CN113223628A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113223628A
CN113223628A CN202110419006.2A CN202110419006A CN113223628A CN 113223628 A CN113223628 A CN 113223628A CN 202110419006 A CN202110419006 A CN 202110419006A CN 113223628 A CN113223628 A CN 113223628A
Authority
CN
China
Prior art keywords
metal oxide
scr catalyst
oxide scr
machine learning
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110419006.2A
Other languages
English (en)
Other versions
CN113223628B (zh
Inventor
高翔
刘少俊
郑成航
杨洋
董毅
宋浩
吴卫红
张霄
张宇
林青阳
徐甸
张涌新
翁卫国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110419006.2A priority Critical patent/CN113223628B/zh
Publication of CN113223628A publication Critical patent/CN113223628A/zh
Application granted granted Critical
Publication of CN113223628B publication Critical patent/CN113223628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
  • Catalysts (AREA)
  • Exhaust Gas Treatment By Means Of Catalyst (AREA)

Abstract

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。

Description

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
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。
作为优选，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。
作为优选，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。
作为优选，所述步骤S2中，数据归一化采用以下公式：
Figure BDA0003027156980000031
式中，yi为归一化数据，xi为原始数据，xmin为原始数据中每一维数据中的最小值，xmax为原始数据中每一维数据中的最大值。
作为优选，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％。
作为优选，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。
作为优选，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。
作为优选，所述相关性系数R的计算公式为：
Figure BDA0003027156980000041
所述回归系数R2的计算公式为：
Figure BDA0003027156980000042
所述平均绝对误差MAE的计算公式为：
Figure BDA0003027156980000043
所述均方根误差RMSE的计算公式为：
Figure BDA0003027156980000044
所述相对误差RAE的计算公式为：
Figure BDA0003027156980000051
式中，N为样本总数，yai和ypi分别代表真实值和预测值，
Figure BDA0003027156980000052
代表真实值的所有值的平均值，
Figure BDA0003027156980000053
代表预测值的所有值的平均值。
本发明的有益效果是：
本发明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，基于已知金属氧化物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，利用机器学习技术预测未知催化剂的SCR活性，而传统的试错法需要进行大量的合成和测试实验，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，本方法具有高效、低耗、可靠性高等优点，而且普适性强，可推广应用于其他催化剂的设计与开发。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明的方法流程示意图；
图2是本发明实施例2的金属氧化物SCR催化剂活性预测模型在训练集的预测结果图；
图3是本发明实施例2的金属氧化物SCR催化剂活性预测模型在测试集的预测结果图；
图4是本发明实施例2的金属氧化物SCR催化剂活性预测模型对V-W-Cr/Ti系列催化剂的预测结果图；
图5是本发明实施例3的金属氧化物SCR催化剂活性预测模型在训练集的预测结果图；
图6是本发明实施例3的金属氧化物SCR催化剂活性预测模型在测试集的预测结果图；
图7是本发明实施例3的金属氧化物SCR催化剂活性预测模型对V-W-Mn/Ti系列催化剂的预测结果图。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体说明。应当理解，本发明的实施并不局限于下面的实施例，对本发明所做的任何形式上的变通和/或改变都将落入本发明保护范围。
在本发明中，若非特指，所有的份、百分比均为重量单位，所采用的设备和原料等均可从市场购得或是本领域常用的。下述实施例中的方法，如无特别说明，均为本领域的常规方法。下述实施例中的部件或设备如无特别说明，均为通用标准件或本领域技术人员知晓的部件，其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知。
本发明提出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，其构思为：在收集已知金属氧化物SCR催化剂的组成成分、结构、工况以及定温条件下活性的基础上，建立数据库，然后对数据库中的数据进行预处理，归一化后的数据按照一定的比例划分为训练集和测试集，采用机器学习算法在训练集上建立金属氧化物SCR催化剂活性预测模型，通过交叉验证的方法评估模型的泛化能力，防止过拟合，再用测试集来测试模型的可靠性，采用相关性系数R，回归系数R2，平均绝对误差MAE，均方根误差RMSE，相对误差RAE，相对平方根误差RRSE等数值指标来评估模型的精度，最终得到最佳的预测模型。该预测模型可以对未知的金属氧化物SCR催化剂的活性进行预测，与传统的试错法需要进行大量的合成和测试实验相比，采用该模型进行预测，辅助催化剂的设计、开发大大减少了人力物力损耗，缩短了开发-应用周期。本发明对数据库中的数据来源没有特别的要求，可以从已发表的文献中获取，也可以通过实验合成、测试收集得来，但要求数据的准确性和可靠性要有保证。
