【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及一种机器学习驱动的金属改性生物炭除磷性能预测方法。
技术介绍
1、磷(p)在生物地球化学循环及人类生产生活中发挥着重要的作用。然而，大量磷素进入自然水体，最终导致水体富营养化等水环境问题。为保护水体环境健康，世界卫生组织规定废水排放的最大磷浓度限制在0.5-1.0mg/l，中国城镇污水处理厂出水总磷浓度低于0.5mg/l。而引起水体富营养化的临界磷浓度为0.02mg/l。因此，脱除或回收水体过量的磷酸盐对控制污染至关重要。吸附法具有操作简单、环境友好和成本低廉等优势，被广泛应用于脱除水体磷酸盐。但是，因为不同来源的水体磷酸盐浓度组成存在巨大差异，如养殖废水磷酸盐浓度可以高达几百个mg/l，而农田径流尾水磷酸盐通常只有几到十几个mg/l。不同浓度磷酸盐的水体的处理目标和思路不同，高浓度磷酸盐水体以高效脱除为目标，体现在高吸附容量材料的构建；低浓度磷酸盐水体以达标排放为目标，体现在低剩余磷酸盐浓度材料的构建。然而，当前缺乏针对水质处理目标的吸附材料构建方法。
2、生物炭具有多孔结构、丰富的表面基团、易在表面负载金属等优势，是一种潜力巨大的除磷载体，生物质类型和热解温度是影响其性能的重要因素。大量研究表明，mg和la是对磷酸盐存在较强的亲和力的金属，生物炭负载后除磷能力远高于原始生物炭，是当前金属改性生物炭中的研究热点。金属种类、负载方式、负载量等直接影响金属改性生物炭除磷性能，除此之外，磷酸盐初始浓度、溶液ph、吸附剂用量等吸附反应条件也是影响吸附性能的重要因素。
3、当前的研
4、机器学习作为数据驱动的数学方法，提供了一种能够映射多种输入参数和输出变量之间复杂关系的框架，具有算法选择多、高效处理大数据、节省实验操作和成本等优势，已被应用于重金属、有机污染物、新兴污染物等吸附预测和材料优化。机器学习模型在训练中高效分析影响吸附性能众多特征变量间的非线性关系，了解材料制备过程、预测材料吸附性能、优化合成工艺参数，从而显著减少实验时间和成本，提高效率，弥补传统材料制备试验的不足。然而，在磷酸盐吸附材料制备领域，以往的研究片面追求高吸附容量，缺乏基于水质特征针对性制备工艺的考虑，应用机器学习指导不同水质管理目标下定向生物炭类型的推荐和制备工艺应用是突破这一瓶颈的有效方法。
技术实现思路
1、本专利技术所要解决的技术问题是克服现有技术中存在的不足，提供一种机器学习驱动的金属改性生物炭除磷性能预测方法。
2、本专利技术是通过以下技术方案予以实现：
3、一种机器学习驱动的金属改性生物炭除磷性能预测方法，包括如下步骤：
4、s1.获取生物炭负载mg或la下的原始数据，形成数据集，其中，所述数据集包括输入特征和输出变量；
5、s2.对所述数据集进行数据预处理以及输入特征分析；
6、s3.将所述数据集分为训练集和测试集，训练随机森林(rf)、梯度提升(gbr)、极端梯度提升(xgb)、支持向量机(svm)、岭回归(ridge-regression)和人工神经网络(ann)6种机器学习模型，评估后确定训练模型；
7、s4.通过贝叶斯优化结合五折交叉验证对所述训练模型进行超参数优化，获得优化后的训练模型；
8、s5.采用所述优化后的训练模型，对金属改性生物炭除磷性能进行预测。
9、根据上述技术方案，优选地，步骤s1中，所述原始数据包括生物质类型、热解温度、金属种类、金属负载量、金属负载方式、ph、固液比、溶液初始磷酸盐浓度、磷酸盐吸附容量和磷酸盐剩余浓度。
10、根据上述技术方案，优选地，步骤s1中，所述输入特征为生物质类型、热解温度、金属种类、金属负载量、金属负载方式、ph、固液比、溶液初始磷酸盐浓度，输出变量为磷酸盐吸附容量或磷酸盐剩余浓度。
11、根据上述技术方案，优选地，步骤s2中，所述数据预处理包括：使用kolmogorov-smirnov检验对所述原始数据集进行正态分布检验，不符合正态分布的特征使用yeo-johnson变换进行数据变换，同时根据正负三倍标准差进行数据异常检测并删除异常值。
12、根据上述技术方案，优选地，步骤s2中，通过pearson相关性检验判断各输入特征之间是否存在冗余特征。
13、根据上述技术方案，优选地，步骤s3中，训练过程中对数据集进行50次循环分割，采用决定系数(r2)、均方根误差(rmse)和平均绝对误差(mae)评估模型。
14、根据上述技术方案，优选地，步骤s3中，评估后确定的所述训练模型为随机森林(rf)、梯度提升(gbr)、极端梯度提升(xgb)。
15、根据上述技术方案，优选地，步骤s4中，优化后的训练模型确定梯度提升(gbr)是预测金属改性生物炭除磷性能的最优模型。
