【技术实现步骤摘要】
本专利技术涉及太阳能光催化领域，特别涉及基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法、系统、介质。
技术介绍
1、化石燃料的大量燃烧和工业生产过程会产生大量温室气体，加速全球变暖并导致地球气候发生重大变化。二氧化碳是一种主要的温室气体，找到合适的催化剂将其转化为化学物质(如co、ch3oh、ch4等)是解决这一问题的关键。在各种转化方法中，光催化是一种重要的方法，它利用清洁、安全和可再生的太阳能驱动催化剂进行二氧化碳转化。
2、二维材料以其优异的稳定性、独特的光吸收特性和高表面催化活性在光催化领域备受关注。a2b2x6作为一种双金属化合物，具有明显的二维层状结构，每层由a、b和x原子组成，并通过范德华力相互作用堆叠在一起。二维层状结构提供了更大的比表面积，使更多的反应物与催化剂表面接触，从而提高了反应效率。范德华力相互作用导致层间结合力减弱，使电子和空穴更容易在层间迁移，减少了载流子复合的机会。这些特点充分证明，具有二维结构的a2b2x6双金属化合物具有作为二氧化碳还原光催化剂的潜力。
3、虽然实验室合成新型光催化材料的方法多种多样，如溶胶-凝胶法、水热合成等，但这些方法往往耗时、昂贵，并且试错率非常低，盲目的开展实验可能不能满足大规模催化剂合成的需求。
4、密度泛函理论的引入为研究人员模拟和筛选新型光催化材料提供了更有效的方法。然而，密度泛函理论研究在处理大规模系统和复杂材料时，其计算成本往往过高、速度过慢、效率过低。近年来，随着材料信息学的发展，机器学习计算与第一性原
5、在材料设计中，如何借助机器学习方法对所候选材料的光催化性能进行预测，并借助该预测结果筛选出合适的光催化剂，已成为本领域技术人员欲积极解决的问题之一。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷，结合机器学习算法和第一原理计算，建立了一种高效、精确的方法来探索新型二维双金属氧族化合物二氧化碳还原光催化剂，及提供一种基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法、系统、介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术第一方面提供一种基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法所述设计方法通过结合机器学习算法和第一原理计算实现，具体包括以下步骤：
4、s1，获取关注的二维光催化剂材料体系信息，获取体系信息对应的二维材料数据，所述二维材料数据包括二维材料的稳定性信息和能带结构信息，并获取所述二维材料的输入特征，建立初始数据集；
5、s2，对所述初始数据集进行清洗与预处理，得到机器学习的建模数据集，所述建模数据集包括二维材料的输入特征、稳定性和能带结构信息，将输入特征作为变量，将稳定性和能带结构信息作为目标变量，根据不同的目标变量确定机器学习的问题属性；
6、s3，对建模数据集的输入特征进行筛选，得到最佳特征子集，对最佳特征子集进行机器学习模型训练与评估，获得机器学习模型，对机器学习预测模型进行可解释性分析；
7、s4，通过限定各个位点元素，创建理论二维二氧化碳还原光催化剂数据集，将理论二维二氧化碳还原光催化剂数据集作为s3中获得的机器学习模型的输入，得到目标变量的预测值；
8、s5，基于所述目标变量的预测值，筛选出光催化剂候选材料；
9、s6，对所述光催化剂候选材料进行dft验证，筛选出满足光催化二氧化碳还原条件的材料。
10、进一步地，s1中，建立所述初始数据库的过程包括如下子步骤：
11、s1.1，获取关注的二维材料体系，从文献以及公开的材料数据库中收集已知的二维材料的稳定性和能带结构信息，所述稳定性信息包括形成能信息、凸包能信息，所述能带结构信息包括pbe带隙信息、hse带隙信息、hse级别下的vbm和hse级别下的cbm信息；
12、s1.2，获取二维材料的输入特征，具体包括：(1)获取材料的空间群；(2)通过magpie方法生成包括化学计量特征、元素属性统计特征、电子结构性质特征、离子组分性质特征；
13、s1.3，将输入特征和二维材料的稳定性和能带结构信息，建立初始数据集。
14、进一步地，s2中，具体包括如下子步骤：
15、s2.1，基于机器学习，对初始数据集的目标变量进行缺失值处理，对输入特征进行异常值处理，得到用于机器学习建模数据集，建模数据集包括输入特征、形成能、凸包能、pbe带隙、hse带隙、hse级别下的vbm、hse级别下的cbm；
16、s2.2，确定各个目标变量的问题属性，其中，凸包能作为分类问题的目标变量，采用了0.2ev的阈值来进行凸包能分类，凸包能低于0.2ev的材料为稳定，标记为1；相反则标记为0。形成能、pbe带隙、hse带隙、hse级别下的vbm、hse级别下的cbm作为回归问题的目标变量。