以下结合实施例详细叙述本发明的技术方案。
实施例1：
如图1所示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，该方法具体包括以下步骤：
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。
上述方法步骤通过数据挖掘获取大量已有的关于催化剂组成-结构-反应条件-性能的数据，并采用机器学习的方法解锁催化剂的组成、结构、工况与催化剂的活性之间的复杂非线性关系，实现催化剂活性的高效预测和筛选，解决用试错法研发催化剂耗时、耗力、低效的问题，为金属氧化物SCR催化剂的设计和开发提供强大的辅助工具。
实施例2：
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，技术方案同实施例1，不同之处在于：
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，本实施例中选用金属氧化物SCR催化剂组成元素的质量分数；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，本实施例中选用比表面积；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，本实施例中选用NOx、NH3、O2、H2O的入口浓度、空速、催化剂的质量和测试温度；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。
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。数据归一化采用以下公式：
Figure BDA0003027156980000091
式中，yi为归一化数据，xi为原始数据，xmin为原始数据中每一维数据中的最小值，xmax为原始数据中每一维数据中的最大值。
训练集和测试集的划分方法为：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％。训练集用于金属氧化物SCR催化剂活性预测模型的训练，测试集用于测试和验证上述模型的精度，在上述模型训练完成后使用。
步骤S3中，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，本实施例中选用极端随机森林回归法。
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，本实施例中选用回归系数R2和均方根误差RMSE，其计算公式如下：
Figure BDA0003027156980000101
Figure BDA0003027156980000102
式中，N为样本总数，yai和ypi分别代表真实值和预测值，
Figure BDA0003027156980000103
代表真实值的所有值的平均值。
需要指出的是，对于其它评价指标，其计算公式如下：
相关性系数R的计算公式为：
Figure BDA0003027156980000104
平均绝对误差MAE的计算公式为：
Figure BDA0003027156980000105
相对误差RAE的计算公式为：
Figure BDA0003027156980000106
式中，N为样本总数，yai和ypi分别代表真实值和预测值，
Figure BDA0003027156980000107
代表真实值的所有值的平均值，
Figure BDA0003027156980000108
代表预测值的所有值的平均值。
利用十折交叉验证，评估模型的泛化能力，防止过拟合，通过遗传算法对超参数进行优化，如图2所示，在该训练集上所得到的最佳模型预测的金属氧化物SCR催化剂活性与真实值之间的回归系数R2高达0.99，均方根误差RMSE仅为2.72％，说明该模型在训练集上可行。
使用训练好的预测模型，对测试集中的催化剂活性进行预测，预测结果如图3所示，模型预测值与实际值之间的回归系数达到0.82，均方根误差约为12％，具有较高的精确度，可以用于催化剂活性预测，辅助催化剂的设计和开发。图4所示为根据本实施例的方法所建立的金属氧化物SCR催化剂活性预测模型对V-W-Cr/Ti体系SCR催化剂的活性预测结果。
实施例3：
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，技术方案同实施例1，不同之处在于：
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催化剂组成元素的摩尔分数，金属氧化物SCR催化剂的结构信息为比表面积和平均孔容，金属氧化物SCR催化剂的测试工况信息为NOx、NH3、O2、H2O的入口浓度、空速和测试温度，金属氧化物SCR催化剂的制备信息为煅烧温度和煅烧时间，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。
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。数据归一化采用以下公式：
Figure BDA0003027156980000111
式中，yi为归一化数据，xi为原始数据，xmin为原始数据中每一维数据中的最小值，xmax为原始数据中每一维数据中的最大值。
训练集和测试集的划分方法为：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％。训练集用于金属氧化物SCR催化剂活性预测模型的训练，测试集用于测试和验证上述模型的精度，在上述模型训练完成后使用。
步骤S3中，机器学习算法选用XGBRegressor法，评价指标选用回归系数R2和均方根误差RMSE，其计算公式如下：
Figure BDA0003027156980000121
Figure BDA0003027156980000122
式中，N为样本总数，yai和ypi分别代表真实值和预测值，
Figure BDA0003027156980000123
代表真实值的所有值的平均值。
利用十折交叉验证，评估模型的泛化能力，防止过拟合，通过遗传算法对超参数进行优化，如图5所示，在该训练集上所得到的最佳模型预测的金属氧化物SCR催化剂活性与真实值之间的回归系数R2高达0.978，均方根误差RMSE仅为4.7％，说明该模型在训练集上可行。
使用训练好的预测模型，对测试集中的催化剂活性进行预测，预测结果如图6所示，模型预测值与实际值之间的回归系数达到0.864，均方根误差约为10.8％，具有较高的精确度，可以用于催化剂活性预测，辅助催化剂的设计和开发。图7所示为根据本实施例的方法所建立的金属氧化物SCR催化剂活性预测模型对V-W-Mn/Ti体系SCR催化剂的活性预测结果。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

