一种辅助构筑污泥炭活性位点的机器学习方法及系统

本发明涉及污泥炭活性位点研究，更具体的说是涉及一种辅助构筑污泥炭活性位点的机器学习方法及系统。

背景技术：

1、热处理将污泥(ss)废物转化为功能性炭材料，提供了一种高效且环保的污泥高值回收方法。高活性催化剂的研发是提高类芬顿催化降解效率的关键，此外，ss炭基功能材料的活性位点是影响其活性的关键因素。吡啶n作为污泥炭催化剂中重要活性位点，不仅可以通过增强活性中心提高催化剂活性，还能通过调节催化剂表面电子结构影响催化剂的整体性能。值得注意的是，ss原料中fe影响吡啶n活性位点的形成。在热解过程中，原料中铁氧化物首先会催化焦炭中蛋白质氮转化为含氮功能团(吡咯氮、季氮、氮氧化物等)，使氮固定在焦炭中。然后随着热解温度的升高，形成α-fe并与半焦中的吡啶n反应进一步形成fexn。随着热解温度升高，fexn分解转化为n2。其次，fe促进污泥炭表面结构缺陷生成，这些缺陷是活性位点的优良生成位点。因此，fe在构建催化剂活性位点过程发挥重要作用。此外，在不同热解参数(加热速率、热解温度和气氛)下，ss炭化过程涉及多种组分之间的复杂链式反应。在现有的科学条件下，很难观察到热解过程中中间态和官能团的变化，成为阐明活性位点形成机理的一大障碍，进而影响活性位点的精准调控。

2、通过人工智能手段，借助大数据分析和机器学习算法，可发现隐藏的信息和复杂的非线性关系。但是传统的模型存在一些问题，比如，随机森林对高维稀疏数据效果不好，xgboost对异常值和噪声非常敏感。值得注意的是，extra tree是一种基于随机森林的变体，通过随机选择特征和数据子集来生成多个决策树，能够很好地处理高维数据和噪声。因此，本发明将两个模型集成实现互补：xgboost的强预测能力结合extra tree的鲁棒性，可以处理不同类型的数据，提高模型整体的泛化能力，从而在不同的数据集上表现出更好的稳定性和准确性。将两个模型的预测结果进行加权平均，获得比单个模型更准确的预测结果。因此亟需一种辅助构筑污泥炭活性位点的机器学习方法及系统，准确预测污泥炭催化剂表面的关键活性位点并高通量筛选位点的构筑条件。

技术实现思路

1、有鉴于此，本发明提供了一种辅助构筑污泥炭活性位点的机器学习方法及系统，通过借助大数据分析和机器学习算法集成，构建污泥基催化剂原料组成和制备参数与吡啶氮位点组成之间的复杂关系。

2、为了实现上述目的，本发明采用如下技术方案：

3、一方面，本发明提供了一种辅助构筑污泥炭活性位点的机器学习方法，包括以下步骤：

4、收集污泥基催化剂参数，构建用于预测污泥炭基催化剂活性位点的污泥基催化剂参数数据集；

5、对污泥基催化剂参数数据集中的数据进行预处理，并将预处理后的污泥基催化剂参数数据集划分为训练集和测试集；

6、分别将训练集输入到多个机器学习回归算法模型进行训练，并利用测试集分别对多个机器学习回归算法模型进行预测性能评估，选取每个活性位点预测性能的最佳模型；

7、对每个活性位点预测性能的最佳模型进行分析，并定量评估污泥原料组成和热解参数对活性位点预测的贡献度，根据贡献度选取最佳模型的最优污泥原料和制备条件参数；

8、输入污泥原料和制备条件参数至集成模型进行污泥炭的活性位点预测，得到污泥炭的活性位点预测结果。

9、优选的，收集污泥基催化剂参数，包括：

10、数据集输入特征包括：c％、n％、o％、fe％、pyrolysis temperature、heatingrate和pyrolysis time和1个输出变量pyridinic n。

11、优选的，数据预处理选择标准化作为预处理方法。

12、优选的，机器学习回归算法模型包括：

13、svm、kneighbors、bagging、决策树、extra tree、xgboosting、ard回归、贝叶斯岭和随机森林。

14、优选的，计算训练和测试数据集的r2和rmse值以评估模型预测准确性；筛选决策树、extra tree、xgboosting、ard回归和贝叶斯岭机器学习算法进行进一步优化。

