[发明专利]基于MOF的机器学习算法优选方法、存储介质及计算设备

权利要求书

1.一种基于MOF的机器学习算法优选方法，其特征在于，其包括以下步骤：

S1、采集多种体系MOFs的几何描述符、能量描述符和性能参数吸附量，并基于其建立数据集；

S2、将数据集分为训练集和测试集，并进行特征预处理；

S3、运用多种机器学习算法对训练集进行机器学习模型训练，并调整超参数至精度最优；

S4、将测试集放入模型中，计算模型的预测准确性，对比不同机器学习模型的准确性；

S5、根据模型准确性定量模型的预测能力，筛选出MOFs吸附量数据的最优机器学习算法。

2.根据权利要求1所述的基于MOF的机器学习算法优选方法，其特征在于：在步骤S1中，多种体系分别为：甲烷、乙烷、丙烷(吸附体系)、分离体系中的丙烷、丁烷、戊烷、己烷、辛烷，乙醇、氧气、二甲苯、硫化氢、芥子气模拟剂之一。

3.根据权利要求1所述的基于MOF的机器学习算法优选方法，其特征在于：在步骤S1中，几何描述符为孔隙率、体积比表面积、最大孔径、最小孔径、密度，能量描述符为吸附热、亨利系数，性能参数为吸附量。

4.根据权利要求1所述的基于MOF的机器学习算法优选方法，其特征在于：在步骤S2中，数据集按照留出法将数据集按7：3的比例随机取样的方式分为训练集和测试集。

5.根据权利要求1所述的基于MOF的机器学习算法优选方法，其特征在于：在步骤S3中，运用多种机器学习算法包括决策树(DT)、梯度提升决策树(GBDT)、最近邻结点算法(KNN)、套索回归(Lasso)、随机森林(RF)、支持向量机(SVM)、贝叶斯回归(Bayesian ridge)、自动机器学习(TPOT)、极端提升决策树(XGBoost)、岭回归(Ridge)。

6.根据权利要求1所述的基于MOF的机器学习算法优选方法，其特征在于：在步骤S3中，调整超参数的方法有随即搜索、网格搜索、贝叶斯优化。

7.根据权利要求1所述的基于MOF的机器学习算法优选方法，其特征在于：在步骤S4中，计算模型的预测准确性的指标有：可决系数R²、平均绝对误差MAE、均方差MSE、均方根误差RMSE。

8.根据权利要求1所述的基于MOF的机器学习算法优选方法，其特征在于：在步骤S5中，对比四种性能指标的预测效果来筛选的优异的MOFs。

9.一种存储介质，可以存储程序，其特征在于，所述程序在执行过程中，实现权利要求1至8中任意一项所述的基于千万级别MOFs吸附量数据的机器学习算法优选。

10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至8中任意一项所述的基于千万级别MOFs吸附量数据的机器学习算法优选。