CN116052787A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN116052787A
CN116052787A CN202310028472.7A CN202310028472A CN116052787A CN 116052787 A CN116052787 A CN 116052787A CN 202310028472 A CN202310028472 A CN 202310028472A CN 116052787 A CN116052787 A CN 116052787A
Authority
CN
China
Prior art keywords
catalyst
machine learning
temperature water
assistance
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.)
Pending
Application number
CN202310028472.7A
Other languages
English (en)
Inventor
张统一
吴健忠
张佳
钱光人
岳阳
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202310028472.7A priority Critical patent/CN116052787A/zh
Publication of CN116052787A publication Critical patent/CN116052787A/zh
Pending legal-status Critical Current

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
    • G16C20/70—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
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

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

Abstract

本发明公开了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，依据专家知识选择目标催化剂的组分和制备方法；保持制备工艺和测试条件一致，以脱硝率作为响应值；建立催化剂配方的搜索空间；初始在搜索空间均匀布置采样点，制备催化剂并测试脱硝性能，形成初始集数据；采用高斯过程回归算法，训练和建立机器学习模型；用模型进行预测，输出预测均值和标准差；预测均值和标准差，挑选潜在最优的催化剂组分；合成催化剂并测试脱硝率；将合成的催化剂数据并入训练集，更新模型，再次预测；依据上述步骤执行优化，直至达到设定条件为止。本发明很好的融合了专家知识和主动机器学习，能高效快速优化催化剂，加速催化剂开发。