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。
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：
Figure FDA0003027156970000021
式中，yi为归一化数据，xi为原始数据，xmin为原始数据中每一维数据中的最小值，xmax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。
8.根据权利要求7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：
Figure FDA0003027156970000031
所述回归系数R2的计算公式为：
Figure FDA0003027156970000032
所述平均绝对误差MAE的计算公式为：
Figure FDA0003027156970000033
所述均方根误差RMSE的计算公式为：
Figure FDA0003027156970000034
所述相对误差RAE的计算公式为：
Figure FDA0003027156970000041
式中，N为样本总数，yai和ypi分别代表真实值和预测值，
Figure FDA0003027156970000042
代表真实值的所有值的平均值，
Figure FDA0003027156970000043
代表预测值的所有值的平均值。
CN202110419006.2A 2021-04-19 2021-04-19 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 Active CN113223628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110419006.2A CN113223628B (zh) 2021-04-19 2021-04-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110419006.2A CN113223628B (zh) 2021-04-19 2021-04-19 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

Publications (2)

Publication Number Publication Date
CN113223628A true CN113223628A (zh) 2021-08-06
CN113223628B CN113223628B (zh) 2022-08-12

Family

ID=77087735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110419006.2A Active CN113223628B (zh) 2021-04-19 2021-04-19 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

Country Status (1)

Country Link
CN (1) CN113223628B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114613445A (zh) * 2022-02-18 2022-06-10 北京工业大学 一种预测二氧化碳电还原铜合金催化剂的方法
CN115331747A (zh) * 2022-07-29 2022-11-11 北京科技大学 过渡金属氢氧化物析氧电催化剂的智能设计方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5625750A (en) * 1994-06-29 1997-04-29 Ford Motor Company Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks
CN107103176A (zh) * 2017-01-17 2017-08-29 东南大学 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法
CN109801684A (zh) * 2019-02-25 2019-05-24 天津大学 基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法
US20200340941A1 (en) * 2019-04-23 2020-10-29 Toyota Research Institute, Inc. Methods and systems for machine-learning-assisted discovery of dark electrocatalysts and photo-electrocatalysts
CN112016248A (zh) * 2020-08-31 2020-12-01 华北电力大学 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5625750A (en) * 1994-06-29 1997-04-29 Ford Motor Company Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks
CN107103176A (zh) * 2017-01-17 2017-08-29 东南大学 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法
CN109801684A (zh) * 2019-02-25 2019-05-24 天津大学 基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法
US20200340941A1 (en) * 2019-04-23 2020-10-29 Toyota Research Institute, Inc. Methods and systems for machine-learning-assisted discovery of dark electrocatalysts and photo-electrocatalysts
CN112016248A (zh) * 2020-08-31 2020-12-01 华北电力大学 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁子超等: "10折交叉验证用于预测模型泛化能力评价及其R软件实现", 《中国医院统计》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114613445A (zh) * 2022-02-18 2022-06-10 北京工业大学 一种预测二氧化碳电还原铜合金催化剂的方法
CN115331747A (zh) * 2022-07-29 2022-11-11 北京科技大学 过渡金属氢氧化物析氧电催化剂的智能设计方法及系统

Also Published As

Publication number Publication date
CN113223628B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN113223628B (zh) 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
Inomata et al. Bulk vanadium oxide versus conventional V2O5/TiO2: NH3–SCR catalysts working at a low temperature below 150° C
CN107243257B (zh) 适合全负荷的智能喷氨控制系统
CN111804146B (zh) 一种智能喷氨控制方法以及智能喷氨控制装置
EP3406320A1 (en) Method and apparatus for denitration and desulfurization of and dust removal from fcc tail gas by ammonia-based process
CN103592407B (zh) 一种电厂scr脱硝系统催化剂活性在线监测方法
CN110580936B (zh) 中低温scr脱硝催化剂的寿命预测方法及系统
CN109078483B (zh) 一种基于两级潜能折算的scr催化剂提效预测方法
CN105536886B (zh) 一种砷中毒脱硝催化剂的再生方法
CN104793651A (zh) 水泥生产中sncr烟气脱硝系统的喷氨量控制方法
CN110045054A (zh) 一种scr脱硝催化剂寿命评估与预测的方法
CN102416321B (zh) 一种用于柴油车尾气脱硝的scr钒系列催化剂的制备方法
CN104923318A (zh) 一种失活scr脱硝催化剂的再生方法
CN105844083B (zh) 一种scr脱硝催化剂最佳更换时间的实时计算方法
CN117391237A (zh) 省级碳排放及其交易规模预测方法、系统、设备及介质
CN104475152A (zh) 用于氮氧化物氢气选择催化还原的催化剂及其应用
CN116029582A (zh) 一种对比不同口罩产品能源消耗及碳排放情况的方法
CN116052787A (zh) 一种基于主动机器学习辅助的低温耐水脱硝催化剂快速优化的方法及其系统
CN116128136A (zh) 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法
JPH10109018A (ja) 排ガス脱硝方法と装置
CN204807534U (zh) 一种波纹板式脱硝催化剂测试单元
CN212819073U (zh) 一种火电厂脱硝控制系统
CN111639742A (zh) 一种脱硫脱硝循环泵状态故障诊断系统及方法
Jiang et al. Research on the prediction method of SO3 in the emission flue gas of thermal power plant based on machine learning
CN114201919A (zh) 一种基于bp神经网络算法的scr催化剂寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant