(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111411791.3 (22)申请日 2021.11.25 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 曾淦宁　马源　杜明明　戴孟铮　 潘响亮　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 代理人 王兵 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) (54)发明名称 基于深度神经网络的生物质活性炭吸附亚 甲基蓝性能预测方法 (57)摘要 基于深度神经网络的生物质活性炭吸附亚 甲基蓝性能预测方法， 包括： 使用铜藻制备的活 性炭进行亚甲基蓝吸附条件实验， 获取单一来源 吸附数据； 将收集到的数据进行初步筛选和归一 化， 将数据库内的单一来源亚甲基蓝吸附数据和 多组多重来源亚甲基蓝吸附数据按照比例划分 为训练集和测试集； 使用编码系统将这些值转换 为模型可接受的数据类型； 搭建深度神经网络预 测模型， 使用训练集进行训练， 通过DNN预测模型 计算出亚甲基蓝去除率， 以评价DNN预测模型的 精度； 使用训练后的DNN预测模型对亚甲基蓝去 除率进行预测并使用评价指标进行评价， 通过 HeatMap可视化多重来源 亚甲基蓝吸附数据的吸 附各变量之间的相互影 响。 本发明高效、 低耗、 可 靠性高、 普适 性强。 权利要求书2页 说明书6页 附图3页 CN 114202060 A 2022.03.18 CN 114202060 A 1.基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法， 其特征在于， 包括 以下步骤： S1.使用铜藻制备的活性炭进行亚甲基蓝吸附条件实验， 获取单一来源吸附数据。 在 Web of Science， 万方数据库2000 ‑2020中， 以 “神经网络/neural  network ”、“吸附/ adsorption ”为关键词， 进行生物质碳材料的数据材料采集， 选取其中广泛存在的碳吸附性 能评定因子 “亚甲基蓝 ”， 得到多组多重来源亚甲基蓝吸 附数据建立数据库， 亚甲基蓝吸附 数据包括活性炭制备工艺 参数、 活性炭特性和吸附环境 参数； S2.将收集到的数据进行初步筛选和归一化， 将数据库内的单一来源亚甲基蓝吸附数 据和多组多重来源亚甲基蓝吸附数据按照比例划分为训练集和 测试集； S3.由于吸附数据中个别变量不是数字数据类型， 因此有必要使用编码系统将这些值 转换为模型 可接受的数据类型。 S4.搭建深度神经网络(DNN,Deep  Neural Network)预测模型， 使用训练集进行训练， 以活性炭制备工艺参数、 活性炭孔特性以及吸附环境参数作为输入参数， 通过DNN预测模型 计算出亚甲基蓝去除率， 以评价DN N预测模型的精度； S5.使用训练后的DNN预测模型对亚甲基蓝去除率进行预测并使用评价指标进行评价， 通过HeatMap可视化多重来源亚甲基蓝吸附数据的吸附各变量之间的相互影响。 2.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方 法， 其特征值在于： 步骤S1中得到15 0组多重来源数据。 3.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方 法， 其特征值在于： 步骤S1中， 活性炭制备工艺参数为生物质 种类、 活化剂种类、 活化温度、 活化时间、 液料比中的一种或多种； 活性炭特性为比表面积(BET)、 平均孔径、 平均孔容、 粒 径中的一种或多种； 吸附环境参数为吸附温度、 吸附时间、 活性炭添加量、 亚甲基蓝溶液初 始浓度、 pH中的一种或多种。 4.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方 法， 其特征值在于： 步骤S2中， 初步筛 选包括删除含有缺失值的数据。 5.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方 法， 其特征值在于： 步骤S2中， 归一 化采用以下公式： 上式中， y为归一化后的数据， x为原始数据， xmin为原始数据的最小值， xmax为原始数据 的最大值。 6.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方 法， 其特征值在于： 步骤S2中， 将数据库内的单一来源亚甲基蓝吸附数据和多组多重来源亚 甲基蓝吸附数据分别按照随机划分方法以7: 3划分为训练集和测试集， 训练集占比70％， 测 试集占比3 0％。 7.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方 法， 其特征值在于： 步骤S 3中选用独热(one ‑hot)编码系统将生物质种类、 活化剂种类、 液料 比、 粒径、 亚甲基蓝溶 液初始浓度中的一种或多种转 化为模型可接受的二进制数据类型。 8.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方权　利　要　求　书 1/2 页 2 CN 114202060 A 2法， 其特征值在于： 步骤S4搭建的DNN预测模型的结构为： 输入层， 隐藏层和 输出层， 网络总 层数在5‑10层内， Dropout率0 ‑0.6间， 学习率0.0 01， 迭代次数3 000‑4000次。 9.根据权利要求1所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性 能预测方 法， 其特征值在于： 步骤S4和S5中的评价指标为相关性系数R、 拟合度R2、 均方误差MSE和均 方根误差RMSE中的一种或多种。 10.根据权利要求9所述的基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测 方法， 其特 征值在于： 相关性系数R的公式为： 拟合度R2的公式为： 均方误差 MSE的公式为： 均方根误差RMSE的公式为： 式中， n为样本总数， Xti代表真实值， Xpi代表预测值， 代表所有真实值的平均值， 代 表所有预测值的平均值。权　利　要　求　书 2/2 页 3 CN 114202060 A 3