【技术实现步骤摘要】
本申请涉及一种多孔碳co2捕获量预测方法、系统、电子设备及存储介质，属于环境co2捕获。
技术介绍
1、目前，大气中的co2浓度已经超过410ppm，co2浓度持续增加所带来的与全球变暖相关的影响是人类今天面临的主要挑战。
2、co2捕获和封存(carbon capture and storage，ccs)被广泛认为是一种很有前途使世界远离气候变化威胁的方法。迄今为止研究的最有前途的碳捕获材料是含氮多孔碳。含氮多孔碳具有可调的孔结构和高的化学稳定性，还具有广泛的前体来源和较大的成本效益，使得多孔碳材料成为ccs中有潜力的替代品，尤其是废弃物衍生的含氮多孔碳。废弃物衍生的含氮多孔碳不仅有利于降低大气中的co2浓度，而且还能实现可持续的废弃物管理。
3、然而，对于多孔碳对co2捕获量，需要大量的人力物力去检测。另外，人们对于多孔碳的质构性质和官能团对co2捕获影响的优先次序仍然不清楚，这不利于指导高co2捕获量的废弃物衍生含氮多孔碳的合成。
技术实现思路
1、为了解决现有技术中上述至少一个问题，本申请提供了一种多孔碳co2捕获量预测方法、系统、电子设备及可读存储介质，旨在可以预测获得废弃物衍生的含氮多孔碳的co2捕获量，并节约实验成本和实验时间。
2、本申请的第一目的在于提供一种多孔碳co2捕获量预测方法。
3、本申请的第二目的在于提供一种多孔碳co2捕获量预测系统。
4、本申请的第三目的在于提供一种电子设备。
5
6、本申请的第一目的可以通过采取如下技术方案达到：
7、一种多孔碳co2捕获量预测方法，所述方法包括：
8、根据集成机器学习模型、特征变量和目标变量，得到第一预测模型，所述特征变量为废弃物衍生的含氮多孔碳的质构性质和化学性质，所述目标变量为不同吸附实验条件下所述含氮多孔碳的co2捕获量；
9、简化所述第一预测模型，得到第二预测模型；
10、根据所述第二预测模型预测废弃物衍生的含氮多孔碳的co2捕获量。
11、在一些实施例中，所述质构性质的特征数据包括多孔碳的比表面积、总孔孔容、微孔孔容和介孔孔容；
12、所述化学性质的特征数据包括多孔碳的碳、氢、氧和氮元素含量和多孔碳上吡啶氮、吡咯或吡啶酮氮、石墨氮、氧化氮和胺基氮的相对含量。
13、在一些实施例中，所述集成机器学习模型基于梯度提升回归树、极端梯度增强和随机森林构建；
14、所述根据集成机器学习模型、特征变量和目标变量，得到第一预测模型，包括：
15、根据特征变量和目标变量，训练集成机器学习模型，训练之后，比较梯度提升回归树、极端梯度增强和随机森林的决定系数和均方根误差的大小，将其中决定系数最大和均方根误差最小的模型作为第一预测模型，所述训练的数据为小样本数据集。
16、在一些实施例中，所述第一预测模型采用5折网格搜索交叉验证进行训练。
17、在一些实施例中，所述简化所述第一预测模型，得到第二预测模型，包括：
18、在所述特征变量中，根据层次聚类算法和设定的距离阈值，划分n个第一聚类和m个第二聚类，所述第一聚类包括多个特征数据，所述第二聚类包括一个特征数据，n＜m；计算每个特征数据的特征重要性值；
19、对于第一聚类，剔除最小特征重要性值的特征数据并将其余的特征数据作为聚类代表；以高到低的方式，对m个第二聚类的特征数据的特征重要性值进行排序，剔除排序靠后的m个第二聚类的特征数据并将其余的第二聚类的特征数据作为聚类代表，m＜m；
20、将所有聚类代表汇总并作为新的特征变量；根据所述第一预测模型、新的特征变量和目标变量，得到第二预测模型。
21、在另一些实施例中，所述简化所述第一预测模型，得到第二预测模型，包括：
22、在所述特征变量中，根据层次聚类算法和设定的距离阈值，划分n个第一聚类和m个第二聚类，所述第一聚类包括多个特征数据，所述第二聚类包括一个特征数据，n＜m；计算每个特征数据的特征重要性值；
23、对于第一聚类，剔除最小特征重要性值的特征数据并将其余的特征数据作为聚类代表；对于第二聚类，选择大于等于特征重要性阈值的特征数据作为聚类代表；
