[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

说明书

本发明提供一种可降低催化剂的开发成本和开发周期的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，该方法包括以下步骤：收集已知金属氧化物SCR催化剂的数据建立数据库；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；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，基于训练集建立预测模型，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；采用测试集测试验证预测模型的可靠性并以评价指标进行评价，得出最佳金属氧化物SCR催化剂活性预测模型。本发明极大的节省了人力、物力、时间的损耗，是金属氧化物SCR催化剂设计和开发的强有力工具。

技术领域

本发明涉及一种催化剂快速筛选的方法，特别涉及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，属于环保技术领域。

背景技术

作为主要的大气污染物之一，氮氧化物(NOx)的排放不仅会对人体健康造成危害，而且还会造成酸雨、光化学烟雾等，带来巨大环境影响。选择性催化还原技术(SCR)作为有效的氮氧化物脱除技术被广泛应用，SCR催化剂是该技术的核心，决定着其成本和效能。目前商用的金属氧化物SCR催化剂的使用温度窗口为300-400℃，而在钢铁、焦化、水泥、玻璃、陶瓷等用能行业由于烟气温度低于250℃，传统的金属氧化物SCR催化剂，如钒基催化剂，不能满足低温下的高效脱硝要求。此外，沸石基催化剂，尤其是采用小孔沸石离子交换制备的铜基催化剂，如Cu-SSZ-13，虽然具有优异的低温活性，但是成本较高，且对烟气中的SO2较为敏感，不适于钢铁、焦化、建材等复杂烟气条件下的固定源脱硝。因此开发适用于低温条件下高效脱硝的金属氧化物SCR催化剂具有较大的应用价值。

催化过程是一个复杂的化学反应过程，非均相催化在化学工业中起着重要作用，因为它具有加速反应过程和降低能耗的优异性能。但是到目前为止，大部分的非均相催化剂都是通过试错法研发的，SCR催化剂作为典型的非均相催化剂也不能避免。试错法是通过设计大量的有针对性的实验，人工进行筛选，不仅耗费大量的人力物力，历史积累数据也很难得到有效的利用。

因此，有必要设计一种切实可行的基于数据驱动的催化剂设计与开发新方法，辅助金属氧化物SCR催化剂的筛选，以降低催化剂的开发成本和开发周期。

发明内容

本发明的目的在于提供一种可降低催化剂的开发成本和开发周期的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，解决背景技术中所述的问题。

本发明解决其技术问题所采用的技术方案是：

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，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，得出最佳金属氧化物SCR催化剂活性预测模型；

S5.采用最佳金属氧化物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。