Description

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
技术领域
本发明催化剂快速优化的方法及其系统，具体涉及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，属于环保技术领域。
背景技术
工业活动和煤炭、石化等能源的利用导致人为排放的氮氧化物急剧增加并造成严重的大气污染。氮氧化物(NOx)以一氧化氮(NO)和二氧化氮(NO2)为主，NO更是占比90％以上。氮氧化物在大气中不仅刺激人体呼吸器官、危害人体健康，而且容易与水形成酸雨造成大气污染和环境破坏，甚至与臭氧O3发生反应造成光化学烟雾污染，破坏臭氧，危害生态环境。控制氮氧化物的排放是“蓝天保卫战”的重要内容。SCR是高效的，经济的，应用最广的氮氧化物治理技术，但是SCR中的催化剂运行需要在一定温度窗口范围才有好的反应活性。如钒钛催化剂，其工作温度窗口主要为300～400℃。然而，工业烟气温度多集中在150～250℃，如将烟气升温到高温进行SCR脱硝将造成很高的能耗。因此，低温高活性的脱硝催化剂是市场急需的。
工业烟气污染物组分往往十分复杂，不仅有氮氧化物，还有水分、粉尘等。工艺设计可以规避不少问题，但是烟气水分是难以去除和避免的。且水分在低温(200℃下)环境容易造成催化剂水中毒。因此，低温脱硝催化剂需要提升耐水性。
催化剂组分对催化剂性能影响很大，如采用传统的试错法研发，将会花费大量的时间和成本。
发明内容
为了解决多组分催化剂开发和优化的费时费力的现有技术问题，本发明的目的在于克服已有技术存在的不足，提供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，本发明利用机器学习对数据的敏锐性优点，采用贝叶斯优化方法(如Upper Confidence Bound(UCB)，Probability ofImprovement(PI)，ExpectedImprovement(EI))快速定位到优异性能的催化剂，能极大提高催化剂的开发速度。
为达到上述发明创造目的，本发明采用如下技术方案：
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，包括以下步骤：
(1)依据工业需求，由专家知识确定低温耐水脱硝催化剂的组分构成和制备方法，设置催化剂优化的终止条件；
(2)以催化剂的组分作为特征，保持制备工艺和测试条件一致，以脱硝率作为响应值；
(3)以一定步长建立催化剂配方的特征空间，并对特征值进行数据归一化处理；
(4)初始在特征空间均匀布置初始采样点，制备催化剂并测试脱硝性能，形成初始数据集；
(5)利用机器学习算法，即采用高斯过程回归法，用初始数据集的数据训练和建立高斯过程回归模型，利用高斯过程回归模型对特征空间内的催化剂性能进行预测；
(6)使用基于贝叶斯优化的采集函数平衡预测均值和标准差，挑选潜在最优的催化剂配方；
(7)利用潜在最优的催化剂配方，合成催化剂并测试脱硝率，判定优化是否达到终止条件；
(8)优化未终止，则将新合成的催化剂数据并入初始数据集，更新模型，再次进行在所述步骤(5)中进行的催化剂性能预测，重复上述步骤(5)-(7)中的步骤，继续执行优化，直至达到优化终止条件。
优选地，在所述步骤(1)中，催化剂的组分构成即所含化学元素构成。
优选地，在所述步骤(1)中，制备方法为共沉淀法、湿法浸渍、水热法、氧化还原沉淀法中的至少一种。
优选地，在所述步骤(1)中，终止条件为优化循环迭代次数、催化剂脱硝率指标中的至少一种。
优选地，在所述步骤(2)中，催化剂的组分的特征包括元素对应前驱体投入的质量分数、元素在催化剂中的摩尔占比中的至少一种。
优选地，在所述步骤(2)中，制备工艺和测试条件包括合成温度、老化时间、干燥和焙烧温度及时间、催化剂的工作温度、反应空速、污染物浓度、氧气浓度和水分含量中的至少一种。
优选地，在所述步骤(3)中，对特征值进行预处理，采用数据归一化处理方法如下：
Figure BDA0004046214680000021
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。
优选地，在所述步骤(3)中，设定步长为0.01，建立催化剂配方的特征空间。
优选地，在所述步骤(4)中，初始采样点尽量均匀分布在特征空间。
优选地，在所述步骤(5)中，高斯过程回归法的输出数据为高斯过程回归模型对特征空间配方点的预测均值和标准差。
优选地，在所述步骤(6)中，基于贝叶斯优化的采集函数为UCB、PI、EI中的任意一种或多种，采集函数公式如下：
UCB采集函数：
UCB(x,λ)＝μ(x)+λσ(x)
PI采集函数：
Figure BDA0004046214680000031
EI采集函数：
Figure BDA0004046214680000032
上述公式中x表示输入特征，μ(x)和σ(x)分别是高斯过程回归模型输出的预测均值和标准差，λ是参数；
Figure BDA0004046214680000033
表示累计分布函数；f(x)是期望的最佳值，f(x*)是实验组的目前采集点的最佳值，
Figure BDA0004046214680000034
