CN116306321A - 基于粒子群的吸附水处理方案优化方法、装置及设备 - Google Patents
基于粒子群的吸附水处理方案优化方法、装置及设备 Download PDFInfo
- Publication number
- CN116306321A CN116306321A CN202310558880.3A CN202310558880A CN116306321A CN 116306321 A CN116306321 A CN 116306321A CN 202310558880 A CN202310558880 A CN 202310558880A CN 116306321 A CN116306321 A CN 116306321A
- Authority
- CN
- China
- Prior art keywords
- adsorption
- data
- particle swarm
- organic
- prediction
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 91
- 238000005457 optimization Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 238000001179 sorption measurement Methods 0.000 claims abstract description 184
- 239000002957 persistent organic pollutant Substances 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 229910052751 metal Inorganic materials 0.000 claims abstract description 33
- 239000002184 metal Substances 0.000 claims abstract description 32
- 239000000463 material Substances 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 39
- 239000012621 metal-organic framework Substances 0.000 claims description 36
- 239000003344 environmental pollutant Substances 0.000 claims description 27
- 231100000719 pollutant Toxicity 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 12
- 125000000524 functional group Chemical group 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010494 dissociation reaction Methods 0.000 claims description 4
- 230000005593 dissociations Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 150000002500 ions Chemical class 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 239000011148 porous material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 239000004098 Tetracycline Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 229960002180 tetracycline Drugs 0.000 description 4
- 235000019364 tetracycline Nutrition 0.000 description 4
- 229930101283 tetracycline Natural products 0.000 description 4
- 150000003522 tetracyclines Chemical class 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003575 carbonaceous material Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013110 organic ligand Substances 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- HWUKBLRCAWQFOL-UHFFFAOYSA-N 1-bromocyclohexa-3,5-diene-1,2-dicarboxylic acid Chemical compound OC(=O)C1C=CC=CC1(Br)C(O)=O HWUKBLRCAWQFOL-UHFFFAOYSA-N 0.000 description 1
- 239000005906 Imidacloprid Substances 0.000 description 1
- 101100397734 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pka1 gene Proteins 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 229960000623 carbamazepine Drugs 0.000 description 1
- FFGPTBGBLSHEPO-UHFFFAOYSA-N carbamazepine Chemical compound C1=CC2=CC=CC=C2N(C(=O)N)C2=CC=CC=C21 FFGPTBGBLSHEPO-UHFFFAOYSA-N 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 229960001259 diclofenac Drugs 0.000 description 1
