一种活性炭的收率及比表面积的预测方法技术

本发明专利技术公开了一种活性炭的收率及比表面积的预测方法，包括以下步骤：数据收集和处理，组成划分，相关性和特征重要性计算，建立模型和预测；本发明专利技术利用机器学习方法聚焦不同活化条件，对多种生物质的不同组成和复杂操作条件下的活性炭收率和比表面积同时预测，并对特征变量进行评分，获取关键参数，指导相关实验，提高活性炭收率和比表面积的预测准确性，增加低劣生物质资源化利用可行性，达到循环利用和节能减排的目的，并增加机器学习预测方法应用性。性。性。

【技术实现步骤摘要】
一种活性炭的收率及比表面积的预测方法


[0001]本专利技术涉及一种活性炭的收率及比表面积的预测方法。

技术介绍

[0002]由于制备活性炭的主要原料
‑‑‑
煤是不可再生的化石能源且不能满足制备活性炭的巨大需求，因此考虑使用其他原料制备活性炭。近年已有研究证明利用木材和果壳制备活性炭是一种成熟稳定的技术手段并被广泛应用于污水处理、工业净化和土壤改良等领域(RSC Advances.2020,10(30),17768
‑
17776)，然而它们依然无法满足需求。此外，秸秆等普遍存在于自然界的低劣生物质，种类丰富，如被用于制备活性炭则具有节能、减排和资源化三重意义。
[0003]活性炭性能主要由数量指标收率和质量指标比表面积构成，两者趋势往往相反。同时，生物质种类繁多，主要由纤维素、半纤维素和木质素组成，其组成跨越多个数量级。而活化条件包括物理活化和化学活化众多条件。即使是同一活化剂，生物质组成成分不同，操作条件(碳化条件与活化条件)复杂多样，制备的活性炭性能仍有很大差异(Energy.2019,173,610
‑
625)。目前文献报道的生物质制备活性炭的模型包括动力学模型和机理模型(Biomass&Bioenergy.2019,123(4),104
‑
122)。但通过上述方法均不能获得基于不同活化条件下，多种生物质不同组成和复杂操作条件与活性炭不同性能之间的定量关系。
[0004]近年来一些文献报道将不同机器学习方法(决策树、随机森林、支持向量机和人工神经网络等)用于预测碳化产物生物炭不同性能的相关应用，但不涉及活化过程。通过传统算法人工神经网络(ANN)预测分析生物质组成和操作条件与活性炭收率和比表面积之间的定量关系(Biofuels Bioproducts&Biorefining
‑
Biofpr.2019,13(4),1015
‑
1027)，但上述研究仅针对蒸汽活化条件下的168个样本数据对活性炭收率和比表面积进行预测，且存在预测精度低、泛化能力弱和参数复杂等问题。并且无法达到机器学习对于CO2和化学活化条件下基于多种生物质不同组成和复杂操作条件同时预测活性炭收率和比表面积的效果。

