本发明专利技术公开了一种基于机器学习的水热炭性质调控方法、系统、设备及介质，包括：获取已测样本的第一生物质组成、第一水热条件、水热炭的第一产率、第一元素组成和第一热值特性；将第一生物质组成和第一水热条件作为输入特征以及将第一产率、第一元素组成和第一热值特性作为输出特征，并对输入特征和输出特征进行数据预处理，得到已测样本数据集；将已测样本数据集划分得到训练集，并通过训练集训练预设的多目标预测模型，得到最终多目标预测模型；将最终多目标预测模型进行在线系统部署，得到在线预测网站。本发明专利技术能够得到生物质水热过程中多个参数与水热炭之间的映射，并且实现生物质水热炭的精确预测与调控，减少大量实验和时间成本的消耗。
【技术实现步骤摘要】
本专利技术涉及生物质水热炭化，尤其是涉及一种基于机器学习的水热炭性质调控方法、系统、设备及介质。
技术介绍
1、以亚临界水为反应溶剂的水热碳化是一种很有前途的生物质处理和循环利用技术，它可以在不预干燥的情况下将湿生物质转化为材料和化学品。生物质原料的组成和反应过程的参数等因素影响水热炭的性质。根据其特性不同，水热炭也可以作为吸附剂、催化剂、碳基材料、肥料、土壤添加剂等许多其他应用，这些不同的应用取决于水热炭材料的性质。传统的研究主要是对制备出来的水热炭产品的物理和化学性质进行测量。为了选取最优的高性能水热炭材料，目前主要是依靠大量实验并采用单一变量法对水热炭性能进行人工优化，耗时耗力且不利于快速获得所需的水热炭。
2、有的现有技术尝试将生物质通过水热炭化、造粒、fci因子建立模型来预测产物的燃料品质，然而该方法需要进行大量的实验以及计算，且流程复杂，未直接建立生物质水热过程参数与水热炭之间的联系；有的现有技术通过生物质转化工艺过程原始数据库的建立、数据预处理、人工神经网络模型训练来确定关键参数，然而该方法缺乏对生物质转化后的产物进行快速预测，不能推广至未训练的生物质样本，而且很难进行多目标预测。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于机器学习的水热炭性质调控方法、系统、设备及介质，能够得到生物质水热过程中多个参数与水热炭之间的映射，并且能够实现生物质水热炭的精确预测与调控，减少大量实验和时间成本的消耗。
2、第一方面，本专利技术的实施例提供了一种基于机器学习的水热炭性质调控方法，包括：
3、获取已测样本的第一生物质组成、第一水热条件、水热炭的第一产率、第一元素组成和第一热值特性；
4、将所述第一生物质组成和所述第一水热条件作为输入特征以及将所述第一产率、所述第一元素组成和所述第一热值特性作为输出特征，并对所述输入特征和所述输出特征进行数据预处理，得到已测样本数据集；
5、将所述已测样本数据集划分得到训练集，并通过所述训练集训练预设的多目标预测模型，得到最终多目标预测模型；
6、将所述最终多目标预测模型进行在线系统部署，得到在线预测网站；
7、调整待调控样本的第二生物质组成和第二水热条件，并将所述第二生物质组成和所述第二水热条件输入至所述在线预测网站，得到所述在线预测网站输出的所述水热炭的第二产率、第二元素组成和第二热值特性；
8、通过所述第二产率、所述第二元素组成和所述第二热值特性选取对应所述待调控样本的调控操作。
9、根据本专利技术实施例的方法，至少具有如下有益效果：
10、本方法首先根据预测样本中收集到的第一生物质组成、第一水热条件、水热炭的第一产率、第一元素组成和第一热值特性能够体现出生物质水热过程参数与水热炭之间的联系；将第一生物质组成、第一水热条件、水热炭的第一产率、第一元素组成和第一热值特性通过预处理，得到已测样本数据集，能够为后续多目标预测模型的训练提供良好的数据基础，能够准确训练得出生物质水热过程参数与水热炭之间的映射关系；其次，通过训练集训练预设的多目标预测模型，得到最终多目标预测模型，通过多目标预测实现生物质水热炭的精确预测与调控，减少大量实验和时间成本的消耗；然后根据最终多目标预测模型进行在线系统部署，得到在线预测网站，为水热炭性质提供在线快速预测平台，同时通过在线预测网站能够高效地进行预测统计，节省后续统计的时间成本；最后通过在线预测网站输出的第二产率、第二元素组成和第二热值特性选取对应待调控样本的调控操作，通过在线预测网站的虚拟调整，实现精准的调控操作，同时也节省了大量实验和时间成本的消耗。
11、根据本专利技术的一些实施例，所述对所述输入特征和所述输出特征进行数据预处理，得到已测样本数据集，包括：
12、去除所述输入特征和所述输出特征中的缺失数据并进行统计学分析，得到统计学数据；
13、将所述统计学数据进行归一化处理，得到所述已测样本数据集；其中，所述将所述统计学数据进行归一化处理的计算公式包括：
14、
15、其中，表示已测样本数据集中的第i维数据归一化后的结果，xi表示已测样本数据集中的第i维数据，μ表示已测样本数据集中每一维数据的均值，s为表示测样本数据集中每一维数据中的标准差。
16、根据本专利技术的一些实施例，所述通过所述训练集训练预设的多目标预测模型，得到最终多目标预测模型，包括：
17、将所述训练集输入所述多目标预测模型，并通过梯度提升回归树算法计算所述多目标预测模型的多目标损失函数；