- DCOPUUMXTXDBNB-UHFFFAOYSA-N diclofenac Chemical compound OC(=O)CC1=CC=CC=C1NC1=C(Cl)C=CC=C1Cl DCOPUUMXTXDBNB-UHFFFAOYSA-N 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229940056881 imidacloprid Drugs 0.000 description 1
- YWTYJOPNNQFBPC-UHFFFAOYSA-N imidacloprid Chemical compound [O-][N+](=O)\N=C1/NCCN1CC1=CC=C(Cl)N=C1 YWTYJOPNNQFBPC-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 229960000282 metronidazole Drugs 0.000 description 1
- VAOCPAMSLUNLGC-UHFFFAOYSA-N metronidazole Chemical compound CC1=NC=C([N+]([O-])=O)N1CCO VAOCPAMSLUNLGC-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 125000000449 nitro group Chemical group [O-][N+](*)=O 0.000 description 1
- 229960004368 oxytetracycline hydrochloride Drugs 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- MWKJTNBSKNUMFN-UHFFFAOYSA-N trifluoromethyltrimethylsilane Chemical compound C[Si](C)(C)C(F)(F)F MWKJTNBSKNUMFN-UHFFFAOYSA-N 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种基于粒子群的吸附水处理方案优化方法、装置及设备，所述方法包括：获取影响金属有机框架对有机污染物吸附能力的输入特征；根据输入特征以及目标预测模型，确定预测结果；预测结果包括金属有机框架对有机污染物的吸附量以及吸附速率，根据吸附量、吸附速率，构建目标函数，并配置各个输入特征的上限数值以及下限数值；根据目标函数以及各个输入特征的上限数值以及下限数值，采用粒子群优化算法对目标函数进行优化，以获取优化结果，能够通过粒子群优化算法，提高金属有机框架对有机污染物的吸附性能预测的效率以及准确性。
Description
技术领域
本发明涉及基于粒子群的吸附水处理方案优化技术领域，尤其涉及一种基于粒子群的吸附水处理方案优化方法、装置、计算机设备及存储介质。
背景技术
如今，环境正面临着来自有机无机污染物的，特别是所谓的有机污染物，有机污染物能够在生物体内积累、长距离运输、在环境中持续存在并具有毒性，对环境造成很高的压力，对全球环境的整体质量产生了负面影响。因此，对于水中有机污染物的净化及处理一直都是环境治理的重要课题。
吸附技术是用于去除水体中污染物的常用修复手段之一，高效吸附剂的选择是该技术的关键。金属有机框架（MOFs）材料被广泛用于水中有机物的去除，而已经研制出的MOFs材料以及类 MOFs材料已近上万种，不同的MOFs材料对污染物的吸附能力有所差异，选择一个高效的MOFs材料用于处理污水，将使得水污染治理成效事半功倍。
为了选取最优的吸附材料，目前主要是依靠实验采用单一变量法进行对材料吸附效果进行人工优化，过程非常复杂，且人力物力代价较高。此外，该试错过程还很难对所有可能的材料进行效果检测。
机器学习在材料性能预测方面虽然已经有了一些成功的应用，但是在材料的水体污染物吸附性能预测方面的模型研究较少，仅有少数关于生物碳材料的吸附预测模型，由于MOFs材料与碳材料在结构性能等方面存在较大差异，现有预测模型难以直接套用。
MOFs材料结构（无机金属中心和有机配体）可调变，金属离子或金属团簇的配位数目不同、有机配体的配位方式不同等使得构造出来的MOFs材料结构和种类复杂多样，吸附效果也千差万别。有机污染物吸附过程受到反应时间、吸附材料性质（比表面积等）、吸附条件（pH、浓度、时间）、污染物的性质等诸多因素影响。通过简单的实验操作很难对各种特征的影响大小进行定量描述。
作为一种设置参数少、全局收敛速度快、计算原理相对简单的智能优化算法，粒子群优化算法常用于求解工程领域各种复杂优化问题，但在污染防治水处理方面还没有应用。
发明内容
本发明实施例提供一种基于粒子群的吸附水处理方案优化方法、装置、计算机设备及存储介质，能够提高金属有机框架对有机污染物吸附优化的效率以及准确性。
为了解决上述技术问题，本申请实施例提供一种基于粒子群的吸附水处理方案优化方法，包括以下步骤：
获取金属有机框架对水中有机污染物吸附的信息数据；
对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征；
根据所述输入特征以及目标预测模型，确定预测结果；
根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果。
进一步地，所述预测结果包括金属有机框架对有机污染物的吸附量以及吸附速率，所述根据所述吸附量、吸附速率、输入特征以及粒子群优化算法，确定优化结果包括：
根据所述吸附量、所述吸附速率，构建目标函数，并配置各个所述输入特征的上限数值以及下限数值；
根据所述目标函数以及各个所述输入特征的上限数值以及下限数值，采用所述粒子群优化算法对所述目标函数进行优化，以获取优化结果。
进一步地，所述信息数据包括金属有机框架的材料结构信息、吸附条件信息、污染物特性信息和吸附量、吸附速率信息；所述材料结构信息为比表面积、材料极化性、材料电负性、材料零电荷点、官能团密度、碳不饱和度中的一种或多种；所述吸附条件信息为污染物初始浓度、温度、溶液pH、共存离子中的一种或多种；所述污染物特性信息为污染物类型、污染物解离常数pka、亲水性、主要官能团中的一种或多种；所述吸附量信息为最大吸附量、吸附系数 kd 中的一种或多种，吸附速率信息为每小时的吸附量。
进一步地，所述预处理包括数据初筛和数据标准化操作，其中，所述数据初筛包括删除冗余数据、平均值填充缺失值和删除异常值；
所述数据标准化操作采用如下公式：
式中，
为标准化数据，/>
为原始数据，/>
为原始数据中每一维数据中的均值，/>
为原始数据中每一维数据中的标准差，经过处理的数据符合标准正态分布，即均值为0，标准差为1。