24、将所有聚类代表汇总并作为新的特征变量；根据所述第一预测模型、新的特征变量和目标变量，得到第二预测模型。
25、在一些实施例中，所述方法还包括：
26、在所述第二预测模型预测得到所述co2捕获量之后，调用界面组件和使用平均杂质减少的特征重要性，呈现各个特征在预测时的重要性。
27、本申请的第二目的可以通过采取如下技术方案达到：
28、一种多孔碳co2捕获量预测系统，所述系统包括：
29、训练单元，用于根据集成机器学习模型、特征变量和目标变量，得到第一预测模型，所述特征变量为废弃物衍生的含氮多孔碳的质构性质和化学性质，所述目标变量为不同吸附实验条件下所述含氮多孔碳的co2捕获量；
30、简化单元，用于简化所述第一预测模型，得到第二预测模型；
31、预测单元，用于根据所述第二预测模型预测废弃物衍生的含氮多孔碳的co2捕获量。
32、本申请的第三目的可以通过采取如下技术方案达到：
33、一种电子设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述多孔碳co2捕获量预测方法。
34、本申请的第四目的可以通过采取如下技术方案达到：
35、一种可读存储介质，存储有程序，所述程序被处理器执行时，实现上述多孔碳co2捕获量预测方法。
36、在本申请实施例中，首先电子设备根据集成机器学习模型、特征变量和目标变量，得到第一预测模型，所述特征变量为废弃物衍生的含氮多孔碳的质构性质和化学性质，所述目标变量为不同吸附实验条件下所述含氮多孔碳的co2捕获量，然后电子设备基于特征工程简化所述第一预测模型，得到第二预测模型，最后电子设备根据所述第二预测模型和待预测输入数据预测废弃物衍生的含氮多孔碳的co2捕获量。该多孔碳co2捕获量预测方法基于实验数据建立了机器学习模型，成功地预测了上述co2捕获量，并且由于输入数据的获取不依赖复杂的检测技术，节约了实验成本和实验时间。
本文档来自技高网...【技术保护点】
1.一种多孔碳CO2捕获量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述方法，其特征在于，所述质构性质的特征数据包括多孔碳的比表面积、总孔孔容、微孔孔容和介孔孔容；
3.根据权利要求1～2任一项所述方法，其特征在于，所述集成机器学习模型基于梯度提升回归树、极端梯度增强和随机森林构建；
4.根据权利要求3所述方法，其特征在于，所述第一预测模型采用5折网格搜索交叉验证进行训练。
5.根据权利要求1～2任一项所述方法，其特征在于，所述简化所述第一预测模型，得到第二预测模型，包括：
6.根据权利要求1～2任一项所述方法，其特征在于，所述简化所述第一预测模型，得到第二预测模型，包括：
7.根据权利要求1所述方法，其特征在于，所述方法还包括：
8.一种多孔碳CO2捕获量预测系统，其特征在于，所述系统包括：
9.一种电子设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～7任一项所述方法。
10.一种可读存储介
...【技术特征摘要】
1.一种多孔碳co2捕获量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述方法，其特征在于，所述质构性质的特征数据包括多孔碳的比表面积、总孔孔容、微孔孔容和介孔孔容；
3.根据权利要求1～2任一项所述方法，其特征在于，所述集成机器学习模型基于梯度提升回归树、极端梯度增强和随机森林构建；
4.根据权利要求3所述方法，其特征在于，所述第一预测模型采用5折网格搜索交叉验证进行训练。
5.根据权利要求1～2任一项所述方法，其特征在于，所述简化所述第一预测模型，得到第二预测模型，包括：...
【专利技术属性】
技术研发人员：张思玉，赵晶晶，赵青，张雪娇，
申请(专利权)人：广东省科学院生态环境与土壤研究所，
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。