CN118522388A - 二元复配有机缓蚀剂优化方法、装置、设备及介质 - Google Patents
二元复配有机缓蚀剂优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118522388A CN118522388A CN202411006168.3A CN202411006168A CN118522388A CN 118522388 A CN118522388 A CN 118522388A CN 202411006168 A CN202411006168 A CN 202411006168A CN 118522388 A CN118522388 A CN 118522388A
- Authority
- CN
- China
- Prior art keywords
- organic corrosion
- corrosion inhibitor
- data
- inhibition efficiency
- binary compound
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 484
- 238000005260 corrosion Methods 0.000 title claims abstract description 484
- 239000003112 inhibitor Substances 0.000 title claims abstract description 298
- 150000001875 compounds Chemical class 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 230000005764 inhibitory process Effects 0.000 claims abstract description 174
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 30
- 230000001988 toxicity Effects 0.000 claims description 30
- 231100000419 toxicity Toxicity 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000002184 metal Substances 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000003912 environmental pollution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000840 electrochemical analysis Methods 0.000 description 2
- 238000004768 lowest unoccupied molecular orbital Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005211 surface analysis Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004770 highest occupied molecular orbital Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 125000004433 nitrogen atom Chemical group N* 0.000 description 1
- 231100000956 nontoxicity Toxicity 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本申请实施例提供二元复配有机缓蚀剂优化方法、装置、设备及介质，属于材料技术领域。该方法包括：根据一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化及降维处理，得到降维后训练数据集；选择对应的预设机器学习模型执行训练、验证和测试，得到候选缓蚀效率预测模型；对第一归一化数据进行降维处理，得到第一降维数据；将第一降维数据输入候选缓蚀效率预测模型，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；确定多个候选二元复配有机缓蚀剂；使用多目标优化算法从多个候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂，提升二元复配缓蚀剂的缓蚀效率。
Description
技术领域
本申请涉及材料技术领域，尤其涉及一种二元复配有机缓蚀剂优化方法、装置、设备及介质。
背景技术
目前，市场上已有多种复配缓蚀剂，广泛应用于不同介质（如酸性、碱性和中性）中的金属保护。现有复配缓蚀剂通常通过多种有机缓蚀剂的组合，达到对金属的有效保护。然而，现有的复配缓蚀剂在使用过程中，可能面临缓蚀效率不高、成本较高、有毒性或环境污染等问题。
发明内容
为了解决上述技术问题，本申请实施例提供了一种二元复配有机缓蚀剂优化方法、装置、设备及介质。
第一方面，本申请实施例提供了一种二元复配有机缓蚀剂优化方法，所述方法包括：
分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；
根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集；
对所述初始训练数据集的数据集特征进行降维，得到降维后训练数据集；
将所述降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为所述预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；
对所述第一归一化数据进行降维处理，得到第一降维数据；