进一步地，所述获取金属有机框架对水中有机污染物吸附的信息数据之前包括：
采集金属有机框架对有机污染物吸附的数据集，并对所述数据集进行预处理，并将预处理后的数据集按比例划分为训练集和测试集；
将所述训练集以及所述测试集进行预处理，并在预处理后的训练集中选取影响金属有机框架对有机污染物吸附能力的特征；
将所述特征输入至预设模型中，并进行五折交叉验证，使用网格搜索自动化超参数调优算法，根据交叉验证误差调整优化预设模型的超参数，得到训练后的预设模型，其中，所述预设模型包括RF模型、GBRT模型、以及XGBoost模型；
采用所述测试集对所述预设模型进行测试后，采用预设的评价指标对训练后的预设模型进行评估，得到评估值，确定训练后的预设模型的预测性能；
在训练后的各个预设模型中选取所述预测性能最优的作为目标预测模型。
进一步地，所述RF的超参数为树的数量（max_depth）和树的深度（n_estimators）；GBRT的超参数为树的数量（max_depth）、树的深度（n_estimators）、学习率（learningrate）、损失函数（loss function）和随机采样的比例（subsample）；XGBoost的超参数为树的数量（max_depth）、树的深度（n_estimators）、学习率（learning rate）、随机采样的比例（subsample）和随机采样的列数的占比（Colsample by tree）。
进一步地，采用所述测试集对所述预设模型进行测试后，采用预设的评价指标对训练好的预设模型进行评估，得到评估值，确定训练好的预设模型的预测性能之后还包括：
根据所述评估值和Shapley值法，确定影响金属有机框架对有机污染物吸附能力的特征的重要性。
为了解决上述技术问题，本申请实施例还提供一种基于粒子群的吸附水处理方案优化装置，包括：
获取模块，用于获取金属有机框架对水中有机污染物吸附的信息数据；
预处理模块，用于对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征；
预测模块，用于根据输入特征以及目标预测模型，确定预测结果；
优化模块，用于根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的基于粒子群的吸附水处理方案优化方法、装置、计算机设备及存储介质，通过获取金属有机框架对水中有机污染物吸附的信息数据，接着对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征，而后根据所述输入特征以及目标预测模型，确定预测结果，并根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果，而后所述预测结果包括金属有机框架对有机污染物的吸附量以及吸附速率，所述根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果包括：根据所述吸附量、所述吸附速率，构建目标函数，并配置各个所述输入特征的上限数值以及下限数值，最后根据所述目标函数以及各个所述输入特征的上限数值以及下限数值，采用所述粒子群优化算法对所述目标函数进行优化，以获取优化结果，能够通过粒子群优化算法，提高金属有机框架对有机污染物的吸附性能预测的效率以及准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2为本申请的预设模型RF预测吸附量在测试集的预测结果图；
图3为本申请的预设模型GBRT预测吸附量在测试集的预测结果图；
图4为本申请的预设模型XGBoost预测吸附量在测试集的预测结果图；
图5为本申请的预设模型RF预测吸附速率在测试集的预测结果图；
图6为本申请的预设模型GBRT预测吸附速率在测试集的预测结果图；
图7为本申请的预设模型XGBoost预测吸附速率在测试集的预测结果图；
图8为本申请的预设模型RF解释的影响材料吸附有机污染物效果的主要特征图；
图9为本申请的预设模型GBRT解释的影响材料吸附有机污染物效果的主要特征图；
图10为本申请的预设模型XGBoost解释的影响材料吸附有机污染物效果的主要特征图；
图11为本申请的预设模型RF解释的特征总体分析图；
图12为本申请的预设模型GBRT解释的特征总体分析图；
图13为本申请的预设模型XGBoost解释的特征总体分析图；
图14是本申请的基于粒子群的吸附水处理方案优化方法的一个实施例的流程图；
图15是根据本申请的金属有机框架对砷的吸附性能评估装置的一个实施例的结构示意图；
图16是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，如图1所示，系统架构100可以包括终端设备110、网络120和服务器130。网络120用以在终端设备110和服务器130之间提供通信链路的介质。网络120可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备110通过网络120与服务器130交互，以接收或发送消息等。
终端设备110可以是具有显示屏并且支持网页浏览和拍摄功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器130可以是提供各种服务的服务器，例如对终端设备110上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于粒子群的吸附水处理方案优化方法由服务器执行，相应地，基于粒子群的吸附水处理方案优化装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备110具体可以对应的是实际生产中的应用系统。
请参阅图14，图14示出本发明第一实施例提供的一种基于粒子群的吸附水处理方案优化方法，以该方法应用在图1中的服务器为例进行说明，详述如下。
S201、获取金属有机框架对水中有机污染物吸附的信息数据；
在本实施例中，可以通过信息检索的方式在文献数据库中查询与金属有机框架以及有机污染物吸附相关的信息数据。作为一种实现方式，在得到信息数据后，可以通过人为经验筛选，得到实验人员需要的信息数据。
作为一示例，可以在Web of Science文献数据库中检索持久性有机物、金属有机框架、抗生素、吸附、去除等关键词，通过收集多个以前出版物的原始实验数据而组成本研究的信息数据。
在一种实现方式中，信息数据包括金属有机框架的材料结构信息、吸附条件信息、污染物特性信息和吸附量、吸附速率信息，材料结构信息为比表面积、材料极化性、材料电负性、材料零电荷点、官能团密度、碳不饱和度中的一种或多种；吸附条件信息为污染物初始浓度、温度、溶液pH、共存离子中的一种或多种；污染物特性信息为污染物类型、污染物解离常数pka、亲水性、主要官能团中的一种或多种；吸附量信息为最大吸附量、吸附系数 kd中的一种或多种，吸附速率信息为每小时的吸附量。
