System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术实施例涉及基团筛选,尤其涉及一种筛选模型训练方法、筛选方法、装置、设备、介质及程序。
技术介绍
1、光伏产业蓬勃发展,使得多晶硅产品的需求量大增。
2、改良西门子法是多晶硅生产的主流工艺。改良西门子法中,三氯氢硅为多晶硅还原过程的原材料。三氯氢硅中杂质(例如:硼杂质,在三氯氢硅中主要以三氯化硼的形式存在)干扰多晶硅的品质和产量,现有技术方案多采用吸附剂去除三氯氢硅中杂质。
3、现有对吸附剂的筛选多为人工筛选。面对数量庞大的待选吸附剂,受限于人工体力精力,筛选效率低。并且,人工筛选时,人与人之间的经验及知识水平的差异易造成筛选错误,筛选准确率低。
技术实现思路
1、本专利技术实施例提供一种筛选模型训练方法、筛选方法、装置、设备、介质及程序,以解决现有对吸附剂的筛选多为人工筛选,面对数量庞大的待选吸附剂,受限于人工体力精力,筛选效率低的问题。并且,人工筛选时,人与人之间的经验及知识水平的差异易造成筛选错误,筛选准确率低的问题。
2、为了解决上述技术问题,本专利技术是这样实现的:
3、第一方面,本专利技术实施例提供了一种吸附剂筛选模型的训练方法,包括:
4、构建靶向吸附目标杂质的多种吸附基团的结构模型;
5、确定各所述结构模型的描述特征符;
6、分别对各所述结构模型进行吸附模拟,得到各所述结构模型的吸附能数据集;
7、以所述吸附能数据集对应标注各所述描述特征符,组合完成标注的所述描述
8、采用所述训练样本集合训练吸附剂筛选模型,得到目标筛选模型。
9、可选地,构建靶向吸附目标杂质的各种吸附基团的结构模型,包括:
10、获取各所述吸附基团的结构数据,根据所述结构数据构建各所述吸附基团的初始结构模型;
11、对各所述初始结构模型进行能量最小化优化,以完成所述能量最小化优化的所述初始结构模型作为所述结构模型。
12、可选地,采用orca软件构建所述初始结构模型;
13、采用b3lyp方法、6-31g基组以及dft-d3色散校正对所述初始结构模型进行所述能量最小化优化。
14、可选地,确定各所述结构模型的描述特征符,包括:
15、对于每一所述结构模型,根据所述结构模型确定构成对应吸附基团的全部构成原子的原子类型、各所述构成原子的三维坐标以及各所述构成原子的电荷量;
16、根据所述构成原子的原子类型、各所述构成原子的三维坐标以及各所述构成原子的电荷量,确定所述描述特征符。
17、可选地,所述构成原子的电荷量包括:resp电荷量。
18、可选地,所述描述特征符包括以下至少四项特征符:
19、吸附基团的全部所述构成原子中带有的最大负电荷量、吸附基团的全部所述构成原子中氢原子带有的最大正电荷量、带有最大负电荷量的所述构成原子与带有最大正电荷的氢原子之间的原子数、带有最大负电荷量的所述构成原子与带有最大正电荷的氢原子之间的单键数、带有最大负电荷量的所述构成原子与带有最大正电荷的氢原子之间的距离、带有最大负电荷量的所述构成原子与其直接相连的所述构成原子的共价键类型、带有最大负电荷量的所述构成原子与其直接相连的所述构成原子的原子类型、带有最大正电荷的氢原子与其直接相连的所述构成原子的原子类型。
20、可选地,采用所述训练样本集合训练吸附剂筛选模型,得到目标筛选模型,包括:
21、采用所述训练样本集合分别训练预设的吸附剂筛选模型集合中的各所述吸附剂筛选模型;
22、全部所述吸附剂筛选模型完成训练后,对各所述吸附剂筛选模型进行测试,根据所述测试的测试结果确定所述目标筛选模型。
23、第二方面,本专利技术实施例提供了一种吸附剂筛选方法,包括:
24、获取预设的待选吸附剂集合中全部待选吸附剂的基团结构数据,根据所述基团结构数据确定各所述待选吸附剂对应的基团结构的描述特征符;
25、根据所述描述特征符,采用目标筛选模型确定目标吸附剂。
26、第三方面,本专利技术实施例提供了一种吸附剂筛选模型的训练装置,包括:
27、模型构建模块,用于构建靶向吸附目标杂质的多种吸附基团的结构模型;
28、执行模块,用于确定各所述结构模型的描述特征符;
29、模拟模块,用于分别对各所述结构模型进行吸附模拟,得到各所述结构模型的吸附能数据集;
30、标注模块,用于以所述吸附能数据集对应标注各所述描述特征符,组合完成标注的所述描述特征符得到训练样本集合;