将所述第一降维数据输入所述候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；
根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；
基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂。
在一实施方式中，所述基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂，包括：
以二元复配有机缓蚀剂的两个有机缓蚀剂的配比作为输入，设置配比初始值，基于所述候选缓蚀效率预测模型预测缓蚀效率，并采用多目标优化函数计算综合评估分值；
迭代求解综合评估分值，在每次迭代中，根据当前配比和当前的综合评估分值，选择下一个配比，并计算下一个综合评估分值；
在每次迭代后，使用当前的综合评估分值对所述候选缓蚀效率预测模型进行更新优化，迭代过程中得到一组最优配比，根据所述最优配比确定所述目标二元复配有机缓蚀剂。
在一实施方式中，所述采用多目标优化函数计算综合评估分值，包括：
采用以下多目标优化函数计算所述综合评估分值；
，
其中，Score表示综合评估分值，IE为对应有机缓蚀剂配比下通过所述候选缓蚀效率预测模型预测得到的缓蚀效率，EI为环保性，VI为毒性，，，为权重；
令二元复配有机缓蚀剂的两个有机缓蚀剂的配比为，二元复配有机缓蚀剂的两个有机缓蚀剂的环保性分别为和，二元复配有机缓蚀剂的两个有机缓蚀剂的毒性分别为和，则，。
在一实施方式中，所述根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集，包括：
根据所述第一归一化数据确定待替换有机缓蚀剂的归一化数据；
在固定所述二元复配有机缓蚀剂的一个有机缓蚀剂情况下，根据所述第二归一化数据，所述待替换有机缓蚀剂的归一化数据，固定的有机缓蚀剂的归一化数据，所述待替换有机缓蚀剂和所述固定的有机缓蚀剂的配比，生成初始训练数据集。
在一实施方式中，所述对所述初始训练数据集的数据集特征进行降维，包括：
令为初始训练数据集的归一化数据的矩阵表示，令矩阵，其中为的转置；
对矩阵进行特征分解，得到特征值和对应的单位特征向量，其中特征向量满足；
选择前k个特征值最大的单位特征向量构成投影矩阵；
使用所述投影矩阵将所述初始训练数据集投影到新的低维特征空间，得到降维后训练数据集，其中，所述降维后训练数据集包含n个样本和k个特征；
获取所述一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据，包括：
确定预设应用环境，所述预设应用环境包括：被保护金属、预设介质类型和预设温度；
分别收集在所述预设应用环境下的所述一元有机缓蚀剂的所述第一采集数据和所述二元复配有机缓蚀剂的所述第二采集数据，其中，所述第一采集数据包括：有机缓蚀剂的属性数据和性能数据；所述第二采集数据包括：两个缓蚀剂分子的属性数据、性能数据和配方数据；所述属性数据包括有机缓蚀剂分子结构SMILES格式和数据集特征，所述数据集特征包括分子描述符和量子化学性质；所述性能数包括缓蚀效率、毒性和环保性；
获取所述目标二元复配有机缓蚀剂之后，所述方法还包括：
在所述预设应用环境下采用所述目标二元复配有机缓蚀剂进行耐蚀性能测试，以得到实验缓蚀效率；
根据所述实验缓蚀效率对所述候选缓蚀效率预测模型进行优化。
在一实施方式中，所述方法还包括：
基于高通量实验对所述目标二元复配有机缓蚀剂进行实验验证，得到实验结果；
根据所述实验结果对所述候选缓蚀效率预测模型进行参数优化，得到优化后的缓蚀效率预测模型；
通过所述优化后的缓蚀效率预测模型对不同配比下的二元复配有机缓蚀剂的缓蚀效率进行预测，基于新的预测缓蚀效率、所述目标缓蚀效率阈值和所述多目标优化算法获取最优二元复配有机缓蚀剂。
在一实施方式中，所述方法还包括：
在验证集上对训练后的预设机器学习模型采用和进行评估，计算公式如下：
，
，
其中为基于训练后的预设机器学习模型获得的缓蚀效率预测值，为缓蚀效率实验值，为平均缓蚀效率值，m为缓蚀效率预测值的数量。
第二方面，本申请实施例提供了一种二元复配有机缓蚀剂优化装置，所述二元复配有机缓蚀剂优化装置包括：
第一处理模块，用于分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；
第一获取模块，用于根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集；
第一降维模块，用于对所述初始训练数据集的数据集特征进行降维，得到降维后训练数据集；
第二处理模块，用于将所述降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为所述预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；
第二降维模块，用于对所述第一归一化数据进行降维处理，得到第一降维数据；
预测模块，用于将所述第一降维数据输入所述候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；
确定模块，用于根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；
第二获取模块，用于基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂。
第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的二元复配有机缓蚀剂优化方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的二元复配有机缓蚀剂优化方法。
