本发明专利技术提供一种机器学习方法、系统及设备，所述机器学习方法包括：进行第一性原理计算，以获取吸附材料与多个重金属离子相结合的最优结构；在具有最优结构的吸附材料上随机放置重金属离子，获取带有重金属离子的复合结构，并计算不同重金属离子对应的复合结构的吸附能，以构建数据集；构建任意带有重金属离子的复合结构的主吸附能预测模型；训练剩余带有重金属离子的复合结构的吸附能预测模型；统计已训练带有重金属离子的复合结构的吸附能预测模型的统计学数据，以评估吸附材料对重金属离子的吸附能力。本发明专利技术准确评估吸附材料对重金属离子的吸附能力，以此来大幅降低吸附材料的设计成本，为设计新型吸附材料来吸附重金属离子提供有力指导。离子提供有力指导。离子提供有力指导。
【技术实现步骤摘要】
机器学习方法、系统及设备
[0001]本专利技术属于环境污染评估
，特别是涉及一种机器学习方法、系统及设备。
技术介绍
[0002]重金属污染是一个极其严重的环境问题，含有重金属离子的废水、污泥等通过土壤、空气，尤其是食物链对人类的生存和身心健康造成了严重危害。近年来，吸附技术有了重大的发展，由于纳米材料吸附量高、分离简单、循环再生效率高等特定，在重金属废水处理中有着重要的应用前景。吸附材料存在各种活性成分如孔径、基团等，通过与吸附的金属离子形成离子键或共价键达到吸附重金属离子的目的。因此，对吸附材料进行有机修饰后，进一步增加它的活性位点，可以设计出更好的吸附剂。寻找或开发对重金属离子有较强吸附作用的理想吸附材料成为了当下的研究热点与难点。
[0003]现有的研究技术主要分为实验测量和理论计算。为了开发对重金属离子吸附能力强的材料，在实验上，研究人员在特定条件下合成新型的候选材料，配置重金属离子的溶液，再通过测量吸附前后的重金属离子浓度来判断候选材料的吸附能力。该类技术可以评估一个吸附材料的吸附能力，缺点是耗时长、成本高、难度大。为了降低试错成本，越来越多的科研工作者开始借助于理论计算，在前期辅助新型材料的设计。
[0004]具体地，现有技术包括以下缺陷：
[0005]第一，实验成本高；现有技术在利用实验制备吸附材料、测量吸附量等时需要昂贵的化学材料成本。
[0006]第二，效率低；有实验制备、合成、测量等繁琐的步骤，且一般都需要XPS等精密仪器来操作，试验周期长。
[0007]第三，对吸附位点的认识不足；实验上很难测定重金属离子在吸附材料的具体吸附位点，而理论上仅仅研究了最佳的吸附位点，对吸附材料整体的吸附能力缺乏认识。
[0008]第四，理论研究任意位点的吸附能，需要大量的第一性原理计算，耗时长且成本高。
[0009]第五，泛化能力差；现有技术通常只能针对某种重金属离子进行研究，设计理想吸附材料，对其他重金属离子适用性不强。
[0010]因此，如何提供一种机器学习方法、系统及设备，以解决现有技术出现的成本高，效率低，能耗大、使用不便，泛化能力差等缺陷，实已成为本领域技术人员亟待解决的技术问题。
技术实现思路
[0011]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种机器学习方法、系统及设备，用于解决现有技术中成本高，效率低，能耗大、使用不便，泛化能力差的问题。
[0012]为实现上述目的及其他相关目的，本专利技术一方面提供一种机器学习方法，用于预测吸附材料上不同重金属离子的吸附能力；所述机器学习方法包括：进行第一性原理计算，
以获取吸附材料与多个重金属离子相结合的最优结构；在具有最优结构的吸附材料上随机放置重金属离子，获取带有重金属离子的复合结构，并计算不同重金属离子对应的复合结构的吸附能，以构建用于机器学习的数据集；构建任意带有重金属离子的复合结构的主吸附能预测模型；所述主吸附能预测模型用以预测吸附能；根据已构建的主吸附能预测模型，训练剩余带有重金属离子的复合结构的吸附能预测模型；统计所有已训练带有重金属离子的复合结构的吸附能预测模型的统计学数据，以评估所述吸附材料对重金属离子的吸附能力。
[0013]于本专利技术的一实施例中，在进行第一性原理计算的步骤之前，所述机器学习方法还包括：建立所述吸附材料的结构模型。
[0014]于本专利技术的一实施例中，所述进行第一性原理计算，以获取吸附材料与多个重金属离子相结合的最优结构的步骤包括：以能量为优化目标，按照共轭梯度下降方式不断迭代，以优化所述吸附材料和多种重金属离子的原子位置；当相邻两次能量之差小于预设能量差阈值时，将能量最小的结构设置为吸附材料与一重金属离子结合的最优结构。
[0015]于本专利技术的一实施例中，所述计算不同重金属离子对应的复合结构的吸附能，以构建用于机器学习的数据集的步骤包括：从不同重金属离子中选取任一重金属离子；按照第一预设计算个数，计算选取的重金属离子对应的最优结构的吸附能；按照第二预设计算个数，计算剩余重金属离子对应的最优结构的吸附能；其中，所述第一预设计算个数大于所述第二预设计算个数。
[0016]于本专利技术的一实施例中，选取的重金属离子对应的最优结构的吸附能＝选取的重金属离子与吸附材料相结合的最优结构的整体能量-吸附材料的能量-选取的重金属离子的能量；剩余重金属离子对应的最优结构的吸附能＝剩余重金属离子中一重金属离子与吸附材料相结合的最优结构的整体能量-吸附材料的能量-剩余重金属离子中一重金属离子的能量。
