本发明专利技术公开了一种金属有机框架对砷的吸附性能评估方法、装置、设备及介质，包括：采集测试信息数据；对测试信息数据进行预处理，并将预处理后的数据按比例划分为训练集和测试集，确定模型输入特征；基于BP神经网络算法构建初始性能评估模型；采用提前停止算法在训练集上训练初始性能评估模型，并采用验证集对初始性能评估模型进行交叉验证，通过自动调参算法根据交叉验证误差调整优化初始性能评估模型的超参数，得到目标性能评估模型；采用预设的评价指标对目标性能评估模型进行评估，得到评估值；基于评估值和Shapley值法，确定各个模型输入特征吸附砷的性能，采用本发明专利技术提高了金属有机框架对砷的吸附性能评估的效率和准确性。性。性。
【技术实现步骤摘要】
金属有机框架对砷的吸附性能评估方法、装置及相关设备
[0001]本专利技术涉及材料吸附性能评估领域，尤其涉及一种金属有机框架对砷的吸附性能评估方法、装置、计算机设备及介质。
技术介绍
[0002]近年来随着我国人口的增长和工业的发展，水污染的情况不断加重，水污染事故频频发生，水污染防治成为人们日益关注的重点问题。水质污染不仅严重影响人类的健康，还会造成生物多样性减少、生态系统失衡等一系列问题，其中砷污染是水污染中一个急需解决的问题。
[0003]吸附技术是用于去除水体中污染物的常用修复手段之一，高效吸附剂的选择是该技术的关键。金属有机框架(MOFs)材料被广泛用于水中砷的去除，已经研制出的MOFs材料以及类MOFs材料已近上万种，不同的MOFs材料对砷的吸附能力有所差异，选择一个高效的MOFs材料用于处理含砷污水，将使得水污染治理成效事半功倍。
[0004]目前用于吸附含砷污水的金属有机框架材料的选择依赖于传统的实验筛选，然而通过实验来探索具有一定的盲目性，需要消耗实验人员大量的时间、精力和财力。此外，该试错过程还很难对所有可能的材料进行效果检测。
[0005]机器学习在材料性能预测方面虽然已经有了一些成功的应用，但是在材料的水体污染物吸附性能预测方面的模型研究较少，仅有少数关于生物碳材料的吸附预测模型，由于金属有机框架(MOFs)材料与碳材料在结构性能等方面存在较大差异，现有预测模型难以直接套用。
[0006]金属有机框架(MOFs)材料的性质结构和吸附能力有很强的相关性，材料的几何构型、表面结构及官能团等均影响着水体中砷污染物在其表面和内部的传质效率。同时吸附条件如时间、温度、pH等对吸附效果也有较大影响，但是通过简单的实验操作很难对各种特征的影响大小进行定量描述。
技术实现思路
[0007]本专利技术实施例提供一种金属有机框架对砷的吸附性能评估方法、装置、计算机设备和存储介质，以提高金属有机框架对砷的吸附性能评估准确性和效率。
[0008]为了解决上述技术问题，本申请实施例提供一种金属有机框架对砷的吸附性能评估方法，所述金属有机框架对砷的吸附性能评估方法包括：
[0009]采集金属有机框架对砷吸附的测试信息数据，所述测试信息数据包括材料结构信息、吸附条件信息、污染物特性信息和吸附量信息；
[0010]对所述测试信息数据进行预处理，并将预处理后的数据按比例划分为训练集和测试集，确定模型输入特征；
[0011]基于BP神经网络算法构建初始性能评估模型，将训练集分为训练集和验证集；
[0012]采用提前停止算法在训练集上训练所述初始性能评估模型，并采用验证集对所述
初始性能评估模型进行交叉验证，通过自动调参算法根据交叉验证误差调整优化所述初始性能评估模型的超参数，得到目标性能评估模型；
[0013]采用预设的评价指标对所述目标性能评估模型进行评估，得到评估值；
[0014]基于所述评估值和Shapley值法，确定各个模型输入特征吸附砷的性能。
[0015]可选地，所述材料结构信息为比表面积、材料极化性、材料电负性、材料零电荷点、官能团密度、碳不饱和度中的一种或多种；所述吸附条件信息为污染物初始浓度、温度、溶液pH、共存离子中的一种或多种；所述污染物特性信息为污染物类型、污染物解离常数pka1、污染物解离常数pka2、污染物解离常数pka3、亲水性、主要官能团中的一种或多种；所述吸附量信息为最大吸附量、吸附系数kd中的一种或多种。
[0016]可选地，所述预处理包括数据初筛和数据标准化操作，其中，
[0017]所述数据初筛包括删除冗余数据、平均值填充缺失值和删除异常值；
[0018]采用如下公式进行数据标准化：
[0019][0020]式中，为归一化数据，x
i
为原始数据，为原始数据中每一维数据中的均值，σ为原始数据中每一维数据中的标准差。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
[0021]可选地，所述确定模型输入特征包括：
[0022]采用如下公式计算皮尔森相关系数：
[0023][0024]式中，X
i
和Y
i
是两个变量的第i个数据，是变量X的平均值，是变量Y的平均值，r为两个变量X和Y的相关系数；
[0025]基于所述相关系数进行特征选择，确定所述模型输入特征。