作为一示例，收集已知的金属有机框架对水中有机污染物吸附的实验信息作为数据构建数据库，本实施例收集到1553条金属有机框架对水中有机污染物吸附的实验信息，研究涉及16种金属有机框架，6种有机污染物分别为四环素、双氯芬酸、盐酸土霉素、吡虫啉、卡马西平和甲硝唑；材料结构信息为比表面积、材料孔尺寸、材料连接剂类型、材料连接剂官能团、材料零电荷点；吸附条件信息为污染物初始浓度溶液pH、吸附时间和初始浓度；污染物特性信息为污染物类型、污染物解离常数pka1；吸附量信息为最大吸附量、吸附速率为每小时的吸附量。
S202、对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征；
在本实施例中，通过对信息数据进行预处理，可以获取到影响金属有机框架对有机污染物吸附能力的关键特征，将上述关键特征作为输入特征，输入特征可用于机器学习相关的模型训练。
在一种实现方式中，预处理包括数据初筛和数据标准化操作，其中，所述数据初筛包括删除冗余数据、平均值填充缺失值和删除异常值；
所述数据标准化操作采用如下公式：
式中，
为标准化数据，/>
为原始数据，/>
为原始数据中每一维数据中的均值，/>
为原始数据中每一维数据中的标准差，经过处理的数据符合标准正态分布，即均值为0，标准差为1。
S203、根据所述输入特征以及目标预测模型，确定预测结果；
在本实施例中，通过将输入特征，输入至目标预测模型，得到预测模型的预测结果。
在一种实现方式中，预测结果可以是金属有机框架对有机污染物的吸附量以及吸附速率。
S204、根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果。
其中，粒子群优化算法用于在污染防治水领域中，为得到更好的净化效果，根据预测结果、输入特征，对影响金属有机框架吸附的特征进行优化，从而得到更高的吸附量以及更加高效的吸附效率。
在本实施例中，通过预测结果、输入特征，采用粒子群优化算法对输入特征进行优化，从而得到优化结果。
进一步地，一实施例中，预测结果包括金属有机框架对有机污染物的吸附量以及吸附速率，S204还包括：
S2041，根据所述吸附量、所述吸附速率，构建目标函数，并配置各个所述输入特征的上限数值以及下限数值；
S2042，根据所述目标函数以及各个所述输入特征的上限数值以及下限数值，采用所述粒子群优化算法对所述目标函数进行优化，以获取优化结果。
在本实施例中，粒子群优化算法通过反复迭代随机解的方式完成全局寻优，并借助适应度对所求解质量做出评价；对每个输入变量进行从下到上边界(最小值到最大值)搜索的逆优化；算法开始时，在可行解空间中随机初始化粒子群(初始解)，其中每个粒子的位置代表问题的一个解，并根据目标函数计算搜索新解；然后，在每次迭代中，粒子通过跟踪两个值(每个粒子搜索的最佳解和整个粒子群当前搜索的最佳解)来更新自己；PSO搜索的最大输出对应于输入变量的值，即局部或全局最优解。通过最大化吸附量和吸附速率进行优化，同时反馈相应的吸附条件和金属有机框架参数来实现该目标。
作为一示例，设吸附量为Q，吸附速率为V，目标函数F(x）=-0.5Q-0.5V，粒子的个数为200，粒子群最大迭代次数为500；其中，吸附量Q与吸附速率V均为GBRT模型的预测结果；由于以吸附初始浓度为50mg/L的四环素为例，故特征中污染物类型、pka，有机物初始浓度固定，各变量的上限下限源于收集数据集的各特征的最大最小值，如表1以及表2所示：
表1：粒子群算法一部分决策变量的上下限
表2：粒子群算法另一部分决策变量的上下限
表3：粒子群算法优化结果
根据优化结果可得出，第五次的优化结果最优，即在处理初始浓度为50mg/L的四环素时，可选择有机连接剂类型为2-溴代邻苯二甲酸，官能团为硝基，比表面积为1564.08m2g-1，孔尺寸为26.69nm，零电荷点为2.747的金属有机框架，吸附时可调节溶液pH为1.021。
作为又一示例，目标粒子群优化算法，为获得高吸附量和高吸附速率，对每个输入变量进行从下到上边界(最小值到最大值)搜索的逆优化，粒子群算法需要确定目标函数和决策变量以及约束条件；
目标函数为需优化的目标（>=2）所构成的函数，对于多个目标优化问题的抽象化表示，其一般形式可以用以下的式子进行表示：
粒子群算法默认求解最小值，用minF(x)表示，F(x)即为目标函数。若目标需最大值则在目标函数前加负号，用粒子群算法来求解最优化问题时，其基本流程包括三步：
(1)初始化
首先选择粒子群的大小N，并给每个粒子随机赋值作为其初始位置，给每个粒子的速度设置随机值，初始化后的粒子群可表示为：
每个粒子的位置(候选解)用
表示，其速度用/>
表示，其中i表示第i个粒子，t表示第t次迭代；
(2)评价粒子
计算每个粒子的适应值，即目标函数值，找到各个粒子的历史最好解
和粒子群的全局历史最好解gbestt-1：
（3）更新每个粒子的位置和速度
上式中，
是在第t代中粒子i的速度向量，/>
是在第t代中粒子i的更新后的位置(即候选解)；/>
是惯性因子，该值影响着算法的全局探索能力和局部寻优能力，惯性因子使得粒子保持运动的惯性，可以探索更多的新空间，当该值较大时则全局探索能力强，局部寻优能力弱，当该值较小时反之；/>
是在0至1之间的随机数，体现新解产生的随机性；c1和c2分别是学习因子,c1反映的是对自身的认知，表示粒子朝向自身的历史最好解的步长，c2反应的是粒子群之间的信息交流，是整个粒子群社会的认知，表示粒子朝向所有粒子的历史最好解的步长；若c1为0，则只剩下社会信息，粒子缺乏自身认知能力，会缺少局部搜索能力，但是若c2为0，则粒子只有自身认知能力，但是没有个体之间的交流，则多个粒子都会依据全局信息搜索，搜索速度会很慢，在经验中，一般c1和c2取相同的值；
以吸附初始浓度为50mg/L的四环素为例，以数据集的14个特征作为决策变量，其上下限为约束条件，目标函数中吸附量和吸附速率的权重均为0.5，在多个目标的优化问题中，不存在唯一的全局最优解，多个目标的优化无法得到一个特定的最优解，使其在所有目标函数上都最优，因为通常多个目标之间是存在冲突的，即在多个目标的优化中，一个候选解在其中一个目标上是最优的，但通常在其他目标上并非最优。所以一个非常重要的概念就是支配的概念，即需要用Pareto非支配解的概念来评价各个构像的质量。