16、根据上述技术方案，优选地，步骤s5中，通过efi、pfi方法和shap模型进行特征重要性分析，确定影响输出变量为磷酸盐吸附容量时的最重要的输入特征为金属负载量、ph和溶液初始磷酸盐浓度，确定影响输出变量为磷酸盐剩余浓度时的最重要的输入特征为溶液初始磷酸盐浓度、金属负载量和固液比。
17、本专利技术的有益效果是：
18、本专利技术基于随机森林(rf)、梯度提升(gbr)、极端梯度提升(xgb)、支持向量机(svm)、岭回归(ridge-regression)和人工神经网络(ann)6种机器学习模型，结合贝叶斯优化和五折交叉验证优化筛选预测磷酸盐吸附容量和剩余浓度性能最佳的模型，以吸附容量和剩余磷酸盐浓度为目标预测相应的制备工艺参数，为生物炭制备工艺在不同水质管理目标下的定向应用提供了新的思路。
本文档来自技高网...【技术保护点】
1.一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤S1中，所述原始数据包括生物质类型、热解温度、金属种类、金属负载量、金属负载方式、pH、固液比、溶液初始磷酸盐浓度、磷酸盐吸附容量和磷酸盐剩余浓度。
3.根据权利要求2所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤S1中，所述输入特征为生物质类型、热解温度、金属种类、金属负载量、金属负载方式、pH、固液比、溶液初始磷酸盐浓度，输出变量为磷酸盐吸附容量或磷酸盐剩余浓度。
4.根据权利要求3所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤S2中，所述数据预处理包括：使用Kolmogorov-Smirnov检验对所述原始数据集进行正态分布检验，不符合正态分布的特征使用Yeo-Johnson变换进行数据变换，同时根据正负3倍标准差进行数据异常检测并删除异常值。
5.根据权利要求3所述一种机器学习驱动的金属改性生物炭除磷性能预测方
6.根据权利要求1-5中任意一项的所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤S3中，训练过程中对数据集进行50次循环分割，采用决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)评估模型。
7.根据权利要求6所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤S3中，评估后确定的所述训练模型为随机森林(RF)、梯度提升(GBR)、极端梯度提升(XGB)。
8.根据权利要求7所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤S4中，优化后的训练模型确定梯度提升(GBR)是预测金属改性生物炭除磷性能的最优模型。
9.根据权利要求8所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤S5中，通过EFI、PFI方法和Shap模型进行特征重要性分析，确定影响输出变量为磷酸盐吸附容量时的最重要的输入特征为金属负载量、pH和溶液初始磷酸盐浓度，确定影响输出变量为磷酸盐剩余浓度时的最重要的输入特征为溶液初始磷酸盐浓度、金属负载量和固液比。
...【技术特征摘要】
1.一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤s1中，所述原始数据包括生物质类型、热解温度、金属种类、金属负载量、金属负载方式、ph、固液比、溶液初始磷酸盐浓度、磷酸盐吸附容量和磷酸盐剩余浓度。
3.根据权利要求2所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤s1中，所述输入特征为生物质类型、热解温度、金属种类、金属负载量、金属负载方式、ph、固液比、溶液初始磷酸盐浓度，输出变量为磷酸盐吸附容量或磷酸盐剩余浓度。
4.根据权利要求3所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤s2中，所述数据预处理包括：使用kolmogorov-smirnov检验对所述原始数据集进行正态分布检验，不符合正态分布的特征使用yeo-johnson变换进行数据变换，同时根据正负3倍标准差进行数据异常检测并删除异常值。
5.根据权利要求3所述一种机器学习驱动的金属改性生物炭除磷性能预测方法，其特征在于，步骤s2中，通过pear...
【专利技术属性】
技术研发人员：王风，伏薇霖，张薛妍，
申请(专利权)人：农业农村部环境保护科研监测所，
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。