[发明专利]一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法

权利要求书

1.一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法，其特征在于：该方法包括以下步骤：

S1.收集已知金属氧化物SCR催化剂的成分信息、结构信息、测试工况信息、制备信息、类型信息和定温条件下的活性信息作为数据建立数据库；

S2.对数据进行初筛和归一化，将数据库内数据按比例划分为训练集和测试集；

S3.选择机器学习算法，利用训练集确定机器学习算法的超参数，利用确定超参数后的机器学习算法基于训练集建立金属氧化物SCR催化剂活性预测模型，以金属氧化物SCR催化剂的成分信息、结构信息、测试工况信息、制备信息和类型信息作为输入参数，通过金属氧化物SCR催化剂活性预测模型计算输出金属氧化物SCR催化剂定温条件下的活性信息；采用交叉验证评估金属氧化物SCR催化剂活性预测模型的泛化能力，防止过拟合；以评价指标评价金属氧化物SCR催化剂活性预测模型的精度，当精度达标时则执行步骤S4，当精度不达标时则更换机器学习算法重复步骤S3直至精度达标；

S4.采用测试集测试验证金属氧化物SCR催化剂活性预测模型的可靠性并以评价指标进行评价，得出金属氧化物SCR催化剂活性预测模型；

S5.采用金属氧化物SCR催化剂活性预测模型对未知SCR催化剂孔的活性信息进行预测；

所述步骤S3和S4中，评价指标为相关性系数R、回归系数R²、平均绝对误差MAE、均方根误差RMSE和相对误差RAE中的一种或多种。

2.根据权利要求1所述的一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法，其特征在于：所述步骤S1中，金属氧化物SCR催化剂的成分信息为金属氧化物SCR催化剂组成元素种类、质量分数和摩尔分数中的一种或多种；金属氧化物SCR催化剂的结构信息为比表面积、孔径和孔容中的一种或多种；金属氧化物SCR催化剂的测试工况信息为NOx、NH₃、O₂、H₂O和SO₂的入口浓度、空速、流量、催化剂的质量和测试温度中的一种多种；金属氧化物SCR催化剂的制备信息为催化剂的制备方法、煅烧温度和煅烧时间中的一种或多种；金属氧化物SCR催化剂的类型信息为负载型金属氧化物催化剂和复合氧化物型催化剂中的一种或多种。

3.根据权利要求1所述的一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法，其特征在于：所述步骤S2中，数据初筛包括删除无差异的特征、采用灰色理论估算缺失值和删除异常值。

4.根据权利要求1所述的一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法，其特征在于：所述步骤S2中，数据归一化采用以下公式：

式中，y_i为归一化数据，x_i为原始数据，x_min为原始数据中每一维数据中的最小值，x_max为原始数据中每一维数据中的最大值。

5.根据权利要求1所述的一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法，其特征在于：所述步骤S2中，将数据库内数据以随机划分方法按8：2的比例划分为训练集和测试集，训练集占比80％，测试集占比20％。

6.根据权利要求1所述的一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法，其特征在于：所述步骤S3中，所述机器学习算法包括随机森林回归法、K近邻法、随机树法、随机森林法、随机委员会法、缩减误差修减树法、梯度下降回归树法、极端随机森林回归法和XGBRegressor法。

7.根据权利要求1所述的一种基于机器学习技术辅助金属氧化物SCR催化剂快速筛选的方法，其特征在于：所述相关性系数R的计算公式为：

所述回归系数R²的计算公式为：

所述平均绝对误差MAE的计算公式为：

所述均方根误差RMSE的计算公式为：

所述相对误差RAE的计算公式为：

式中，N为样本总数，y_ai和y_pi分别代表真实值和预测值，代表真实值的所有值的平均值，代表预测值的所有值的平均值。