本实施例提出的基于粒子群的吸附水处理方案优化方法，通过获取金属有机框架对水中有机污染物吸附的信息数据，接着对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征，而后根据所述输入特征以及目标预测模型，确定预测结果，并根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果，而后所述预测结果包括金属有机框架对有机污染物的吸附量以及吸附速率，所述根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果包括：根据所述吸附量、所述吸附速率，构建目标函数，并配置各个所述输入特征的上限数值以及下限数值，最后根据所述目标函数以及各个所述输入特征的上限数值以及下限数值，采用所述粒子群优化算法对所述目标函数进行优化，以获取优化结果，能够通过粒子群优化算法，提高金属有机框架对有机污染物的吸附性能预测的效率以及准确性。
基于第一实施例，提出本发明基于粒子群的吸附水处理方案优化方法的第二实施例，在本实施例中，步骤S201之前包括：
S301，采集金属有机框架对有机污染物吸附的数据集，并对所述数据集进行预处理，并将预处理后的数据集按比例划分为训练集和测试集；
S302，将所述训练集以及所述测试集进行预处理，并在预处理后的训练集中选取影响金属有机框架对有机污染物吸附能力的特征；
S303，将所述特征输入至预设模型中，并进行五折交叉验证，使用网格搜索自动化超参数调优算法，根据交叉验证误差调整优化预设模型的超参数，得到训练后的预设模型，其中，所述预设模型包括RF模型、GBRT模型、以及XGBoost模型；
S304，采用所述测试集对所述预设模型进行测试后，采用预设的评价指标对训练后的预设模型进行评估，得到评估值，确定训练后的预设模型的预测性能；
S305，在训练后的各个预设模型中选取所述预测性能最优的作为目标预测模型。
在本实施例中，采集金属有机框架对有机污染物吸附的数据集，数据集包括金属有机框架的材料结构信息、吸附条件信息、污染物特性信息和吸附量、吸附速率信息；
作为一示例，预留出10%的数据验证模型效果，最终得到的样本数据集包含500条数据，然后将样本数据集按照8：2的比例划分为训练集和测试集；采用随机划分的方法将数据按照8：2的比例划分为两份，其中占比80％的作为训练集、占比20％的作为测试集；训练集用于预设模型的训练及调优，测试集用于评价最终的预设模型。
本案例使用网格搜索，网格搜索法是指定参数值的一种穷举搜索方法，也就是说，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”。本案例调优的最终超参数为，RF的超参数为树的数量（max_depth=18）和树的深度（n_estimators=50）；GBRT的超参数为树的数量（max_depth=5）、树的深度（n_estimators=70）、学习率（learningrate=0.2）、损失函数（loss function=ls）和随机采样的比例（subsample=0.7）；XGBoost的超参数为树的数量（max_depth=6）、树的深度（n_estimators=70）、学习率（learning rate=0.2）、随机采样的比例（subsample=0.8）和随机采样的列数的占比（Colsample by tree=0.9）。
本案例使用网格搜索，网格搜索法是指定参数值的一种穷举搜索方法，也就是说，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”。本案例调优的最终超参数为，RF的超参数为树的数量（max_depth=18）和树的深度（n_estimators=50）；GBRT的超参数为树的数量（max_depth=5）、树的深度（n_estimators=70）、学习率（learningrate=0.2）、损失函数（loss function=ls）和随机采样的比例（subsample=0.7）；XGBoost的超参数为树的数量（max_depth=6）、树的深度（n_estimators=70）、学习率（learning rate=0.2）、随机采样的比例（subsample=0.8）和随机采样的列数的占比（Colsample by tree=0.9）。
可选地，评价指标为决定系数
和均方根误差/>
中的一种或多种。
进一步地，采用如下公式计算决定系数
：
采用如下公式计算均方根误差RMSE：
式中，
分别表示测试值和预测值，/>
是测试的平均值。
在一具体示例中，使用最优的超参数构建预设模型，对测试集的数据进行预测，各模型预测效果如表4所示，
表4： 模型预测效果
RF吸附量预测结果如图2所示，吸附率预测结果如图5所示；GBRT吸附量预测结果如图3所示，吸附率预测结果如图6所示；XGBoost吸附量预测结果如图4所示，吸附率预测结果如图7所示；可以发现，GBRT模型的预测效果最好，可以将GBRT模型作为目标预测模型。
进一步地，一实施例中，S304之后还包括：
S3041，根据所述评估值和Shapley值法，确定影响金属有机框架对有机污染物吸附能力的特征的重要性。
具体地，基于Shapley值建立一个解释器，对预测模型进行解释，并深入分析金属有机框架的材料结构特性和吸附环境等影响因素与预测结果吸附量以及吸附速率之间的复杂关系，找到影响材料吸附有机污染物吸附量的主要因子，具体实现如下：
步骤A：Shapley值的核心思想是计算每个特征对模型输出的边际贡献，Shapley值的计算公式如下：
式中，N是参与成员的集合；n是参与成员的总数；S表示为N任意子集，即一个联盟；|S|表示联盟S中所含成员个数；
是评估每个联盟S效用水平的特征函数，（S-i）集合表示S中除了i之外的其他成员组成的联盟，为成员对联盟S的边际贡献，前面的分数为加权因子；/>
为第i位成员的应得分配，即Shapley值。在一具体实施方式中，假设有4个成员A,B,C,D，N是参与成员的集合{A,B,C,D}，S是N的任意子集{A},{B},{C},{AB},{CD},{ABC},{ACD}等每个联盟的划分依据为属于参与成员的集合N的子集即可。
步骤B：通过计算出的Shapley值，对各种特征的影响大小进行定量分析，将一个特征对目标变量影响程度的绝对值的均值作为这个特征的重要性，如图8所示，通过RF预测得到影响材料吸附有机污染物效果的主要特征为材料零电荷点、污染物初始浓度、吸附时间、材料孔尺寸、有机连接剂种类等；如图9所示，通过GBRT预测得到影响材料吸附有机污染物效果的主要特征为污染物初始浓度、材料零电荷点、吸附时间、材料孔尺寸、有机连接剂种类等；如图10所示，通过XGBoost预测得到影响材料吸附有机污染物效果的主要特征为污染物初始浓度、材料零电荷点、吸附时间、有机连接剂种类、材料孔尺寸等，基于以上可以得出影响材料吸附持久性有机物的特征为污染物初始浓度、材料零电荷点、吸附时间、材料孔尺寸、有机连接剂种类。