是概率密度函数。
优选地，在所述步骤(7)中，终止条件为迭代优化催化剂值脱硝率不低于95％或迭代循环次数达不低于5次。
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系统，包括存储器和处理器，所述存储器用于存储计算机程序和数据，所述处理器用于执行本发明所述的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的步骤。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.本发明基于自适应机器学习技术辅助的催化剂快速优化方法，结合专家知识能够极大节省研发时间和成本，开发出共同解决氮氧化物和粉尘的集成式催化剂；
2.本发明方法具有普适性，可应用于其他需求的催化剂的设计和快速开发；
3.本发明解决多组分催化剂开发和优化的费时费力问题，利用人工智能实现研发设计的智能化，便捷性和高效率。
附图说明
为了清晰说明本发明实施案例，就本发明的工作流程和实施例的辅助附图进行展示和介绍。
图1是本发明优选实施例提供自适应机器学习优化催化剂的流程图。
图2是本发明优选实施例的采样点分布图。
图3是本发明优选实施例的脱硝催化剂的优化迭代结果。
图4是本发明优选实施例中制备的整体式催化滤布的脱硝性能图。
具体实施方式
以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一
在本实施例中，如图1所示，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，包括以下步骤：
(1)依据工业需求，由专家知识确定低温耐水脱硝催化剂的组分构成和制备方法，设置催化剂优化的终止条件；
(2)以催化剂的组分作为特征，保持制备工艺和测试条件一致，以脱硝率作为响应值；
(3)以一定步长建立催化剂配方的特征空间，并对特征值进行数据归一化处理；
(4)初始在特征空间均匀布置初始采样点，制备催化剂并测试脱硝性能，形成初始数据集；
(5)利用机器学习算法，即采用高斯过程回归法，用初始数据集的数据训练和建立高斯过程回归模型，利用高斯过程回归模型对特征空间内的催化剂性能进行预测；
(6)使用基于贝叶斯优化的采集函数平衡预测均值和标准差，挑选潜在最优的催化剂配方；
(7)利用潜在最优的催化剂配方，合成催化剂并测试脱硝率，判定优化是否达到终止条件；
(8)优化未终止，则将新合成的催化剂数据并入初始数据集，更新模型，再次进行在所述步骤(5)中进行的催化剂性能预测，重复上述步骤(5)-(7)中的步骤，继续执行优化，直至达到优化终止条件。
本实施例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，本实施例利用机器学习对数据的敏锐性优点，采用贝叶斯优化方法(如UpperConfidence Bound(UCB)，Probability ofImprovement(PI)，Expected Improvement(EI))快速定位到优异性能的催化剂，能极大提高催化剂的开发速度。
实施例二
本实施例与实施例一基本相同，特别之处在于：
在本实施例中，在所述步骤(1)中，催化剂的组分构成即所含化学元素构成。
在本实施例中，在所述步骤(1)中，制备方法为共沉淀法、湿法浸渍、水热法、氧化还原沉淀法中的至少一种。
在本实施例中，在所述步骤(1)中，终止条件为优化循环迭代次数、催化剂脱硝率指标中的至少一种。
在本实施例中，在所述步骤(2)中，催化剂的组分的特征包括元素对应前驱体投入的质量分数、元素在催化剂中的摩尔占比中的至少一种。
在本实施例中，在所述步骤(2)中，制备工艺和测试条件包括合成温度、老化时间、干燥和焙烧温度及时间、催化剂的工作温度、反应空速、污染物浓度、氧气浓度和水分含量中的至少一种。
在本实施例中，在所述步骤(3)中，对特征值进行预处理，采用数据归一化处理方法如下：
Figure BDA0004046214680000051
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。
在本实施例中，在所述步骤(3)中，设定步长为0.01，建立催化剂配方的特征空间。
在本实施例中，在所述步骤(4)中，初始采样点尽量均匀分布在特征空间。
在本实施例中，在所述步骤(5)中，高斯过程回归法的输出数据为高斯过程回归模型对特征空间配方点的预测均值和标准差。
在本实施例中，在所述步骤(6)中，基于贝叶斯优化的采集函数为UCB、PI、EI中的任意一种或多种，采集函数公式如下：
UCB采集函数：
UCB(x,λ)＝μ(x)+λσ(x)
PI采集函数：
Figure BDA0004046214680000052
EI采集函数：
Figure BDA0004046214680000053
上述公式中x表示输入特征，μ(x)和σ(x)分别是高斯过程回归模型输出的预测均值和标准差，λ是参数；
Figure BDA0004046214680000054
表示累计分布函数；f(x)是期望的最佳值，f(x*)是实验组的目前采集点的最佳值，
Figure BDA0004046214680000055
