劑和染料相互作用的流網(wǎng)絡(luò)模型，節(jié)點(diǎn)表示吸附劑，邊的容量代表吸附能力，求解最大流問題，尋找吸附劑組合，生成最大流優(yōu)化結(jié)果；基于所述最大流優(yōu)化結(jié)果，進(jìn)行最大化配置，得到優(yōu)化后的吸附劑配置；

5、將所述優(yōu)化后的吸附劑配置導(dǎo)入深度學(xué)習(xí)模型中，設(shè)計(jì)并訓(xùn)練神經(jīng)網(wǎng)絡(luò)來預(yù)測回收性能，參照吸附劑性質(zhì)和染料濃度的影響，獲取深度學(xué)習(xí)識別模型；對所述深度學(xué)習(xí)識別模型進(jìn)行評估，檢查模型預(yù)測的準(zhǔn)確性，生成模型預(yù)測評估結(jié)果；

6、根據(jù)所述模型預(yù)測評估結(jié)果判斷深度學(xué)習(xí)識別模型是否合格，應(yīng)用所述深度學(xué)習(xí)識別模型進(jìn)行水體有機(jī)染料吸附回收性能預(yù)測。

7、較佳的，所述蒙特卡羅模擬結(jié)果的獲取步驟為：

8、獲取染料濃度值、水體溫度值和當(dāng)前ph值，得到三元組信息；

9、根據(jù)所述三元組信息，對每一組輸入進(jìn)行隨機(jī)擾動生成模擬樣本，計(jì)算模擬吸附值，計(jì)算公式為：

10、；

11、其中，為模擬吸附值，代表第組采集的染料濃度值，代表第組采集的溫度值，代表第組采集的ph值，代表第次擾動生成的染料分子擴(kuò)散速率，代表第次擾動后的局部水體粘度值，代表第次模擬中吸附劑顆粒間有效接觸面積，代表吸附劑顆粒表面的比極性活性值，代表模擬時第組樣本中的顆粒間最短平均路徑長度；

12、根據(jù)所述模擬吸附值在不同擾動條件下的模擬輸出表現(xiàn)，歸集所有吸附性能變化趨勢并分析穩(wěn)定性，生成蒙特卡羅模擬結(jié)果。

13、較佳的，所述不確定性分析結(jié)果的獲取步驟為：

14、收集所述蒙特卡羅模擬結(jié)果，對蒙特卡羅模擬結(jié)果進(jìn)行整理，形成數(shù)據(jù)集；

15、基于所述數(shù)據(jù)集，計(jì)算各條件下的不確定性指數(shù)，計(jì)算公式為：

16、；

17、其中，為不確定性指數(shù)，為模擬吸附值，為溫度值，為ph值，為水體中的懸浮物濃度，為吸附劑表面積，為樣本中的化學(xué)反應(yīng)速率，為溶解氧量，為吸附劑的孔隙度，為吸附劑表面活性；

18、根據(jù)所述不確定性指數(shù)，分析不同條件下回收效率的分布情況，得到不確定性分析結(jié)果。

19、較佳的，所述最大流優(yōu)化結(jié)果的獲取步驟為：

20、從所述不確定性分析結(jié)果中篩選所有吸附劑節(jié)點(diǎn)與染料節(jié)點(diǎn)之間具備非零吸附能力的連接邊，依據(jù)染料分子類型對所有吸附劑節(jié)點(diǎn)進(jìn)行重新標(biāo)號，建立吸附劑與染料節(jié)點(diǎn)構(gòu)成的網(wǎng)絡(luò)圖結(jié)構(gòu)；

21、根據(jù)所述網(wǎng)絡(luò)圖結(jié)構(gòu)，計(jì)算從起點(diǎn)染料節(jié)點(diǎn)到終點(diǎn)吸附劑集合的最大吸附流量值，計(jì)算公式為：

22、；

23、其中，為最大吸附流量，為第個染料節(jié)點(diǎn)與第個吸附劑節(jié)點(diǎn)之間單位面積下的吸附通量，為第個吸附劑節(jié)點(diǎn)的吸附層厚度，為第個吸附劑的孔徑數(shù)量，為第個染料節(jié)點(diǎn)與第個吸附劑節(jié)點(diǎn)間的結(jié)合頻率，為第個染料節(jié)點(diǎn)的分子極性響應(yīng)值，為所有具有關(guān)聯(lián)邊的節(jié)點(diǎn)對集合；

24、根據(jù)所述最大吸附流量，在圖中選擇具有連續(xù)路徑覆蓋且吸附流最強(qiáng)的吸附劑組合路徑，生成最大流優(yōu)化結(jié)果。

25、較佳的，所述優(yōu)化后的吸附劑配置的獲取步驟為：

26、根據(jù)所述最大流優(yōu)化結(jié)果中輸出的吸附劑組合路徑，提取所有吸附劑節(jié)點(diǎn)的編號及對應(yīng)染料節(jié)點(diǎn)的路徑結(jié)構(gòu)，重建吸附路徑與吸附劑索引的映射關(guān)系，生成可候選吸附劑集合；

27、根據(jù)所述可候選吸附劑集合，計(jì)算各吸附劑在組合路徑中所承擔(dān)的流量比例和節(jié)點(diǎn)分布重疊程度，對吸附路徑進(jìn)行排布排序和節(jié)點(diǎn)沖突規(guī)避，生成初步配置結(jié)構(gòu)；