步骤C：通过对特征的总体分析，如图11-13所示,每一行代表一个特征，横坐标为SHAP值（Shapley值）。一个点代表一个样本，从图中我们可以直观地看出污染物初始浓度与最大吸附量预测值是呈正相关，材料零电荷点与最大吸附量预测值呈正相关，吸附时间与最大吸附量预测值呈正相关，材料孔尺寸与最大吸附量预测值呈负相关，有机连接剂种类与最大吸附量预测呈正相关。
通过计算出的Shapley值，将一个特征对目标变量影响程度的绝对值的均值作为这个特征对预测值的贡献，也即该特征的重要性。按照贡献大小排序就可以得到图8-10的结果。
本实施例提出的基于粒子群的吸附水处理方案优化方法，通过，采集金属有机框架对有机污染物吸附的数据集，并对所述数据集进行预处理，并将预处理后的数据集按比例划分为训练集和测试集，而后将所述训练集以及所述测试集进行预处理，并在预处理后的训练集中选取影响金属有机框架对有机污染物吸附能力的特征，接着将所述特征输入至预设模型中，并进行五折交叉验证，使用网格搜索自动化超参数调优算法，根据交叉验证误差调整优化预设模型的超参数，得到训练后的预设模型，其中，所述预设模型包括RF模型、GBRT模型、以及XGBoost模型，然后采用所述测试集对所述预设模型进行测试后，采用预设的评价指标对训练后的预设模型进行评估，得到评估值，确定训练后的预设模型的预测性能，最后在训练后的各个预设模型中选取所述预测性能最优的作为目标预测模型，能够通过采集金属有机框架对有机污染物吸附的数据集，在面对数据集的特征时，选取最优性能的预设模型。
图15示出与上述实施例对应的基于粒子群的吸附水处理方案优化装置300的原理框图。如图15所示，该装置300包括获取模块310、预处理模块320、预测模块330、优化模块340。各功能模块详细说明如下。
获取模块310，用于获取金属有机框架对水中有机污染物吸附的信息数据；
预处理模块320，用于对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征；
预测模块330，用于根据输入特征以及目标预测模型，确定预测结果；
优化模块340，用于根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果。
关于基于粒子群的吸附水处理方案优化装置的具体限定可以参见上文中对于基于粒子群的吸附水处理方案优化方法的限定，在此不再赘述。上述基于粒子群的吸附水处理方案优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图16，图16为本实施例计算机设备基本结构框图。
所述计算机设备400包括通过系统总线相互通信连接存储器410、处理器420、网络接口430。需要指出的是，图中仅示出了具有组件连接存储器410、处理器420、网络接口430的计算机设备400，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或基于粒子群的吸附水处理方案优化的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器410至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器410可以是所述计算机设备400的内部存储单元，例如该计算机设备400的硬盘或内存。在另一些实施例中，所述存储器410也可以是所述计算机设备400的外部存储设备，例如该计算机设备400上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）等。当然，所述存储器410还可以既包括所述计算机设备400的内部存储单元也包括其外部存储设备。本实施例中，所述存储器410通常用于存储安装于所述计算机设备400的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器410还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器420在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器420通常用于控制所述计算机设备400的总体操作。本实施例中，所述处理器420用于运行所述存储器410中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口430可包括无线网络接口或有线网络接口，该网络接口430通常用于在所述计算机设备400与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (9)
1.一种基于粒子群的吸附水处理方案优化方法，其特征在于，所述基于粒子群的吸附水处理方案优化方法包括：
获取金属有机框架对水中有机污染物吸附的信息数据；
对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征；
根据所述输入特征以及目标预测模型，确定预测结果；
根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果；
所述预测结果包括金属有机框架对有机污染物的吸附量以及吸附速率，所述根据所述预测结果、输入特征以及粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果包括：
根据所述吸附量、所述吸附速率，构建目标函数，并配置各个所述输入特征的上限数值以及下限数值；
根据所述目标函数以及各个所述输入特征的上限数值以及下限数值，采用所述粒子群优化算法对所述目标函数进行优化，以获取优化结果。
2.如权利要求1所述的基于粒子群的吸附水处理方案优化方法，其特征在于，所述信息数据包括金属有机框架的材料结构信息、吸附条件信息、污染物特性信息和吸附量、吸附速率信息；所述材料结构信息为比表面积、材料极化性、材料电负性、材料零电荷点、官能团密度、碳不饱和度中的一种或多种；所述吸附条件信息为污染物初始浓度、温度、溶液pH、共存离子中的一种或多种；所述污染物特性信息为污染物类型、污染物解离常数pka、亲水性、主要官能团中的一种或多种；所述吸附量信息为最大吸附量、吸附系数 kd 中的一种或多种，吸附速率信息为每小时的吸附量。
3.如权利要求1所述的基于粒子群的吸附水处理方案优化方法，其特征在于，所述预处理包括数据初筛和数据标准化操作，其中，所述数据初筛包括删除冗余数据、平均值填充缺失值和删除异常值；
所述数据标准化操作采用如下公式：
式中，
为标准化数据，/>
为原始数据，/>
为原始数据中每一维数据中的均值，
为原始数据中每一维数据中的标准差，经过处理的数据符合标准正态分布，即均值为0，标准差为1。