是概率密度函数。
在本实施例中，在所述步骤(7)中，终止条件为迭代优化催化剂值脱硝率不低于95％或迭代循环次数达不低于5次。
本是实施例方法是一种加速催化剂开发的自适应机器学习技术辅助低温耐水脱硝催化剂开发的方法。该方法依据专家知识选择目标催化剂的组分和制备方法；保持制备工艺和测试条件一致，以催化剂的组分配方作为特征，脱硝率作为响应值；依照一定的步长建立催化剂配方的搜索空间；初始在搜索空间均匀布置采样点，制备催化剂并测试脱硝性能，形成初始集数据；采用高斯过程回归算法，利用初始集数据训练和建立机器学习模型；用模型对搜索空间内催化剂配方的性能进行预测，输出预测均值和标准差；使用基于贝叶斯优化的采集函数平衡预测均值和标准差，挑选潜在最优的催化剂组分；合成催化剂并测试脱硝率；将新合成的催化剂数据并入训练集，更新模型，再次预测；依据上述步骤执行优化，直至达到设定条件为止。本实施例方法很好的融合了专家知识和主动机器学习技术，能高效快速的优化催化剂，加速催化剂开发。
实施例三
本实施例与上述实施例基本相同，特别之处在于：
本实施例，进一步说明一种基于自适应机器学习技术辅助的低温耐水脱硝催化剂快速优化的方法。本实施例基于自适应机器学习技术辅助的低温耐水脱硝催化剂快速优化的方法，其市场需求是：
设计和制备高效的低温耐水除尘的脱硝催化剂。
专家知识构思为：以KMnO4为氧化剂，以金属离子还原盐类为还原剂，采用水浴氧化还原沉淀法在除尘滤布表面原位生长催化剂。Ce3+，Mn2+，Co2+离子被选择作为阳离子还原剂，反应后构成催化剂组分。
在此基础上，采用自适应机器学习技术辅助催化剂的优化。在实验操作时，KMnO4用量定为0.5g，溶于50ml去离子水形成溶液A；还原剂盐类共5.5g，是硝酸铈六水合物，醋酸锰四水合物和硝酸钴六水合物三种盐类按一定比例组成，溶于150ml去离子水形成溶液B；两种溶液混合后，置于80℃烘箱中反应3小时，过滤，水洗3次，110℃烘干6小时，220℃焙烧3小时，研磨过60目筛，得到催化剂。另有，制备成形整体式催化滤布时，将滤布(此处用PPS滤布)置于混合溶液中，经过3小时反应后，取出，同上述流程水洗，烘干和焙烧，得到催化滤布。
测试条件为：取0.5g催化剂，填充在内径为14mm的固定床反应器中，反应温度为150℃；模拟烟气流量为500ml/min，空速为60000ml/(g h-1)，氮氧化物进口浓度为800ppm，氨气进口浓度为880ppm，氧气的体积分数为10％，水分体积分数为7％，其余为氮气。测试并收集氮氧化物的去除率。
采用自适应机器学习优化催化剂配方(还原盐类的组成比例)按如下步骤进行：
(1)以5.5g还原盐质量视为单位1，Ce3+，Mn2+和Co2+盐类质量占比分别为x，y和z。
三种盐类投入的质量占比作为特征，氮氧化物的去除率作为响应值；
(2)作为特征值，满足x≥0，y≥0，z≥0，且x+y+z＝1；以变化步长为0.01，生成5151份潜在的催化剂配方组合[x,y,z]，即为催化剂配方的搜索空间；
(3)在5151份潜在催化剂配方中，均匀选取10个采样点，进行实验，收集氮氧化物去除率，采样点分布如图2所示；收集实验数据形成训练集数据；
(4)设置终止条件：迭代优化催化剂值脱硝率高于95％或迭代循环次数达到5次；
(5)建立高斯过程回归模型并进行模型训练；
(6)采用模型预测搜索空间催化剂配方的性能；得到预测均值和标准差；
(7)利用EI采集函数平衡预测均值和标准差，挑选最优的催化剂组分；制备催化剂并测试氮氧化物的去除率；判定终止条件；
(8)判定未终止，则数据纳入训练集数据集，完成1次迭代；更新模型；
(9)重复步骤(4-8)，直至达到终止条件，本实施例设置为5，即结束优化，得到该方法下的最优配方。
依照上述方法步骤，本实施例经过2次迭代，从5151个配方中筛选到最优配方，达到终止条件。Ce3+，Mn2+和Co2+盐类质量占比分别为0.19,0.81,0；迭代的催化剂性能如图3所示；制备最优配方的催化滤布脱硝稳定性测试如图4所示。
上述方法用少量实验数据训练机器学习模型，利用贝叶斯采集函数挑选配方，逐步迭代确定最优配方，能快速定位到优秀性能的催化剂。本发明提供的机器学习辅助优化催化剂的方法能解决研发的耗时，耗力和低效的问题，是加速催化剂开发的强力辅助工具。
实施例四
本实施例与上述实施例基本相同，特别之处在于：
本实施例，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系统，包括存储器和处理器，所述存储器用于存储计算机程序和数据，所述处理器用于执行上述实施例中的所述的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的步骤。
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系统，能执行基于自适应机器学习辅助的催化剂快速优化方法，结合专家知识能够极大节省研发时间和成本，开发出共同解决氮氧化物和粉尘的集成式催化剂。而且，本实施例可应用于其他需求的催化剂的设计和开发。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。