上述本申请提供的二元复配有机缓蚀剂优化方法、装置、设备及介质，分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；根据第一归一化数据和第二归一化数据获取初始训练数据集；对初始训练数据集的数据集特征进行降维，得到降维后训练数据集；将降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；对第一归一化数据进行降维处理，得到第一降维数据；将第一降维数据输入候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；基于一元有机缓蚀剂的毒性和环保性数据、各候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法从多个候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂，能够优化二元复配缓蚀剂的组成，提升二元复配缓蚀剂的缓蚀效率，降低成本，减少环境污染。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的二元复配有机缓蚀剂优化方法的第一流程示意图；
图2示出了本申请实施例提供的二元复配有机缓蚀剂优化方法的第二流程示意图；
图3示出了本申请实施例提供的二元复配有机缓蚀剂优化方法的第三流程示意图；
图4示出了本申请实施例提供的二元复配有机缓蚀剂优化方法的第四流程示意图；
图5示出了本申请实施例提供的二元复配有机缓蚀剂优化方法的第五流程示意图；
图6示出了本申请实施例提供的二元复配有机缓蚀剂优化方法的第六流程示意图；
图7示出了本申请实施例提供的二元复配有机缓蚀剂优化装置的一结构示意图。
图标：700-二元复配有机缓蚀剂优化装置，701-第一处理模块，702-第一获取模块，703-第一降维模块，704-第二处理模块，705-第二降维模块，706-预测模块，707-确定模块，708-第二获取模块。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。
实施例1
本申请实施例提供了一种二元复配有机缓蚀剂优化方法，能够优化二元复配缓蚀剂的组成，提升二元复配缓蚀剂的缓蚀效率，降低成本，减少环境污染。
参见图1，二元复配有机缓蚀剂优化方法包括步骤S101-步骤S108，下面对各步骤进行说明。
步骤S101，分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据。
在本实施例中，可以从数据库采集第一采集数据和第二采集数据。示范性的，从文献数据库、专利数据库、实验室数据、公共数据库获取针对预设应用环境（预设温度、预设介质类型、预设被保护金属）下的一元有机缓蚀剂的第一采集数据和二元复配有机缓蚀剂的第二采集数据。
示范性的，参见图2，获取所述一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据，包括：
步骤S201，确定预设应用环境，所述预设应用环境包括：被保护金属、预设介质类型和预设温度。
步骤S202，分别收集在所述预设应用环境下的所述一元有机缓蚀剂的所述第一采集数据和所述二元复配有机缓蚀剂的所述第二采集数据。
需要说明的是，所述第一采集数据包括：有机缓蚀剂的属性数据、性能数据；所述第二采集数据包括：两个缓蚀剂分子的属性数据、性能数据和配方数据；所述属性数据包括有机缓蚀剂分子结构SMILES格式和数据集特征，所述数据集特征包括分子描述符和量子化学性质；所述性能数包括缓蚀效率、毒性和环保性。其中，SMILES（Simplified MolecularInput Line Entry System）是一种用ASCII字符串明确描述分子结构的规范。
需要说明的是，所述一元有机缓蚀剂的第一采集数据包括一元有机缓蚀剂分子本身的属性数据、性能数据，所述二元复配有机缓蚀剂的第二采集数据包括两个一元缓蚀剂分子的属性数据、性能数据和配方数据。所述属性数据包括一元有机缓蚀剂分子结构SMILES格式、分子描述符（包括分子量、极性表面积等）、量子化学性质（包括偶极矩、极化率、HOMO、LUMO、HOMO-LUMO间隙、电离势、电子亲和性、电负性、硬度、柔软度、亲电性、电子供体容量、电子受体容量、转移电子数、N原子电荷、吸附能、范德华表面积、范德华体积等）。所述性能数据包括缓蚀效率、毒性和环保性。
需要补充说明的是，配方数据为两个一元有机缓蚀剂的配比。其中分子描述符可采用RDKIT软件包对SMILES格式数据进行计算得到，量子化学性质可通过以下步骤获取到：（1）通过RDKIT对SMILES格式数据加氢变成粗糙三维分子结构，基于MMFF做一个粗糙结构优化，将分子结构保存到.mol文件中；（2）然后使用Multiwfn软件，批量将.mol格式的文件变成Gaussian软件输入的.gjf格式文件，gjf文件包含分子结构信息以及Gaussian软件能识别的关键词。（3）最后将转换后的gjf文件使用Gaussian软件批量计算得到输出文件。（4）从输出文件里面提取出上述量子化学性质相关的参数。
进一步补充说明的是，所述缓蚀效率为有机缓蚀剂对被保护金属的减缓腐蚀的影响，采用-1到1的数值进行表示，负值代表促进腐蚀，也就是该有机缓蚀剂不具备缓蚀效果，正值代表抑制腐蚀，-1代表完全促进腐蚀，1代表完全抑制腐蚀。所述毒性为有机缓蚀剂对生物体的影响，0-9数值进行表示，0代表完全没有毒性；9代表毒性很大。所述环保性为有机缓蚀剂对环境的影响，0-9数值进行表示，0代表很环保；9代表一点都不环保。
需要说明的是，在获取到若干一元有机缓蚀剂的第一采集数据和二元复配有机缓蚀剂的第二采集数据后，由于输入变量之间存在量纲上的差别，为了尽可能减少量纲差别对各个输入特征的影响，首先对样本（即第一采集数据和第二采集数据）分别进行进行归一化处理。
示范性的，归一化处理操作采用的公式如下：
，
公式中，数据矩阵为，包括n个样本数据和d个特征，代表一元有机缓蚀剂的第一采集数据和二元复配有机缓蚀剂的第二采集数据，举例来说，包括对应的属性数据、性能数据和配方数据，是归一化后的数据，是无量纲数据，和是第j列的平均值和标准差。
步骤S102，根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集。