28、根據(jù)所述初步配置結(jié)構(gòu)，匹配每種吸附劑在對應(yīng)染料路徑下的部署順序與空間占用，生成優(yōu)化后的吸附劑配置。

29、較佳的，所述深度學(xué)習(xí)識別模型的獲取步驟為：

30、調(diào)用所述優(yōu)化后的吸附劑配置，將吸附劑節(jié)點(diǎn)編號與空間部署信息作為結(jié)構(gòu)化輸入?yún)?shù)導(dǎo)入深度神經(jīng)網(wǎng)絡(luò)初始輸入層，基于吸附劑的孔徑分布、表面積和表面化學(xué)組成參數(shù)，進(jìn)行輸入向量構(gòu)建與維度標(biāo)準(zhǔn)化，得到神經(jīng)網(wǎng)絡(luò)輸入向量矩陣；

31、根據(jù)所述神經(jīng)網(wǎng)絡(luò)輸入向量矩陣，設(shè)定染料濃度參數(shù)為動態(tài)輸入變量，構(gòu)建訓(xùn)練樣本序列，執(zhí)行參數(shù)初始化、前向傳播及誤差回傳，并對不同樣本輪次下的誤差信號進(jìn)行同步記錄，建立神經(jīng)網(wǎng)絡(luò)回收性能預(yù)測結(jié)構(gòu)；

32、根據(jù)所述神經(jīng)網(wǎng)絡(luò)回收性能預(yù)測結(jié)構(gòu)，執(zhí)行多輪迭代收斂檢測，結(jié)合不同輪次下的吸附劑參數(shù)與染料濃度樣本表現(xiàn)，篩選穩(wěn)定輸出節(jié)點(diǎn)并凍結(jié)相應(yīng)連接權(quán)重，生成深度學(xué)習(xí)識別模型。

33、較佳的，所述模型預(yù)測評估結(jié)果的獲取步驟為：

34、獲取所述深度學(xué)習(xí)識別模型的輸出結(jié)果，對每組輸出結(jié)果與對應(yīng)的染料回收結(jié)果進(jìn)行配對比對，提取每一組預(yù)測值的時間戳、預(yù)測數(shù)值和實(shí)際值三項(xiàng)基礎(chǔ)變量，生成模型預(yù)測與實(shí)際結(jié)果集合；

35、基于所述模型預(yù)測與實(shí)際結(jié)果集合，計(jì)算匹配精度指標(biāo)值；

36、基于所述匹配精度指標(biāo)值，遍歷所有樣本的預(yù)測與配對記錄，篩查低于誤差閾值的樣本點(diǎn)占比并記錄評估波動區(qū)間，生成模型預(yù)測評估結(jié)果。

37、較佳的，根據(jù)所述模型預(yù)測評估結(jié)果判斷深度學(xué)習(xí)識別模型是否合格，應(yīng)用所述深度學(xué)習(xí)識別模型進(jìn)行水體有機(jī)染料吸附回收性能預(yù)測的步驟為：

38、根據(jù)所述模型預(yù)測評估結(jié)果，篩除評估不合格的神經(jīng)網(wǎng)絡(luò)訓(xùn)練輪次，鎖定輸出誤差最低且波動范圍穩(wěn)定的模型版本，生成可用于預(yù)測的深度學(xué)習(xí)識別模型；

39、根據(jù)所述可用于預(yù)測的深度學(xué)習(xí)識別模型，導(dǎo)入新的吸附劑配置與染料濃度輸入?yún)?shù)，執(zhí)行結(jié)構(gòu)映射與預(yù)測計(jì)算流程，生成水體有機(jī)染料吸附回收性能預(yù)測結(jié)果。

40、本發(fā)明提供一種水體有機(jī)染料吸附回收性能預(yù)測裝置，包括：處理器和存儲器，該存儲器用于存儲計(jì)算機(jī)程序，所述處理器用于調(diào)用并運(yùn)行所述存儲器中存儲的計(jì)算機(jī)程序，使得所述水體有機(jī)染料吸附回收性能預(yù)測裝置執(zhí)行水體有機(jī)染料吸附回收性能預(yù)測方法。

41、本發(fā)明提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)中存儲有計(jì)算機(jī)程序或指令，當(dāng)所述計(jì)算機(jī)程序或指令被運(yùn)行時，實(shí)現(xiàn)水體有機(jī)染料吸附回收性能預(yù)測方法。

42、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)和積極效果在于：

43、本發(fā)明通過引入蒙特卡羅模擬實(shí)現(xiàn)多次隨機(jī)抽樣，增強(qiáng)水體有機(jī)染料吸附回收過程數(shù)據(jù)的多樣性和代表性，提高數(shù)據(jù)分析的可靠性和預(yù)測精度；在蒙特卡羅抽樣數(shù)據(jù)的基礎(chǔ)上，進(jìn)一步執(zhí)行不確定性分析，明確不同條件下染料回收效率的分布規(guī)律，降低了回收預(yù)測中因環(huán)境因素變化所帶來的不確定性，提高吸附回收過程決策的穩(wěn)定性；基于網(wǎng)絡(luò)流理論的應(yīng)用，構(gòu)建吸附劑與染料之間相互作用的流網(wǎng)絡(luò)模型，通過節(jié)點(diǎn)和邊容量的定義，明確不同吸附劑組合的最優(yōu)配置，增強(qiáng)多吸附劑協(xié)同工作的能力；此外，利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)合吸附劑性質(zhì)及染料濃度，學(xué)習(xí)吸附過程的非線性關(guān)系，使預(yù)測準(zhǔn)確性得到進(jìn)一步提高，從而提升吸附回收的整體效果并降低了資源的浪費(fèi)風(fēng)險(xiǎn)。