Claims (10)

1.一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，其特征在于：该方法包括以下步骤：
(1)依据工业需求，由专家知识确定低温耐水脱硝催化剂的组分构成和制备方法，设置催化剂优化的终止条件；
(2)以催化剂的组分作为特征，保持制备工艺和测试条件一致，以脱硝率作为响应值；
(3)以一定步长建立催化剂配方的特征空间，并对特征值进行数据归一化处理；
(4)初始在特征空间均匀布置初始采样点，制备催化剂并测试脱硝性能，形成初始数据集；
(5)利用机器学习算法，即采用高斯过程回归法，用初始数据集的数据训练和建立高斯过程回归模型，利用高斯过程回归模型对特征空间内的催化剂性能进行预测；
(6)使用基于贝叶斯优化的采集函数平衡预测均值和标准差，挑选潜在最优的催化剂配方；
(7)利用潜在最优的催化剂配方，合成催化剂并测试脱硝率，判定优化是否达到终止条件；
(8)优化未终止，则将新合成的催化剂数据并入初始数据集，更新模型，再次进行在所述步骤(5)中进行的催化剂性能预测，重复上述步骤(5)-(7)中的步骤，继续执行优化，直至达到优化终止条件。
2.根据权利要求1所述的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，其特征在于：在所述步骤(1)中，催化剂的组分构成即所含化学元素构成；制备方法为共沉淀法、湿法浸渍、水热法、氧化还原沉淀法中的至少一种；终止条件为优化循环迭代次数、催化剂脱硝率指标中的至少一种。
3.根据权利要求1所述的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，其特征在于：在所述步骤(2)中，催化剂的组分的特征包括元素对应前驱体投入的质量分数、元素在催化剂中的摩尔占比中的至少一种；制备工艺和测试条件包括合成温度、老化时间、干燥和焙烧温度及时间、催化剂的工作温度、反应空速、污染物浓度、氧气浓度和水分含量中的至少一种。
4.根据权利要求1所述的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，其特征在于：在所述步骤(3)中，对特征值进行预处理，采用数据归一化处理方法如下：
Figure FDA0004046214670000011
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，其特征在于：在所述步骤(3)中，设定步长为0.01，建立催化剂配方的特征空间。
6.根据权利要求1所述的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，其特征在于：在所述步骤(4)中，初始采样点尽量均匀分布在特征空间。
7.根据权利要求1所述的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，其特征在于：在所述步骤(5)中，高斯过程回归法的输出数据为高斯过程回归模型对特征空间配方点的预测均值和标准差。
8.根据权利要求1所述的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，其特征在于：在所述步骤(6)中，基于贝叶斯优化的采集函数为UCB、PI、EI中的任意一种或多种，采集函数公式如下：
UCB采集函数：
UCB(x,λ)＝μ(x)+λσ(x)
PI采集函数：
Figure FDA0004046214670000021
EI采集函数：
Figure FDA0004046214670000022
上述公式中x表示输入特征，μ(x)和σ(x)分别是高斯过程回归模型输出的预测均值和标准差，λ是参数；
Figure FDA0004046214670000023
表示累计分布函数；f(x)是期望的最佳值，f(x*)是实验组的目前采集点的最佳值，
Figure FDA0004046214670000024
是概率密度函数。
9.根据权利要求1所述的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，其特征在于：在所述步骤(7)中，终止条件为迭代优化催化剂值脱硝率不低于95％或迭代循环次数达不低于5次。
10.一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系统，包括存储器和处理器，所述存储器用于存储计算机程序和数据，其特征在于：所述处理器用于执行权利要求1-9中任意一项所述的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的步骤。
CN202310028472.7A 2023-01-09 2023-01-09 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 Pending CN116052787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310028472.7A CN116052787A (zh) 2023-01-09 2023-01-09 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310028472.7A CN116052787A (zh) 2023-01-09 2023-01-09 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