18、通过所述多目标损失函数监督训练所述多目标预测模型，得到最终多目标预测模型。
19、根据本专利技术的一些实施例，在所述将所述训练集输入所述多目标预测模型之前，所述基于机器学习的水热炭性质调控方法还包括：
20、通过交叉验证误差调整所述多目标预测模型用于所述梯度提升回归树算法的超参数；所述超参数包括树的数量、树的深度、学习率和损失函数；
21、通过优化算法监督所述超参数的调整，得到最优超参数；所述优化算法包括粒子群优化算法、模拟退火优化算法和贝叶斯优化算法。
22、根据本专利技术的一些实施例，所述通过所述多目标损失函数监督训练所述多目标预测模型，得到最终多目标预测模型，包括：
23、计算每次所述多目标预测模型迭代训练的多目标损失函数结果；其中，所述多目标损失函数结果的计算公式包括：
24、
25、其中，lm表示多目标损失函数结果，m表示目标数，αt表示每个目标t的权重因子，n1表示树节点中实际值的个数，表示第i1个实际值，表示树节点均值和子节点预测值；
26、若所述多目标损失函数结果低于损失阈值或者所述迭代训练的次数高于次数阈值，得到所述最终多目标预测模型。
27、根据本专利技术的一些实施例，在所述通过所述多目标损失函数监督训练所述多目标预测模型，得到最终多目标预测模型之后，所述基于机器学习的水热炭性质调控方法还包括：
28、通过所述已测样本数据集划分得到测试集，并将所述测试集输入所述最终多目标预测模型，得到所述最终多目标预测模型输出的预测结果；
29、通过所述预测结果计算所述最终多目标预测模型对应的决定系数和均方根误差；所述决定系数和所述均方根误差的计算公式包括：
30、
31、
32、其中，r2表示决定系数，rmse表示均方根误差，n2表示测试集的样本数，和分别表示第i2个实验值和对应的预测值，表示n2个实验值的平均值；
33、根据所述决定系数和所述均方根误差计算得到所述最终多目标预测模型的评估结果。
34、根据本专利技术的一些实施例，所述将所述最终多目标预测模型进行在线系统部署，得到在线预测网站，包括：
35、通过超文本标记语言、层叠样式表、pyth本文档来自技高网
...
【技术保护点】
1.一种基于机器学习的水热炭性质调控方法，其特征在于，所述基于机器学习的水热炭性质调控方法包括：
2.根据权利要求1所述的基于机器学习的水热炭性质调控方法，其特征在于，所述对所述输入特征和所述输出特征进行数据预处理，得到已测样本数据集，包括：
3.根据权利要求1所述的基于机器学习的水热炭性质调控方法，其特征在于，所述通过所述训练集训练预设的多目标预测模型，得到最终多目标预测模型，包括：
4.根据权利要求3所述的基于机器学习的水热炭性质调控方法，其特征在于，在所述将所述训练集输入所述多目标预测模型之前，所述基于机器学习的水热炭性质调控方法还包括：
5.根据权利要求4所述的基于机器学习的水热炭性质调控方法，其特征在于，所述通过所述多目标损失函数监督训练所述多目标预测模型，得到最终多目标预测模型，包括：
6.根据权利要求1所述的基于机器学习的水热炭性质调控方法，其特征在于，在所述通过所述多目标损失函数监督训练所述多目标预测模型，得到最终多目标预测模型之后，所述基于机器学习的水热炭性质调控方法还包括：
7.根据权利要求1所述的基于机器学习的水热炭性质调控方法，其特征在于，所述将所述最终多目标预测模型进行在线系统部署，得到在线预测网站，包括：
8.一种基于机器学习的水热炭性质调控系统，其特征在于，所述基于机器学习的水热炭性质调控系统包括：
9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于机器学习的水热炭性质调控方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于机器学习的水热炭性质调控方法。
...
【技术特征摘要】
1.一种基于机器学习的水热炭性质调控方法，其特征在于，所述基于机器学习的水热炭性质调控方法包括：
2.根据权利要求1所述的基于机器学习的水热炭性质调控方法，其特征在于，所述对所述输入特征和所述输出特征进行数据预处理，得到已测样本数据集，包括：
3.根据权利要求1所述的基于机器学习的水热炭性质调控方法，其特征在于，所述通过所述训练集训练预设的多目标预测模型，得到最终多目标预测模型，包括：
4.根据权利要求3所述的基于机器学习的水热炭性质调控方法，其特征在于，在所述将所述训练集输入所述多目标预测模型之前，所述基于机器学习的水热炭性质调控方法还包括：
5.根据权利要求4所述的基于机器学习的水热炭性质调控方法，其特征在于，所述通过所述多目标损失函数监督训练所述多目标预测模型，得到最终多目标预测模型，包括：
6.根据权利要求1所述的基于机器学习的水热炭性质调控方法，其特征在于，在所述通过所述多目标损失函数...
【专利技术属性】
技术研发人员：冷立健，张伟进，李海龙，詹昊，高佳昕，
申请(专利权)人：中南大学，
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。