进一步补充说明的是，在获取到归一化后的一元有机缓蚀剂和归一化胡的二元复配有机缓蚀剂的数据后（即获得第一归一化数据和第二归一化数据后），对于二元复配有机缓蚀剂的数据进行初始训练数据集整理，该初始训练数据集用于后续的模型训练。该训练数据整理过程包括：在固定二元复配有机缓蚀剂其中一个有机缓蚀剂情况下，初始训练数据集包括待替换有机缓蚀剂分子的分子描述符性质、配比、量子化学性质、缓蚀效率等数据。
参见图3，步骤S102包括：
步骤S1021，根据所述第一归一化数据确定待替换有机缓蚀剂的归一化数据。
步骤S1022，在固定所述二元复配有机缓蚀剂的一个有机缓蚀剂情况下，根据所述第二归一化数据，所述待替换有机缓蚀剂的归一化数据，固定的有机缓蚀剂的归一化数据，所述待替换有机缓蚀剂和所述固定的有机缓蚀剂的配比，生成初始训练数据集。
步骤S103，对所述初始训练数据集的数据集特征进行降维，得到降维后训练数据集。
在本实施例中，在获取到初始训练数据集后，对初始训练数据集的数据集特征（即分子描述符性质和量子化学性质）进行降维处理，以提高模型的计算效率，减少噪声和冗余信息。
在一实施方式中，步骤S103包括：
令为初始训练数据集的归一化数据的矩阵表示，令矩阵，其中为的转置；
对矩阵进行特征分解，得到特征值和对应的单位特征向量，其中特征向量满足；
选择前k个特征值最大的单位特征向量构成投影矩阵；
使用所述投影矩阵将所述初始训练数据集投影到新的低维特征空间，得到降维后训练数据集，其中，所述降维后训练数据集包含n个样本和k个特征。
步骤S104，将所述降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为所述预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型。
在本实施例中，在获取到降维后训练数据集后，按照预设比例将降维后训练数据集划分为训练集、验证集和测试集。举例来说，按照比例70:15:15将降维后训练数据集分为训练集、验证集和测试集，然后选择合适的预设机器学习模型（例如线性回归模型、支持向量机、随机森林等），以缓蚀效率作为该机器学习模型的输出，对该机器学习模型进行训练、验证和测试。令选择的机器学习模型为Model，训练模型的过程可以表示为，验证模型的过程可表示为，其中为模型Model在验证集上评估性能的方法，具体包括和。
在本实施例中，在验证集上对训练后的预设机器学习模型采用和进行评估，计算公式如下：
，
，
其中为基于训练后的预设机器学习模型获得的缓蚀效率预测值，为缓蚀效率实验值，为平均缓蚀效率值，m为缓蚀效率预测值的数量，或者，m为样本的数量。
在本实施例中，在测试集进行模型泛化性能测试，具体表示为。
步骤S105，对所述第一归一化数据进行降维处理，得到第一降维数据。
在本实施例中，在得到训练好的候选缓蚀效率预测模型后，以收集的一元有机缓蚀剂的第一采集数据的分子描述符性质、量子化学性质数据作为输入，对第一采集数据的数据集特征（即分子描述符性质和量子化学性质）进行降维处理，以提高计算效率，减少噪声和冗余信息。
步骤S106，将所述第一降维数据输入所述候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测。
在本实施例中，以降维后的一元有机缓蚀剂的数据（即第一降维数据）作为候选缓蚀效率预测模型预测缓蚀效率的输入，以缓蚀效率作为候选缓蚀效率预测模型的输出，通过设置不同配比，进行缓蚀效率预测。
步骤S107，根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂。
在本实施例中，通过设定目标缓蚀效率值筛选出高效的二元复配有机缓蚀剂，即筛选出多个候选二元复配有机缓蚀剂。该目标缓蚀效率值为一个较高的数值，当预测缓蚀效率高于目标缓蚀效率阈值，说明在该配比下对应的二元复配有机缓蚀剂的缓蚀效果较好。其中，缓蚀效率为有机缓蚀剂对被保护金属的减缓腐蚀的影响，缓蚀效率采用-1到1的数值进行表示。-1代表完全促进腐蚀，1代表完全抑制腐蚀。目标缓蚀效率值为一个-1到1的数值，例如，该目标缓蚀效率值可以为0.95、0.9等，在此不做限制。
步骤S108，基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂。
在本实施例中，基于收集的一元有机缓蚀剂的毒性、环保性数据，使用多目标优化算法对多目标优化函数求解，从而对待替换有机缓蚀剂配比优化，在保证二元复配有机缓蚀剂的缓蚀效率的前提下，优化毒性、环保性，从而得到综合性能优异的二元复配有机缓蚀剂。
在本实施例中，得到的目标二元复配有机缓蚀剂可对应适用于酸性、碱性和中性介质中的金属保护。通过现有一元有机缓蚀剂和二元复配有机缓蚀剂的数据，利用机器学习，固定二元复配有机缓蚀剂中的一个有机缓蚀剂，筛选并替换二元复配有机缓蚀剂中的另一个缓蚀剂，从而提高缓蚀效率，或使其更环保，能够显著提升缓蚀剂的使用效果和环境友好性，具有广泛的应用前景。
参见图4，步骤S108包括步骤S1081-步骤S1083，下面对各个步骤进行说明。
步骤S1081，以二元复配有机缓蚀剂的两个有机缓蚀剂的配比作为输入，设置配比初始值，基于所述候选缓蚀效率预测模型预测缓蚀效率，并采用多目标优化函数计算综合评估分值。
在本实施例中，基于所述一元有机缓蚀剂的毒性和环保性数据、候选二元复配有机缓蚀剂的预测缓蚀效率，使用所述多目标优化函数获取各个候选二元复配有机缓蚀剂的综合评估分值。
在本实施例中，步骤S1081包括：
采用以下多目标优化函数计算所述综合评估分值；
，
其中，Score表示综合评估分值，IE为对应有机缓蚀剂配比下通过所述候选缓蚀效率预测模型预测得到的缓蚀效率，EI为环保性，VI为毒性，，，为权重；
令二元复配有机缓蚀剂的两个有机缓蚀剂的配比为，二元复配有机缓蚀剂的两个有机缓蚀剂的环保性分别为和，二元复配有机缓蚀剂的两个有机缓蚀剂的毒性分别为和，则，。
步骤S1082，迭代求解综合评估分值，在每次迭代中，根据当前配比和当前的综合评估分值，选择下一个配比，并计算下一个综合评估分值。
步骤S1083，在每次迭代后，使用当前的综合评估分值对所述候选缓蚀效率预测模型进行更新优化，迭代过程中得到一组最优配比，根据所述最优配比确定所述目标二元复配有机缓蚀剂。