[0017]于本专利技术的一实施例中，所述构建任意带有重金属离子的复合结构的主吸附能预测模型为构建选取的重金属离子的复合结构的吸附能预测模型：根据构建的所述数据集，计算每一个原子的局部化学环境，将所有的原子的局部化学环境组成一矩阵，以构建主吸附能预测模型的输入；将主吸附能预测模型的输入与每一个原子对应的子网络进行矩阵运算，获取子网络的贡献值，将所有子网络的贡献值汇总为吸附能，以作为所述主吸附能预测模型的输出，并获取已训练好的模型参数。
[0018]于本专利技术的一实施例中，所述根据已构建的主吸附能预测模型，训练剩余带有重金属离子的复合结构的吸附能预测模型的步骤包括将迁移学习引入至已构建的主吸附能预测模型；该步骤包括：利用已训练好的模型参数初始化剩余带有重金属离子的复合结构的吸附能预测模型；调节剩余带有重金属离子的复合结构的吸附能预测模型的模型参数，直至两者的模型参数相同。
[0019]于本专利技术的一实施例中，所述机器学习方法还包括将已训练好的吸附能预测模型中任一吸附能预测模型作为评估通用框架，通过第一性原理计算、训练吸附能预测模型、迁移学习、统计能量平均值来预测吸附材料对任意重金属离子的吸附能力。
[0020]本专利技术另一方面提供一种机器学习系统，用于预测吸附材料上不同重金属离子的吸附能力；所述机器学习系统包括：计算模块，用于进行第一性原理计算，以获取吸附材料
与多个重金属离子相结合的最优结构；第一构建模块，用于在具有最优结构的吸附材料上随机放置重金属离子，获取带有重金属离子的复合结构，并计算不同重金属离子对应的复合结构的吸附能，以构建用于机器学习的数据集；第二构建模块，用于构建任意带有重金属离子的复合结构的主吸附能预测模型；所述主吸附能预测模型用以预测吸附能；训练模块，用于根据已构建的主吸附能预测模型，训练剩余带有重金属离子的复合结构的吸附能预测模型；统计模块，用于统计所有已训练带有重金属离子的复合结构的吸附能预测模型的统计学数据，以评估所述吸附材料对重金属离子的吸附能力。
[0021]本专利技术最后一方面提供一种机器学习设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述机器学习设备执行所述机器学习方法。
[0022]如上所述，本专利技术所述的机器学习方法、系统及设备，具有以下有益效果：
[0023]第一，本专利技术避免了繁琐、昂贵的实验环节，完全本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种机器学习方法，其特征在于，用于预测吸附材料上不同重金属离子的吸附能力；所述机器学习方法包括：进行第一性原理计算，以获取吸附材料与多个重金属离子相结合的最优结构；在具有最优结构的吸附材料上随机放置重金属离子，获取带有重金属离子的复合结构，并计算不同重金属离子对应的复合结构的吸附能，以构建用于机器学习的数据集；构建任意带有重金属离子的复合结构的主吸附能预测模型；所述主吸附能预测模型用以预测吸附能；根据已构建的主吸附能预测模型，训练剩余带有重金属离子的复合结构的吸附能预测模型；统计所有已训练带有重金属离子的复合结构的吸附能预测模型的统计学数据，以评估所述吸附材料对重金属离子的吸附能力。2.根据权利要求1所述的机器学习方法，其特征在于，在进行第一性原理计算的步骤之前，所述机器学习方法还包括：建立所述吸附材料的结构模型。3.根据权利要求2所述的机器学习方法，其特征在于，所述进行第一性原理计算，以获取吸附材料与多个重金属离子相结合的最优结构的步骤包括：以能量为优化目标，按照共轭梯度下降方式不断迭代，以优化所述吸附材料和多种重金属离子的原子位置；当相邻两次能量之差小于预设能量差阈值时，将能量最小的结构设置为吸附材料与一重金属离子结合的最优结构。4.根据权利要求2所述的机器学习方法，其特征在于，所述计算不同重金属离子对应的复合结构的吸附能，以构建用于机器学习的数据集的步骤包括：从不同重金属离子中选取任一重金属离子；按照第一预设计算个数，计算选取的重金属离子对应的最优结构的吸附能；按照第二预设计算个数，计算剩余重金属离子对应的最优结构的吸附能；其中，所述第一预设计算个数大于所述第二预设计算个数。5.根据权利要求4所述的机器学习方法，其特征在于，选取的重金属离子对应的最优结构的吸附能＝选取的重金属离子与吸附材料相结合的最优结构的整体能量-吸附材料的能量-选取的重金属离子的能量；剩余重金属离子对应的最优结构的吸附能＝剩余重金属离子中一重金属离子与吸附材料相结合的最优结构的整体能量-吸附材料的能量-剩余重金属离子中一重金属离子的能量。6.根据权利要求4所述的机器学习方法，其特征在于，所述构建任意带有重金属离子的复合结构...
【专利技术属性】
技术研发人员：李金金，汪志龙，张海阔，任嘉豪，刘金云，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。