技术实现思路

[0005]专利技术目的：本专利技术的目的在于提供一种活性炭的收率及比表面积的预测方法，达到基于多种生物质不同组成和复杂操作条件同时预测活性炭收率和比表面积的效果。
[0006]技术方案：本专利技术的一种活性炭的收率及比表面积的预测方法，包括如下步骤：
[0007](1)数据收集处理：收集不同活化条件和生物质组成分类下的活性炭收率和比表面积的数据值并进行处理，去除非生物质和碳化产物得到的收率和比表面积数据值；
[0008](2)组成划分：根据步骤(1)得到的数据值，按多种生物质的不同组成划分为元素组成、化学分析或工业分析条件下活性炭收率和比表面积的数据集，并将数据集按6～8：2～4划分为训练集和测试集；
[0009](3)相关性和特征重要性计算：针对不同活化条件下多种生物质不同组成和复杂操作条件的不同特征变量分别与活性炭收率和比表面积进行相关性计算和特征重要性排
序；
[0010](4)建立模型：利用机器学习方法中的随机森林算法，采用决策树方法分别建立不同活化条件和生物质组成分类的活性炭收率和比表面积的定量预测模型；
[0011](5)预测：将不同活化条件下全部的特征变量、多种生物质不同组成和复杂操作条件的部分的特征变量分别代入活性炭收率和比表面积的定量预测模型进行预测。
[0012]优选的，步骤(1)具体包括如下步骤：
[0013](11)对收集得到的不同活化条件和生物质组成分类下的基于复杂操作条件的活性炭收率和比表面积的数据值进行换算并统一至相同单位，得到统一的数据值；
[0014](12)对步骤(11)中已统一的数据值进行核实验证确保数据真实有效；
[0015](13)在不同活化条件和生物质组成分类情况下，对上述所有数据值进行逐一排查以去除非生物质和碳化产物得到的活性炭收率和比表面积数据值；
[0016](14)若收集数据集中，某活化条件和具体生物质组成情况下某特征变量值超出绝大多数数据值存在范围过高或过低，则选择去除该异常数据值。
[0017]优选的，步骤(1)中，所述活化条件为在CO2、水蒸气、H3PO4、KOH或ZnCl2的环境下对活性炭进行活化处理。
[0018]优选的，步骤(2)中，所述数据集按7：3划分为训练集和测试集。
[0019]优选的，步骤(2)中，所述元素组成为C、H、O或N，所述化学分析为纤维素Cel、半纤维素Hem、木质素Lig，所述工业分析为挥发分VM、灰分Ash、固碳FC。
[0020]优选的，步骤(3)中，所述复杂操作条件，包括碳化条件与活化条件。
[0021]优选的，所述碳化条件包括碳化时间和碳化温度，活化条件包括质量比、活化时间和活化温度。
[0022]优选的，步骤(3)中，采用Python软件分别计算在不同活化条件下，不同特征变量与活性炭收率和比表面积之间的相关系数r和p假设检验值验证相关性，同时并计算他们的特征重要性。
[0023][0024]其中，和表示变量x和y的平均值，r是两个输入变量之间的相关系数值。其取值在[
‑
1,1]之间时确定数据之间的线性相关性相对容易。此外，当相关系数值在[0,1]之间时两变量呈正相关，在[
‑
1,0]之间呈负相关。这意味着任意两个不同变量之间的线性关系随着绝对值的增大而增大。
[0025][0026]式中，N为样本量；p为任意两个变量之间的p假设检验值，通过N
‑
2个自由度的双截断分布得到。p假设检验值仅反映二者之间是否存在显著统计学差异，一般情况下，p<0.05为有统计学差异，p<0.01为有显著统计学差异，p<0.001为有极其显著的统计学差异。
[0027]优选的，步骤(4)中，所述机器学习方法，包括随机森林、决策树或K折交叉验证。
[0028]优选的，步骤(4)中，所述基于复杂操作条件，根据全部特征变量和多种生物质不同组成分别构建活性炭收率和比表面积的四种定量预测模型，分别是：
[0029](1)元素分析、工业分析、化学分析和复杂操作条件的17个特征变量对目标变量的
预测模型；
[0030](2)元素分析与复杂操作条件的9个特征变量对目标变量的预测模型；
[0031](3)工业分析与复杂操作条件的9个特征变量对目标变量的预测模型；
[0032](4)化学分析与复杂操作条件的9个特征变量对目标变量的预测模型。
[0033]优选的，步骤(5)中，评估定量预测模型预测能力的参数为：可决策系数R2和均方根误差R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活性炭的收率及比表面积的预测方法，其特征在于，所述预测方法包括如下步骤：(1)数据收集处理：收集不同活化条件和生物质组成分类下的活性炭收率和比表面积的数据值并进行处理，去除非生物质和碳化产物得到的收率和比表面积数据值；(2)组成划分：根据步骤(1)得到的数据值，按多种生物质的不同组成划分为元素组成、化学分析或工业分析条件下活性炭收率和比表面积的数据集，并将数据集按6～8：2～4划分为训练集和测试集；(3)相关性和特征重要性计算：针对不同活化条件下多种生物质不同组成和复杂操作条件的不同特征变量分别与活性炭收率和比表面积进行相关性计算和特征重要性排序；(4)建立模型：利用机器学习算法分别建立不同活化条件和生物质组成分类的活性炭收率和比表面积的定量预测模型；(5)预测：将不同活化条件下全部的特征变量、多种生物质不同组成和复杂操作条件的部分的特征变量分别代入活性炭收率和比表面积的定量预测模型进行预测。2.根据权利要求1所述的预测方法，其特征在于，步骤(1)具体包括如下步骤：(11)对收集得到的不同活化条件和生物质组成分类下的基于复杂操作条件的活性炭收率和比表面积的数据值进行换算并统一至相同单位，得到统一的数据值；(12)对步骤(11)中已统一的数据值进行核实验证确保数据真实有效；(13)在不同活化条件和生物质组成分类情况下，对上述所有数据值进行逐一排查以去除非生物质和碳化产物得到的活性炭收率和比表面积数据值；(14)若收集数据集中，某活化条件和具体生物质组成情况下某特征变量值超出绝大多数数据值存在范围过高或过低，则选择去除该异常数据值。3.根据权利要求1所述的预测方法，其特征在于，步骤(1)中，所述活化条件为在CO2、水蒸气、H3PO4、KOH或ZnCl2的环境下对活性炭进行活化处理。4.根据权利要求1所述的预测方法，其特征在于，步骤(2)中，所述数据集按7：3划分为训练集和测试集。5.根据权利要求1所述的预测方法，其特征在于，步骤(2)中，所述元素组成为C、H、O或N，所述化学分析为纤维素Cel、半纤维素Hem、木质素Lig，所述工业分析为挥发分VM、灰分Ash、固碳FC。6.根据权利要求1所述的预测方法，其特征在于，步骤(2)中，所述复杂操作条件，包括碳化条件与活化条...

【专利技术属性】
技术研发人员：钱红亮，王聪，黎婷，黄德春，陈维，钟伊南，
申请(专利权)人：中国药科大学，
类型：发明
国别省市：