在本实施例中，所述最优配比综合考虑缓蚀效率、环保性和毒性的情况下达到最优综合性能。
举例来说，所述多目标优化算法如下：初始化优化器：以二元复配有机缓蚀剂的两个有机缓蚀剂的配比作为输入，设置配比初始值，基于训练好的模型预测缓蚀效率IE，并返回Score值。迭代优化：迭代求解Score，在每次迭代中，根据当前配比和Score，选择下一个配比，并计算Score值。更新优化模型：在每次迭代后，使用当前结果更新优化模型，以便在下一个迭代中提供更好的建议。最终，该多目标优化算法将给出一组优化的配比，在考虑缓蚀效率、环保性和毒性的情况下达到最优综合性能。在本实施例中，通过对筛选出的所有二元复配有机缓蚀剂进行上述操作，可得到具有最优综合性能的二元复配有机缓蚀剂，即得到目标二元复配有机缓蚀剂。
参见图5，该方法还包括：
步骤S501，在所述预设应用环境下采用所述目标二元复配有机缓蚀剂进行耐蚀性能测试，以得到实验缓蚀效率；
步骤S502，根据所述实验缓蚀效率对所述候选缓蚀效率预测模型进行优化。
需要补充说明的是，在得到具有最优综合性能的二元复配有机缓蚀剂后，通过高通量实验，针对所设定的环境（特定温度、特定介质类型、特定被保护金属）进行耐蚀性能测试，通过表面分析技术、电化学测试等技术来获取被保护金属的腐蚀情况，得到实验缓蚀效率，从而优化模型，直到得到综合性能优异的二元复配有机缓蚀剂。
参见图6，该方法还包括：
步骤S601，基于高通量实验对所述目标二元复配有机缓蚀剂进行实验验证，得到实验结果。
步骤S602，根据所述实验结果对所述候选缓蚀效率预测模型进行参数优化，得到优化后的缓蚀效率预测模型。
步骤S603，通过所述优化后的缓蚀效率预测模型对不同配比下的二元复配有机缓蚀剂的缓蚀效率进行预测，基于新的预测缓蚀效率、所述目标缓蚀效率阈值和所述多目标优化算法获取最优二元复配有机缓蚀剂。
补充说明的是，在得到具有最优综合性能的目标二元复配有机缓蚀剂后，通过高通量实验，针对所设定的环境（特定温度、特定介质类型、特定被保护金属）进行耐蚀性能测试，通过表面分析技术、电化学测试等技术来获取被保护金属的腐蚀情况，得到实验缓蚀效率，从而优化模型，直到得到综合性能优异的最优二元复配有机缓蚀剂。例如，针对新的预测缓蚀效率根据所述目标缓蚀效率阈值进行筛选，基于一元有机缓蚀剂的毒性和环保性数据、各新筛选出的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个新筛选出的预测缓蚀效率中获取最优二元复配有机缓蚀剂。其中使用多目标优化算法对多目标优化函数求解的过程可以参见前述描述，为避免重复，在此不做赘述。
本实施例提供的二元复配有机缓蚀剂优化方法，分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；根据第一归一化数据和第二归一化数据获取初始训练数据集；对初始训练数据集的数据集特征进行降维，得到降维后训练数据集；将降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；对第一归一化数据进行降维处理，得到第一降维数据；将第一降维数据输入候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；基于一元有机缓蚀剂的毒性和环保性数据、各候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法从多个候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂，能够优化二元复配缓蚀剂的组成，提升二元复配缓蚀剂的缓蚀效率，降低成本，减少环境污染。
实施例2
此外，本申请实施例提供了一种二元复配有机缓蚀剂优化装置。
如图7所示，二元复配有机缓蚀剂优化装置700包括：
第一处理模块701，用于分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；
第一获取模块702，用于根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集；
第一降维模块703，用于对所述初始训练数据集的数据集特征进行降维，得到降维后训练数据集；
第二处理模块704，用于将所述降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为所述预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；
第二降维模块705，用于对所述第一归一化数据进行降维处理，得到第一降维数据；
预测模块706，用于将所述第一降维数据输入所述候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；
确定模块707，用于根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；
第二获取模块708，用于基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂。
本实施例提供的二元复配有机缓蚀剂优化装置700可以实现实施例1所提供的二元复配有机缓蚀剂优化方法，为避免重复，在此不再赘述。
本实施例提供的二元复配有机缓蚀剂优化装置，分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；根据第一归一化数据和第二归一化数据获取初始训练数据集；对初始训练数据集的数据集特征进行降维，得到降维后训练数据集；将降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；对第一归一化数据进行降维处理，得到第一降维数据；将第一降维数据输入候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；基于一元有机缓蚀剂的毒性和环保性数据、各候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法从多个候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂，能够优化二元复配缓蚀剂的组成，提升二元复配缓蚀剂的缓蚀效率，降低成本，减少环境污染。