15、优选的，对extra tree和xgboosting机器学习算法进行集成优化和贝叶斯优化。

16、优选的，使用特征重要性和shap算法对活性位点预测性能的集成模型进行分析，并评估污泥原料组成和热解参数对活性位点预测的贡献度，通过部分依赖图分析，得出吡啶n生成的最佳热解时间、热解温度和升温速率条件。

17、另一方面，本发明还提供了一种辅助构筑污泥炭活性位点的机器学习系统，用于实现上述任一项所述的一种辅助构筑污泥炭活性位点的机器学习方法，包括依次连接的数据获取单元、预处理单元、模型评估单元、贡献度评估单元和活性位点预测单元：

18、数据获取单元，收集污泥基催化剂参数，构建用于预测污泥炭基催化剂活性位点的污泥基催化剂参数数据集；

19、预处理单元，用于对污泥基催化剂参数数据集中的数据进行预处理，并将预处理后的污泥基催化剂参数数据集划分为训练集和测试集；

20、模型评估单元，用于分别将训练集输入到多个机器学习回归算法模型进行训练，并利用测试集分别对多个机器学习回归算法模型进行预测性能评估，选取每个活性位点预测性能的最佳模型；

21、贡献度评估单元，用于对每个活性位点预测性能的最佳模型进行分析，并定量评估污泥原料组成和热解参数对活性位点预测的贡献度，根据贡献度选取最佳模型的最优污泥原料和制备条件参数；

22、活性位点预测单元，用于输入污泥原料和制备条件参数至集成模型进行污泥炭的活性位点预测，得到污泥炭的活性位点预测结果。

23、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种辅助构筑污泥炭活性位点的机器学习方法及系统，具有以下有益效果：

24、(1)本发明所述的预测污泥炭活性位点的方法，集成extra tree和xgboosting机器学习模型，仅需要输入c％、n％、o％、fe％、升温速率、热解温度和热解时间七个参数，得到的预测模型r2值达0.80，可以直接根据原料组成和制备参数预测活性位点。不需要大规模地机械化进行实验，减少了人力物力的成本；

25、(2)本发明成功构建的模型可以精准筛选生成吡啶n的最佳热解时间、升温速率和热解温度。热解温度在500-600℃、加热速率在5-10℃/min、热解时间在150min左右时有利于吡啶n位点生成；

26、(3)本发明所述的预测污泥炭活性位点的方法，打破了含fe污泥炭表面吡啶氮活性位点精准化制备的瓶颈。所开发的预测污泥炭活性位点的方法为机器学习在污泥炭活性位点领域的应用提供了新见解。

1.一种辅助构筑污泥炭活性位点的机器学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种辅助构筑污泥炭活性位点的机器学习方法，其特征在于，收集污泥基催化剂参数，包括：

3.根据权利要求1所述的一种辅助构筑污泥炭活性位点的机器学习方法，其特征在于，数据预处理选择标准化作为预处理方法。

4.根据权利要求1所述的一种辅助构筑污泥炭活性位点的机器学习方法，其特征在于，机器学习回归算法模型包括：

5.根据权利要求4所述的一种辅助构筑污泥炭活性位点的机器学习方法，其特征在于，计算训练和测试数据集的r2和rmse值以评估模型预测准确性；筛选决策树、extra tree、xgboosting、ard回归和贝叶斯岭机器学习算法进行进一步优化。

6.根据权利要求5所述的一种辅助构筑污泥炭活性位点的机器学习方法，其特征在于，对extra tree和xgboosting机器学习算法进行集成优化和贝叶斯优化。

7.根据权利要求1所述的一种辅助构筑污泥炭活性位点的机器学习方法，其特征在于，使用特征重要性和shap算法对活性位点预测性能的集成模型进行分析，并评估污泥原料组成和热解参数对活性位点预测的贡献度，通过部分依赖图分析，得出吡啶n生成的最佳热解时间、热解温度和升温速率条件。

8.一种辅助构筑污泥炭活性位点的机器学习系统，其特征在于，用于实现如权利要求1-7任一项所述的一种辅助构筑污泥炭活性位点的机器学习方法，包括依次连接的数据获取单元、预处理单元、模型评估单元、贡献度评估单元和活性位点预测单元：