Publications (1)

Publication Number Publication Date
CN116052787A true CN116052787A (zh) 2023-05-02

Family

ID=86117709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310028472.7A Pending CN116052787A (zh) 2023-01-09 2023-01-09 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

Country Status (1)

Country Link
CN (1) CN116052787A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116665822A (zh) * 2023-06-08 2023-08-29 江苏环保产业技术研究院股份公司 一种基于机器学习的强化脱氮生物炭材料设计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116665822A (zh) * 2023-06-08 2023-08-29 江苏环保产业技术研究院股份公司 一种基于机器学习的强化脱氮生物炭材料设计方法
CN116665822B (zh) * 2023-06-08 2024-02-13 江苏环保产业技术研究院股份公司 一种基于机器学习的强化脱氮生物炭材料设计方法

Similar Documents

Publication Publication Date Title
CN111229212B (zh) 一种co-scr脱硝催化剂及制备方法与应用
CN104492446B (zh) 一种用于氨选择性还原氮氧化物的催化剂及制备方法
CN106345523B (zh) 一种基于碳化MOFs的低温脱硝催化剂及其制备方法
CN105536886B (zh) 一种砷中毒脱硝催化剂的再生方法
CN110773153B (zh) 一种担载型锰基中低温脱硝催化剂、制备方法及其应用
CN103157505A (zh) 一种Cu-SSZ-13催化剂、制备方法及其用途
CN105597737B (zh) 一种用于nh3‑scr脱硝的复合氧化物催化剂及其制备方法
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
CN106268787A (zh) 一种钐掺杂MnOx低温SCR催化剂及其制备方法和应用
CN109772463B (zh) 一种CO还原低温脱硝催化剂ZIF-67-Me/CuOx及其制备方法和应用
CN105903464A (zh) 具有宽活性温度窗口的no氧化催化剂及制备方法和应用
CN104289227A (zh) 低温烟气脱硝用Mn、Co、Ce、Ti四组分NH3-SCR负载型的催化剂
CN107413327A (zh) 一种低温脱除烟气中氮氧化物的催化剂及其制法和应用
CN103949267A (zh) 一种铁基复合氧化物脱硝催化剂及其制备方法和应用
CN114160147A (zh) 一种用于含硫烟气中VOCs和NOx同步脱除的复合氧化物催化剂及其制备方法与应用
CN110947416B (zh) 用于nh3-scr的铁/分子筛催化剂及其制备方法和应用
CN105727965B (zh) 一种用于烟气脱硝的铜锆铈钛复合氧化物催化剂及其制法
CN111545188A (zh) 非晶硅铝酸盐基脱硝催化剂及其制备方法
CN114602488A (zh) 一种脱硝催化剂及其制备方法和应用
CN106000415A (zh) 脱硝催化剂以及其制备方法和制备系统
CN106807440A (zh) 一种富氧条件下的高效ch4‑scr脱硝催化剂及其制备方法及应用
CN111111641B (zh) 一种二氧化铈基催化剂及其制备方法和应用
CN113398921A (zh) 一种TiO2负载锰铈氧化物的制备及在基于丙烯还原下中温SCR脱硝上的应用
CN114618512A (zh) 一种非贵金属复合氧化物催化剂及其制备方法、应用
CN114471532A (zh) 一种谷花状钐锰复合氧化物脱硝催化剂的制备方法和应用

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