基于时序卷积网络的高放玻璃固化体浸出行为预测方法技术

本发明专利技术提供一种基于时序卷积网络的高放玻璃固化体浸出行为预测方法，包括以下步骤：(1)数据预处理；(2)预测模型设计；(3)元素浸出行为预测。本发明专利技术采用时序卷积网络作为预测模型结构，能有效提高对高放玻璃固化体浸出行为预测准确率。采用ALTGLASS国际数据库作为训练集对模型进行训练，避免以往研究中从文献或实验中获取训练集数据所带来的实验条件不一致、数据量不足的问题。数据量不足的问题。数据量不足的问题。

【技术实现步骤摘要】
基于时序卷积网络的高放玻璃固化体浸出行为预测方法


[0001]本专利技术提供一种基于时序卷积网络的高放玻璃固化体浸出行为预测方法，属于核安全评价


技术介绍

[0002]高放玻璃固化体在长时间深地质处置下与地下水接触，导致放射性核素浸出，因此，对玻璃固化体的浸出行为进行研究和预测，是核安全评价工作中的重要内容。目前常用的浸出行为研究和预测方法是制备样品并进行不同时长浸出实验的传统实验手段，该方法具有实验周期长、无法将浸出结果推及至其他组份等缺陷。现有玻璃固化体浸出描述模型，如溶液分析模型(JNUCL MATER,2001,298(1):112
‑
124.)、地球化学模型(Waste Management,2001,21(8):741
‑
752.)等难以表现出玻璃固化体浸出行为的复杂性。

技术实现思路

[0003]针对上述技术问题，本专利技术利用机器学习方法的时序卷积网络模型训练获得高放玻璃固化体浸出行为预测模型，为高放玻璃固化体浸出行为的研究和预测提供了新的技术手段和思路。
[0004]本专利技术采用国际大型高放核废物玻璃浸出数据库ALTGLASS对时序卷积网络模型进行训练和测试，并获得能够对高放玻璃固化体中11种元素的浸出行为作出较准确预测的浸出行为预测模型。传统实验方法和描述模型难以表现出玻璃固化体浸出行为的复杂性，而基于机器学习的数据驱动模型是基于现有数据库开发的半经验模型，能够对复杂情况进行建模。其中人工神经网络、支持向量机等模型已在磷酸盐玻璃和铝硅酸盐玻璃溶解行为的研究中取得了成功。但是，人工神经网络、支持向量机等方法存在对大规模数据的处理能力不足、梯度消失和过拟合等问题，因此往往预测精度有限。而时序卷积网络作为深度学习模型具有较强的数据特征提取和拟合能力，能够为高放玻璃固化体浸出行为提供更优的预测能力。同时，ALTGLASS数据库收集了包含高放废物玻璃固化体和低放废物玻璃固化体总计约450种不同组分玻璃的2600次静态玻璃溶解数据，所有实验均根据产品一致性测试(PCT,ASTM C1285A和B)方法获得，具有较高可靠性。因此利用ALTGLASS数据库对时序卷积网络进行训练有望获得能够对高放玻璃固化体浸出行为作出较准确预测的高放玻璃固化体浸出行为预测模型。
[0005]本专利技术具体的技术方案：
[0006]基于时序卷积网络的高放玻璃固化体浸出行为预测方法，包括以下步骤：
[0007](1)数据预处理
[0008]在ALTGLASS数据集中选择在90℃
±
2℃下的去离子水中获得的高放玻璃固化体静态浸出数据。根据元素在浸出液中的浓度通过式(1)计算元素归一化质量损失Q
i
：
[0009][0010]式中：Q
i
单位为g/m2；C
i
为元素在浸出液中的浓度，单位为g/L；f
i
为元素在玻璃样品中的质量分数；SA/V为样品表面积与浸出液体积之比，单位为m2/L。为了处理不同量纲的输入量，采用式(2)对数据进行归一化处理：
[0011][0012]式中：Y
i
为归一化结果；x
i
为当前数据；x
min
和x
max
分别为数据的最小值和最大值。在训练开始前，分别随机划分64％、16％和20％的数据作为训练集、验证集和测试集。
[0013](2)预测模型设计
[0014]以浸出持续时间、SA/V、样品密度、浸出液pH、样品组分总计43维数据作为输入特征，11种元素的浸出预测值作为输出特征。预测模型利用Python语言编写，其结构由input层、Keras包tcn层、Dense组成，tcn层采用43时间步。将训练集作为输入数据集对时序卷积网络模型进行训练，训练过程中利用验证集MAE值对训练效果进行判断以避免过拟合。训练结束后即可获得该元素浸出行为预测模型。
[0015]为了评估模型的预测准确性，用测试集数据对训练后的模型进行测试，并用模型计算值与测试集数据通过式(3)和式(4)计算平均绝对误差(MAE)和决定系数(R2)以对测试结果定量分析。
[0016][0017][0018](3)元素浸出行为预测
[0019]利用Python读入训练好的元素浸出行为预测模型，将需进行预测的输入特征进行如上归一化处理后提交给模型运行后即可获得元素浸出预测值。
[0020]本专利技术采用时序卷积网络作为预测模型结构，是在1D卷积基础上针对时序问题改进的模型，此外它还采用残差卷积的跳层连接、1
×
1的卷积等设计，能有效提高对高放玻璃固化体浸出行为预测准确率。
[0021]采用ALTGLASS模型作为训练集对模型进行训练。ALTGLASS国际研究人员提供实验数据档案，所有数据都根据短期和长期产品一致性测试((PCT,ASTM C1285 A和B)方法进行三次实验取其平均值获得，且数据库数据量较大，包含约450种不同组分玻璃的2600次静态玻璃溶解数据，能够满足模型训练所需，避免以往研究中从文献或实验中获取训练集数据所带来的实验条件不一致、数据量不足的问题。
附图说明
[0022]图1是本专利技术利用时序卷积网络预测获得的归一化测试集决定系数和平均绝对误差；
[0023]图2是实施例中B、Si和Al元素的时序卷积预测模型训练集和测试集计算值与实验值散点对比图；
具体实施方式
[0024]结合实施例说明本专利技术的具体技术方案。
[0025]用测试集对训练后的模型分别进行Si、B、Ca、Cr、Li、Na、K、Al、Fe、Mo和Mg元素浸出行为预测测试，并对计算值和测试集实验值采用平均绝对误差(MAE)和决定系数(R2)来评估模型准确性。MAE越接近0，表示模型预测准确性越好；R2越趋近1，表示模型预测准确性越好。因此，当R2值越接近1且MAE值越低，则认为模型预测性能越好。
[0026]归一化测试集的MAE和R2结果，其结果如图1所示。由图1中的(a)、(b)可知，对于Al元素，预测模型的R2值约为0.95，MAE误差值约为0.0120。B、Cr和Li元素的R2值分别为0.91、0.94和0.95，MAE值分别为0.0272、0.0160和0.0251。Ca元素R2和MAE值分别为0.42和0.0182。K、Mo、Na元素的R2值分别为0.67、0.86和0.63，三种元素的MAE值分别为0.0071、0.0256和0.0658。Si元素的R2为0.96，MAE为0.0022。Fe元素的R2和MAE分别为0.786和0.0212。Mg元素的R2和MAE值分别为0.75和0.0056。其中该模型对Al、B、Cr、Li、Si元素的R2值均在0.9以上，表示该模型对多种元素均能提供较高的预测准确性。
[0027]表1显示了人工神经网络、时序卷积网络和卷积神经网络预测获得的Al、Li、B、Ca元素的归一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时序卷积网络的高放玻璃固化体浸出行为预测方法，其特征在于，包括以下步骤：(1)数据预处理在ALTGLASS数据集中选择在90℃
±
2℃下的去离子水中获得的高放玻璃固化体静态浸出数据；根据元素在浸出液中的浓度通过式(1)计算元素归一化质量损失Q
i
：式中：Q
i
单位为g/m2；C
i
为元素在浸出液中的浓度，单位为g/L；f
i
为元素在玻璃样品中的质量分数；SA/V为样品表面积与浸出液体积之比，单位为m2/L；采用式(2)对数据进行归一化处理：式中：Y
i
为归一化结果；x
i
为当前数据；x
min
和x
max
分别为数据的最小值和最大值；在训练开始前，分别随机划分数据作为训练集、验证集和测试集；(2)预测模型设计以浸出持续时间、SA/V、样品密度、浸出液pH、样品组分总计43维数据作为输入特征，元素的浸出预测值作为输出特征；预测模型利用Python语言编写，其结构由inpu...

【专利技术属性】
技术研发人员：代云雅，丛雨桐，竹含真，王辅，廖其龙，康昭，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：