4.如权利要求1所述的基于粒子群的吸附水处理方案优化方法，其特征在于，所述获取金属有机框架对水中有机污染物吸附的信息数据之前包括：
采集金属有机框架对有机污染物吸附的数据集，并对所述数据集进行预处理，并将预处理后的数据集按比例划分为训练集和测试集；
将所述训练集以及所述测试集进行预处理，并在预处理后的训练集中选取影响金属有机框架对有机污染物吸附能力的特征；
将所述特征输入至预设模型中，并进行五折交叉验证，使用网格搜索自动化超参数调优算法，根据交叉验证误差调整优化预设模型的超参数，得到训练后的预设模型，其中，所述预设模型包括RF模型、GBRT模型、以及XGBoost模型；
采用所述测试集对所述预设模型进行测试后，采用预设的评价指标对训练后的预设模型进行评估，得到评估值，确定训练后的预设模型的预测性能；
在训练后的各个预设模型中选取所述预测性能最优的作为目标预测模型。
5.如权利要求4所述的基于粒子群的吸附水处理方案优化方法，其特征在于，所述RF的超参数为树的数量（max_depth）和树的深度（n_estimators）；GBRT的超参数为树的数量（max_depth）、树的深度（n_estimators）、学习率（learning rate）、损失函数（lossfunction）和随机采样的比例（subsample）；XGBoost的超参数为树的数量（max_depth）、树的深度（n_estimators）、学习率（learning rate）、随机采样的比例（subsample）和随机采样的列数的占比（Colsample by tree）。
6.如权利要求4所述的基于粒子群的吸附水处理方案优化方法，其特征在于，采用所述测试集对所述预设模型进行测试后，采用预设的评价指标对训练好的预设模型进行评估，得到评估值，确定训练好的预设模型的预测性能之后还包括：
根据所述评估值和Shapley值法，确定影响金属有机框架对有机污染物吸附能力的特征的重要性。
7.一种基于粒子群的吸附水处理方案优化装置，其特征在于，所述装置包括：
获取模块，用于获取金属有机框架对水中有机污染物吸附的信息数据；
预处理模块，用于对所述信息数据进行预处理，以获取影响金属有机框架对有机污染物吸附能力的输入特征；
预测模块，用于根据输入特征以及目标预测模型，确定预测结果；
优化模块，用于根据所述预测结果、输入特征和粒子群优化算法，对影响金属有机框架对有机污染物吸附能力的输入特征进行优化，得到优化结果；
优化模块，还用于根据所述吸附量、所述吸附速率，构建目标函数，并配置各个所述输入特征的上限数值以及下限数值；
根据所述目标函数以及各个所述输入特征的上限数值以及下限数值，采用所述粒子群优化算法对所述目标函数进行优化，以获取优化结果。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310558880.3A CN116306321B (zh) | 2023-05-18 | 2023-05-18 | 基于粒子群的吸附水处理方案优化方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310558880.3A CN116306321B (zh) | 2023-05-18 | 2023-05-18 | 基于粒子群的吸附水处理方案优化方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306321A true CN116306321A (zh) | 2023-06-23 |
| CN116306321B CN116306321B (zh) | 2023-08-18 |
Family
ID=86817139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310558880.3A Active CN116306321B (zh) | 2023-05-18 | 2023-05-18 | 基于粒子群的吸附水处理方案优化方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306321B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409898A (zh) * | 2023-10-24 | 2024-01-16 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150290575A1 (en) * | 2014-04-09 | 2015-10-15 | Jeffrey Todd Rothermel | Methods and systems for purifying natural gases |
| CN112686296A (zh) * | 2020-12-29 | 2021-04-20 | 昆明理工大学 | 一种基于粒子群优化随机森林参数的辛烷损失值预测方法 |
| CN113963754A (zh) * | 2021-09-14 | 2022-01-21 | 南京大学 | 一种基于机器学习的吸附材料筛查方法及装置 |
| AU2021103241A4 (en) * | 2021-06-09 | 2022-05-12 | Balaji, Ramachandran DR | Removal of environmental contaminants of emerging concern using metal-organic framework composite |
| KR20220090996A (ko) * | 2020-12-23 | 2022-06-30 | 한국에너지기술연구원 | 차량 실내 이산화탄소 제거 장치 및 그 제어 방법 |
| CN115049019A (zh) * | 2022-07-25 | 2022-09-13 | 湖南工商大学 | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 |
| CN115231546A (zh) * | 2022-07-20 | 2022-10-25 | 湖南工商大学 | 一种磷掺杂多孔炭材料及其制备方法与应用 |
| CN115659589A (zh) * | 2022-09-20 | 2023-01-31 | 广州大学 | 一种捕获空气中低浓度二氧化碳的金属有机框架筛选方法 |
-
2023