[0026]可选地，所述BP人工神经网络采用五层神经层，其中包含了三层隐藏层，激活函数选择ReLU函数，损失函数选择均方差损失函数，所述采用验证集对所述初始性能评估模型进行交叉验证，通过自动调参算法根据交叉验证误差调整优化所述初始性能评估模型的超参数，得到目标性能评估模型包括：
[0027]使用Adam优化算法进行参数和权重的更新，采用前馈误差
‑
反向传播算法训练神经网络，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数；
[0028]将训练集输入到初步建立的BP神经网络中进行训练学习，并进行十折交叉验证；
[0029]在每一次交叉验证中采用提前停止算法训练预测模型，监测验证集的损失值，当验证集损失值在达到预设阈值次数的训练周期中都没有得到降低时，则停止模型训练，否则训练到设置的最大迭代次数后为止。
[0030]使用网格搜索或Hyperopt自动化超参数调优算法，根据交叉验证误差不断调整优化预测模型的超参数，得到所述目标性能评估模型。
[0031]可选地，所述评价指标为决定系数R2和均方根误差RMSE中的一种或多种。
[0032]可选地，采用如下公式计算决定系数R2：
[0033][0034]采用如下公式计算均方根误差RMSE：
[0035][0036]式中，和分别表示测试值和预测值，是测试的平均值。
[0037]为了解决上述技术问题，本申请实施例还提供一种金属有机框架对砷的吸附性能评估装置，包括：
[0038]数据采集模块，用于采集金属有机框架对砷吸附的测试信息数据，所述测试信息数据包括材料结构信息、吸附条件信息、污染物特性信息和吸附量信息；
[0039]数据预处理模块，用于对所述测试信息数据进行预处理，并将预处理后的数据按比例划分为训练集和测试集，确定模型输入特征；
[0040]初始模型构建模块，用于基于BP神经网络算法构建初始性能评估模型，将训练集分为训练集和验证集；
[0041]目标模型训练模块，用于采用提前停止算法在训练集上训练所述初始性能评估模型，并采用验证集对所述初始性能评估模型进行交叉验证，通过自动调参算法根据交叉验证误差调整优化所述初始性能评估模型的超参数，得到目标性能评估模型；
[0042]评估值计算模块，用于采用预设的评价指标对所述目标性能评估模型进行评估，得到评估值；
[0043]性能评估模块，用于基于所述评估值和Shapley值法，确定各个模型输入特征吸附砷的性能。
...
【技术保护点】
【技术特征摘要】
1.一种金属有机框架对砷的吸附性能评估方法，其特征在于，所述金属有机框架对砷的吸附性能评估方法包括：采集金属有机框架对砷吸附的测试信息数据，所述测试信息数据包括材料结构信息、吸附条件信息、污染物特性信息和吸附量信息；对所述测试信息数据进行预处理，并将预处理后的数据按比例划分为训练集和测试集，确定模型输入特征；基于BP神经网络算法构建初始性能评估模型，将训练集分为训练集和验证集；采用提前停止算法在训练集上训练所述初始性能评估模型，并采用验证集对所述初始性能评估模型进行交叉验证，通过自动调参算法根据交叉验证误差调整优化所述初始性能评估模型的超参数，得到目标性能评估模型；采用预设的评价指标对所述目标性能评估模型进行评估，得到评估值；基于所述评估值和Shapley值法，确定各个模型输入特征吸附砷的性能。2.如权利要求1所述的金属有机框架对砷的吸附性能评估方法，其特征在于，所述材料结构信息为比表面积、材料极化性、材料电负性、材料零电荷点、官能团密度、碳不饱和度中的一种或多种；所述吸附条件信息为污染物初始浓度、温度、溶液pH、共存离子中的一种或多种；所述污染物特性信息为污染物类型、污染物解离常数pka1、污染物解离常数pka2、污染物解离常数pka3、亲水性、主要官能团中的一种或多种；所述吸附量信息为最大吸附量、吸附系数kd中的一种或多种。3.如权利要求1所述的金属有机框架对砷的吸附性能评估方法，其特征在于，所述预处理包括数据初筛和数据标准化操作，其中，所述数据初筛包括删除冗余数据、平均值填充缺失值和删除异常值；所述数据标准化采用如下公式：式中，为归一化数据，x
i
为原始数据，为原始数据中每一维数据中的均值，σ为原始数据中每一维数据中的标准差。经过处理的数据符合标准正态分布，即均值为0，标准差为1。4.如权利要求1所述的金属有机框架对砷的吸附性能评估方法，其特征在于，所述确定模型输入特征包括：采用如下公式计算皮尔森相关系数：式中，X
i
和Y
i
是两个变量的第i个数据，是变量X的平均值，是变量Y的平均值，r为两个变量X和Y的相关系数；基于所述相关系数进行特征选择，确定所述模型输入特征。5.如权利要求1所述的金属有机框架对砷的吸附性能评估方法，其特征在于，BP人工神经网络采用五层神经层，其中包含了三层隐藏层，激活函数选择ReLU函数，损失函数选择均方差损失函数，所述采用验证集对所述初始性能评估模型进行交叉验证，通过自动调参算
法根据交叉验证误差...
【专利技术属性】
技术研发人员：熊婷，崔佳文，侯泽敏，陈杰，杨艺，曹文治，周豪洁，廖妍，
申请(专利权)人：湖南工商大学，
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。