实施例3
此外，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行实施例1所提供的二元复配有机缓蚀剂优化方法。
本实施例提供的电子设备可以实现实施例1所提供的二元复配有机缓蚀剂优化方法，为避免重复，在此不再赘述。
实施例4
本申请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上存储计算机程序，所述计算机程序被处理器执行时实现实施例1所提供的二元复配有机缓蚀剂优化方法。
在本实施例中，计算机可读存储介质可以为只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本实施例提供的计算机可读存储介质可以实现实施例1所提供的二元复配有机缓蚀剂优化方法，为避免重复，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
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(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。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (10)
1.一种二元复配有机缓蚀剂优化方法，其特征在于，所述方法包括：
分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；
根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集；
对所述初始训练数据集的数据集特征进行降维，得到降维后训练数据集；
将所述降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为所述预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；
对所述第一归一化数据进行降维处理，得到第一降维数据；
将所述第一降维数据输入所述候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；
根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；
基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂。
2.根据权利要求1所述的二元复配有机缓蚀剂优化方法，其特征在于，所述基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂，包括：
以二元复配有机缓蚀剂的两个有机缓蚀剂的配比作为输入，设置配比初始值，基于所述候选缓蚀效率预测模型预测缓蚀效率，并采用多目标优化函数计算综合评估分值；
迭代求解综合评估分值，在每次迭代中，根据当前配比和当前的综合评估分值，选择下一个配比，并计算下一个综合评估分值；
在每次迭代后，使用当前的综合评估分值对所述候选缓蚀效率预测模型进行更新优化，迭代过程中得到一组最优配比，根据所述最优配比确定所述目标二元复配有机缓蚀剂。
3.根据权利要求2所述的二元复配有机缓蚀剂优化方法，其特征在于，所述采用多目标优化函数计算综合评估分值，包括：
采用以下多目标优化函数计算所述综合评估分值；
其中，Score表示综合评估分值，IE为对应有机缓蚀剂配比下通过所述候选缓蚀效率预测模型预测得到的缓蚀效率，EI为环保性，VI为毒性，，，为权重；
令二元复配有机缓蚀剂的两个有机缓蚀剂的配比为，二元复配有机缓蚀剂的两个有机缓蚀剂的环保性分别为和，二元复配有机缓蚀剂的两个有机缓蚀剂的毒性分别为和，则，。
4.根据权利要求1所述的二元复配有机缓蚀剂优化方法，其特征在于，所述根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集，包括：
根据所述第一归一化数据确定待替换有机缓蚀剂的归一化数据；
在固定所述二元复配有机缓蚀剂的一个有机缓蚀剂情况下，根据所述第二归一化数据，所述待替换有机缓蚀剂的归一化数据，固定的有机缓蚀剂的归一化数据，所述待替换有机缓蚀剂和所述固定的有机缓蚀剂的配比，生成初始训练数据集。
5.根据权利要求1所述的二元复配有机缓蚀剂优化方法，其特征在于，所述对所述初始训练数据集的数据集特征进行降维，包括：
令为初始训练数据集的归一化数据的矩阵表示，令矩阵，其中为的转置；
对矩阵进行特征分解，得到特征值和对应的单位特征向量，其中特征向量满足；
选择前k个特征值最大的单位特征向量构成投影矩阵；
使用所述投影矩阵将所述初始训练数据集投影到新的低维特征空间，得到降维后训练数据集，其中，所述降维后训练数据集包含n个样本和k个特征；
获取所述一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据，包括：
确定预设应用环境，所述预设应用环境包括：被保护金属、预设介质类型和预设温度；
分别收集在所述预设应用环境下的所述一元有机缓蚀剂的所述第一采集数据和所述二元复配有机缓蚀剂的所述第二采集数据，其中，所述第一采集数据包括：有机缓蚀剂的属性数据和性能数据；所述第二采集数据包括：两个缓蚀剂分子的属性数据、性能数据和配方数据；所述属性数据包括有机缓蚀剂分子结构SMILES格式和数据集特征，所述数据集特征包括分子描述符和量子化学性质；所述性能数包括缓蚀效率、毒性和环保性；
获取所述目标二元复配有机缓蚀剂之后，所述方法还包括：
在所述预设应用环境下采用所述目标二元复配有机缓蚀剂进行耐蚀性能测试，以得到实验缓蚀效率；
根据所述实验缓蚀效率对所述候选缓蚀效率预测模型进行优化。
6.根据权利要求1-5任一项所述的二元复配有机缓蚀剂优化方法，其特征在于，所述方法还包括：
基于高通量实验对所述目标二元复配有机缓蚀剂进行实验验证，得到实验结果；