- 2023-05-18 CN CN202310558880.3A patent/CN116306321B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150290575A1 (en) * | 2014-04-09 | 2015-10-15 | Jeffrey Todd Rothermel | Methods and systems for purifying natural gases |
| KR20220090996A (ko) * | 2020-12-23 | 2022-06-30 | 한국에너지기술연구원 | 차량 실내 이산화탄소 제거 장치 및 그 제어 방법 |
| CN112686296A (zh) * | 2020-12-29 | 2021-04-20 | 昆明理工大学 | 一种基于粒子群优化随机森林参数的辛烷损失值预测方法 |
| AU2021103241A4 (en) * | 2021-06-09 | 2022-05-12 | Balaji, Ramachandran DR | Removal of environmental contaminants of emerging concern using metal-organic framework composite |
| CN113963754A (zh) * | 2021-09-14 | 2022-01-21 | 南京大学 | 一种基于机器学习的吸附材料筛查方法及装置 |
| CN115231546A (zh) * | 2022-07-20 | 2022-10-25 | 湖南工商大学 | 一种磷掺杂多孔炭材料及其制备方法与应用 |
| CN115049019A (zh) * | 2022-07-25 | 2022-09-13 | 湖南工商大学 | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 |
| CN115659589A (zh) * | 2022-09-20 | 2023-01-31 | 广州大学 | 一种捕获空气中低浓度二氧化碳的金属有机框架筛选方法 |
Non-Patent Citations (2)
| Title |
|---|
| 向益秋: "锌基纳米复合材料光催化降解模拟废水中染料（二甲酚橙、酸性品红）的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, pages 014 - 440 * |
| 熊婷: "聚间苯二胺复合材料的设计合成及其吸附去除水体中污染物的性能和机理研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, pages 016 - 111 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409898A (zh) * | 2023-10-24 | 2024-01-16 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
| CN117409898B (zh) * | 2023-10-24 | 2024-03-19 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306321B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
| CN116306321B (zh) | 基于粒子群的吸附水处理方案优化方法、装置及设备 | |
| CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
| CN115049019B (zh) | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 | |
| CN111932146A (zh) | 污染成因的分析方法、装置、计算机设备和可读存储介质 | |
| CN113611354B (zh) | 一种基于轻量级深度卷积网络的蛋白质扭转角预测方法 | |
| Maâtouk et al. | Evolutionary biclustering algorithms: an experimental study on microarray data | |
| CN115171824A (zh) | 一种吸附能预测的方法以及相关装置 | |
| CN116450486A (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
| CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN115527626A (zh) | 分子处理方法、装置、电子设备、存储介质及程序产品 | |
| Miloserdov | Classifying amorphous polymers for membrane technology basing on accessible surface area of their conformations | |
| CN112329943A (zh) | 组合指标的甄选方法、装置、计算机设备及介质 | |
| CN114139165B (zh) | 基于机器学习中的多目标识别的智能合约漏洞检测方法 | |
| CN115146258B (zh) | 请求处理方法、装置、存储介质及电子设备 | |
| CN117609013A (zh) | 基于模糊加权宽度学习的软件缺陷预测方法及装置 | |
| Zheng et al. | A study to a film box office prediction model based on machine learning | |
| CN116402644A (zh) | 基于大数据多源数据融合分析的法律监督方法和系统 | |
| CN116611432A (zh) | 一种酒驾风险识别方法、装置、计算机设备及存储介质 | |
| CN114444387A (zh) | 一种元器件的寿命评价方法、装置、计算机设备和存储介质 | |
| CN116402115A (zh) | 一种基于强化学习框架的自动剪枝量化方法及系统 | |
| CN112668625A (zh) | 一种基于FLearnNSE-Pruned-Age的分类模型构建方法及终端设备 | |
| CN116910095A (zh) | 埋点处理方法、装置、计算机设备及存储介质 | |
| CN118132091A (zh) | 业务模型的处理方法、装置、计算机设备和存储介质 |
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 |