31、训练模块,用于采用所述训练样本集合训练吸附剂筛选模型,得到目标筛选模型。
32、第四方面,本专利技术实施例提供了一种吸附剂筛选装置,包括:
33、数据处理模块,用于获取预设的待选吸附剂集合中全部待选吸附剂的基团结构数据,根据所述基团结构数据确定各所述待选吸附剂对应的基团结构的描述特征符;
34、筛选模块,用于根据所述描述特征符,采用目标筛选模型确定目标吸附剂。
35、第五方面,本专利技术实施例提供了一种电子设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面中任一项所述的吸附剂筛选模型的训练方法中的步骤,或者实现如第二方面所述的吸附剂筛选方法中的步骤。
36、第六方面,本专利技术实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面中任一项所述的吸附剂筛选模型的训练方法中的步骤,或者实现如第二方面所述的吸附剂筛选方法中的步骤。
37、第七方面,本专利技术实施例提供了一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现如第一方面中任一项所述的吸附剂筛选模型的训练方法中的步骤,或者实现如第二方面所述的吸附剂筛选方法中的步骤。
38、在本专利技术实施例中,通过构建靶向吸附目标杂质的多种吸附基团的结构模型;确定各结构模型的描述特征符;分别对各结构模型进行吸附模拟,得到各结构模型的吸附能数据集;以吸附能数据集对应标注各描述特征符,组合完成标注的描述特征符得到训练样本集合,采用训练样本集合训练吸附剂筛选模型,得到目标筛选模型;应用本专利技术实施例能够训练得到根据吸附基团的结构特征筛选目标吸附剂的目标筛选模型,相较于现有人工筛选的方式,本专利技术实施例训练得到的目标筛选模型的筛选效率高,并且能够排除人工经验及知识水平差异的干扰,筛选准确度高。
本文档来自技高网...【技术保护点】
1.一种吸附剂筛选模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的吸附剂筛选模型的训练方法,其特征在于,
3.根据权利要求2所述的吸附剂筛选模型的训练方法,其特征在于,
4.根据权利要求1所述的吸附剂筛选模型的训练方法,其特征在于,
5.根据权利要求4所述的吸附剂筛选模型的训练方法,其特征在于,
6.根据权利要求4所述的吸附剂筛选模型的训练方法,其特征在于,
7.根据权利要求1所述的吸附剂筛选模型的训练方法,其特征在于,
8.一种吸附剂筛选方法,其特征在于,包括:
9.一种吸附剂筛选模型的训练装置,其特征在于,包括:
10.一种吸附剂筛选装置,其特征在于,包括:
11.一种电子设备,其特征在于:包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的吸附剂筛选模型的训练方法中的步骤,或者实现如权利要求8所述的吸附剂筛选方法中的步骤。
12.一种可读存储介质
13.一种计算机程序产品,其特征在于,包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1至7中任一项所述的吸附剂筛选模型的训练方法中的步骤,或者实现如权利要求8所述的吸附剂筛选方法中的步骤。
...【技术特征摘要】
1.一种吸附剂筛选模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的吸附剂筛选模型的训练方法,其特征在于,
3.根据权利要求2所述的吸附剂筛选模型的训练方法,其特征在于,
4.根据权利要求1所述的吸附剂筛选模型的训练方法,其特征在于,
5.根据权利要求4所述的吸附剂筛选模型的训练方法,其特征在于,
6.根据权利要求4所述的吸附剂筛选模型的训练方法,其特征在于,
7.根据权利要求1所述的吸附剂筛选模型的训练方法,其特征在于,
8.一种吸附剂筛选方法,其特征在于,包括:
9.一种吸附剂筛选模型的训练装置,其特征在于,包括:
10.一种吸附剂筛选装置,其特征在于,包括:
...
【专利技术属性】
技术研发人员:吕旭晨,乔贤亮,黄胶,达伟民,王迪,阿热帕提·阿扎提,苏国良,刘兴平,
申请(专利权)人:新特能源股份有限公司,
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。