根据所述实验结果对所述候选缓蚀效率预测模型进行参数优化，得到优化后的缓蚀效率预测模型；
通过所述优化后的缓蚀效率预测模型对不同配比下的二元复配有机缓蚀剂的缓蚀效率进行预测，基于新的预测缓蚀效率、所述目标缓蚀效率阈值和所述多目标优化算法获取最优二元复配有机缓蚀剂。
7.根据权利要求1-5任一项所述的二元复配有机缓蚀剂优化方法，其特征在于，所述方法还包括：
在验证集上对训练后的预设机器学习模型采用和进行评估，计算公式如下：
其中为基于训练后的预设机器学习模型获得的缓蚀效率预测值，为缓蚀效率实验值，为平均缓蚀效率值，m为缓蚀效率预测值的数量。
8.一种二元复配有机缓蚀剂优化装置，其特征在于，所述装置包括：
第一处理模块，用于分别对一元有机缓蚀剂的第一采集数据及二元复配有机缓蚀剂的第二采集数据进行归一化处理，得到第一归一化数据和第二归一化数据；
第一获取模块，用于根据所述第一归一化数据和所述第二归一化数据获取初始训练数据集；
第一降维模块，用于对所述初始训练数据集的数据集特征进行降维，得到降维后训练数据集；
第二处理模块，用于将所述降维后训练数据集按照预设比例划分为训练集、验证集和测试集，选择对应的预设机器学习模型，以缓蚀效率作为所述预设机器学习模型的输出，执行训练、验证和测试过程，得到候选缓蚀效率预测模型；
第二降维模块，用于对所述第一归一化数据进行降维处理，得到第一降维数据；
预测模块，用于将所述第一降维数据输入所述候选缓蚀效率预测模型，以缓蚀效率作为输出，通过设置两个一元有机缓蚀剂的不同配比，对不同配比下的两个一元有机缓蚀剂的缓蚀效率进行预测；
确定模块，用于根据不同配比下的两个一元有机缓蚀剂的预测缓蚀效率及目标缓蚀效率阈值确定多个候选二元复配有机缓蚀剂；
第二获取模块，用于基于所述一元有机缓蚀剂的毒性和环保性数据、各所述候选二元复配有机缓蚀剂的预测缓蚀效率，使用多目标优化算法对多目标优化函数求解，以从多个所述候选二元复配有机缓蚀剂中获取目标二元复配有机缓蚀剂。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的二元复配有机缓蚀剂优化方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的二元复配有机缓蚀剂优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411006168.3A CN118522388B (zh) | 2024-07-25 | 2024-07-25 | 二元复配有机缓蚀剂优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411006168.3A CN118522388B (zh) | 2024-07-25 | 2024-07-25 | 二元复配有机缓蚀剂优化方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118522388A true CN118522388A (zh) | 2024-08-20 |
| CN118522388B CN118522388B (zh) | 2024-10-11 |
Family
ID=92274580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411006168.3A Active CN118522388B (zh) | 2024-07-25 | 2024-07-25 | 二元复配有机缓蚀剂优化方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118522388B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1261793A (zh) * | 1997-07-01 | 2000-08-02 | 美国辉瑞有限公司 | 舍曲林盐和舍曲林的缓释剂型 |
| CN104830302A (zh) * | 2015-04-29 | 2015-08-12 | 中国石油大学(华东) | 二元复合驱油体系及其优化方法 |
| CN114974462A (zh) * | 2021-02-23 | 2022-08-30 | 中国石油天然气股份有限公司 | 缓蚀效率预测模型的训练方法、装置、设备及存储介质 |
| CN116312853A (zh) * | 2023-02-28 | 2023-06-23 | 中国科学院理化技术研究所 | 一种基于分子动力学模拟的表面活性剂复配体系评价方法 |
| CN116361706A (zh) * | 2023-03-28 | 2023-06-30 | 中国药科大学 | 一种基于深度学习的化妆品防腐剂智能选择方法 |
| WO2023170034A1 (en) * | 2022-03-10 | 2023-09-14 | Shell Internationale Research Maatschappij B.V. | System and method for predicting corrosion rate in a pipe section |
-
2024
- 2024-07-25 CN CN202411006168.3A patent/CN118522388B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1261793A (zh) * | 1997-07-01 | 2000-08-02 | 美国辉瑞有限公司 | 舍曲林盐和舍曲林的缓释剂型 |
| CN104830302A (zh) * | 2015-04-29 | 2015-08-12 | 中国石油大学(华东) | 二元复合驱油体系及其优化方法 |
| CN114974462A (zh) * | 2021-02-23 | 2022-08-30 | 中国石油天然气股份有限公司 | 缓蚀效率预测模型的训练方法、装置、设备及存储介质 |