17、进一步地，s2.1中，异常值的上界为q3+1.5×(q3-q1)，异常值的下界为q1+1.5×(q3-q1)，其中q1为第一四分位数，q3为第三四分位数。
18、进一步地，s3中，具体包括如下子步骤：
19、s3.1，对s2中得到的数据集的特征进行皮尔斯相关性计算，过滤相关性高的特征，获得低共线性的特征集合，基于机器学习，使用rfe方法对低共线性特征集合进行特征筛选，得到最佳特征子集；
20、s3.2，对于凸包能分类问题，使用自动ml工具tpot对最佳特征子集和凸包能进行广泛的搜索；
21、s3.3，对于形成能问题，使用crabnet作为预测形成能的机器学习模型；
22、s3.4，对于能带回归问题，建立了两个回归模型：一个用于预测hse带隙，另一个用于预测vbm，采用模型堆叠技术，利用pbe带隙作为hse带隙回归模型的输入特征之一，而hse带隙作为vbm回归模型的输入特征之一；
23、s3.5，对上述的分类问题和回归问题，使用optuna软件包进行贝叶斯参数优化，引用shap方法对机器学习预测模型的特征进行可解释性分析，以此提高模型可解释性并优化模型。
24、进一步地，s3.4中，具体包括如下子步骤：
25、s3.4.1，基于s3得到的最佳特征子集训练了一个基于gga函数的pbe带隙回归模型，基于该pbe模型预测二维材料数据集的pbe带隙，得到新的pbe带隙值；
26、s3.4.2，基于s3得到的最佳特征子集和s3.4.1得到新的pbe带隙值，采用了模型叠加技术，训练hse带隙回归模型，基于所述hse模型预测二维材料数据集的hse带隙，得到新的hse带隙值；
27、s3.4.3，基于s3得到的最佳特征子集和s3.4.3得到新的hse带隙值，采用了模型叠加技术，训练hse级别下vbm回归本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于，所述设计方法通过结合机器学习算法和第一原理计算实现，具体包括以下步骤：
2.根据权利要求1所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
3.根据权利要求2所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
4.根据权利要求3所述的一种基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
5.根据权利要求4所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
6.根据权利要求1所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法中，其特征在于：
7.根据权利要求1所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
8.根据权利要求7所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：p>
9.一种基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计系统，其特征在于，包括：
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令的存储介质在由计算机处理器执行时，用于执行如权利要求1至8中任一项所述的于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法。
...【技术特征摘要】
1.一种基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于，所述设计方法通过结合机器学习算法和第一原理计算实现，具体包括以下步骤：
2.根据权利要求1所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
3.根据权利要求2所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
4.根据权利要求3所述的一种基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
5.根据权利要求4所述的基于数据驱动的二维双金属氧族化合物二氧化碳还原光催化剂材料设计方法，其特征在于：
6.根据权利要...
【专利技术属性】
技术研发人员：林佳，甘荣娟，刘晓霖，陈正鑫，
申请(专利权)人：上海电力大学，
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。