| WO2023170034A1 (en) * | 2022-03-10 | 2023-09-14 | Shell Internationale Research Maatschappij B.V. | System and method for predicting corrosion rate in a pipe section |
| CN116312853A (zh) * | 2023-02-28 | 2023-06-23 | 中国科学院理化技术研究所 | 一种基于分子动力学模拟的表面活性剂复配体系评价方法 |
| CN116361706A (zh) * | 2023-03-28 | 2023-06-30 | 中国药科大学 | 一种基于深度学习的化妆品防腐剂智能选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118522388B (zh) | 2024-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Idris et al. | Intelligent churn prediction for telecom using GP-AdaBoost learning and PSO undersampling | |
| Zhao et al. | Sum-of-squares based cluster validity index and significance analysis | |
| Idris et al. | Intelligent churn prediction in telecom: employing mRMR feature selection and RotBoost based ensemble classification | |
| Asur et al. | An ensemble framework for clustering protein–protein interaction networks | |
| US20180046902A1 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
| Nunes et al. | GraphHD: Efficient graph classification using hyperdimensional computing | |
| Platonov et al. | Characterizing graph datasets for node classification: Homophily-heterophily dichotomy and beyond | |
| CN111461815B (zh) | 订单识别模型生成方法、识别方法、系统、设备和介质 | |
| CN113569910A (zh) | 账户类型识别方法、装置、计算机设备及存储介质 | |
| Lu et al. | Outlier detection in time series models using local influence method | |
| CN118522388B (zh) | 二元复配有机缓蚀剂优化方法、装置、设备及介质 | |
| Enyoh et al. | Automated Classification of Undegraded and Aged Polyethylene Terephthalate Microplastics from ATR-FTIR Spectroscopy using Machine Learning Algorithms | |
| CN113066528A (zh) | 基于主动半监督图神经网络的蛋白质分类方法 | |
| CN111048145A (zh) | 蛋白质预测模型的生成方法、装置、设备和存储介质 | |
| Huang et al. | A new filter feature selection approach for customer churn prediction in telecommunications | |
| CN116403713A (zh) | 一种基于多类无监督特征提取方法对自闭症谱系障风险基因预测的方法 | |
| CN110837853A (zh) | 一种快速分类模型构建方法 | |
| Ghazanfar et al. | Novel significance weighting schemes for collaborative filtering: Generating improved recommendations in sparse environments | |
| Jain et al. | Telecom churn prediction using seven machine learning experiments integrating features engineering and normalization | |
| CN114974462A (zh) | 缓蚀效率预测模型的训练方法、装置、设备及存储介质 | |
| CN114420219A (zh) | 相对保留时间预测模型的构建方法、预测方法及装置 | |
| CN114446394A (zh) | 一种利用双层概率模型聚类宏基因组序列的方法 | |
| Sharma et al. | Regularization and feature selection for large dimensional data | |
| Cravero et al. | FS4RV DD: A feature selection algorithm for random variables with discrete distribution | |
| Li | Sequential Design of Experiments to Estimate a Probability of Failure. |
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 |