一种基于机器学习的树脂合成方法、系统、介质

本发明涉及全氟烷基化合物污染治理领域，特别是涉及一种基于机器学习的树脂合成方法、系统、介质及产品。背景技术：1、全氟和多氟烷基物质(pfas)，是一组具有50多年历史的10000多种合成化学品的统称。pfas物质按其碳链长度分类：含碳氟≥8的全氟烷基磺酸和含碳氟≥7的全氟烃基羧酸被视为长链pfas，而链长较短的则被视为短链pfas。它们在耐用性、介电性、耐水耐热性方面的特殊性使其在各种工业和家庭应用中具有优势。pfas由于其极端的持久性和稳定性，导致其在环境中广泛分布并在人体内积累，在饮用水资源中以微量浓度被普遍检测到。然而，pfas与负面健康影响有关(例如，发育和免疫障碍、不育、甲状腺疾病、器官毒性和癌症)。因此，pfas污染不仅成为一个日益严重的环境问题，而且也是一个全球公共卫生重要问题。2、采用吸附法从水环境中去除pfas是一种高效、简单的技术，具有低成本、环保和设计简单的优点。其中通过阴离子交换去除饮用水全氟辛烷磺酸已经得到证实，并且通常使用经季铵功能化的一次性、氯化物形式、凝胶型强碱树脂。在实验室进行的几项研究(中试或全尺寸)表明，阴离子交换树脂可以有效去除长链和短链pfas。使用离子交换树脂去除pfas的机理主要是由于静电相互作用导致树脂和pfas带电头组之间的离子交换，以及疏水相互作用。离子交换树脂对pfas化合物的吸附能力取决于树脂特性、pfas分子特性、水化学(例如ph值、离子强度、天然有机物的浓度以及其他杂质或污染物的存在)和操作条件。但目前大多数研究只关注有限的影响因素，树脂、pfas和环境条件之间的复杂相互作用通常过于简单化。虽然离子交换技术已成为去除长链pfas的有效方法，但去除短链pfas仍存在一些挑战。而且通过离子交换树脂去除pfas也显示出缓慢的吸附动力学，尤其是在聚苯乙烯珠中要168小时才能达到平衡。此外，离子交换树脂具有与水中其他分子结合的能力，这会降低其去除pfas的能力，并需要更频繁的再生过程来满足去除pfas所需的标准。在全面应用中，还应考虑树脂再生及其处理产生的大量废物。3、机器学习(machine learning，ml)算法能够以强大的拟合能力管理复杂、多维的数据集，在新材料开发领域得到了越来越多的关注。已经开发并成功部署了几个ml模型，用于预测制造条件下的膜性质、吸附剂性能等。然而，对于如此多类型的有机污染物，这些ml模型仅使用了有限的数据点来预测其去除，这种方法可能会导致预测结果产生不确定性，因为某些类型的新兴有机污染物，如pfas是由大量类似物或同源物组成的化合物，其物理化学性质不同于传统有机污染物，包括亲蛋白性、两亲性和离子性。此外，大多数实验性研究都将分析限制在相对较少的全氟烷基羧酸盐(pfca)、全氟烷基磺酸盐(pfsa)以及广泛实施的分析方法中包含的其他pfas。然而，传统的机器学习方法在pfas的去除方面仍然存在局限性。4、因此，亟需一种用于pfas去除的树脂合成方法，以实现高效去除pfas。技术实现思路1、本发明的目的是提供一种基于机器学习的树脂合成方法、系统、介质及产品，可对pfas的高效去除提供有效解决方案。2、为实现上述目的，本发明提供了如下方案：3、一种基于机器学习的树脂合成方法，所述方法包括：4、获取pfas去除率的多组影响因素；所述影响因素包括树脂性质、pfas性质以及吸附系统性质；所述pfas性质包括pfas结构式的smiles描述符；5、基于多组所述影响因素，采用pfas吸附模型得到多个树脂对不同碳氟链长度的pfas去除率；6、对各所述树脂对不同碳氟链长度的pfas去除率进行筛选，得到最优pfas去除率；7、基于所述最优pfas去除率，确定最优影响因素；8、基于所述最优影响因素合成树脂，并通过合成后的树脂去除pfas。9、可选地，在获取pfas去除率的多组影响因素之后，还包括对多组所述影响因素进行预处理；所述对多组所述影响因素进行预处理，具体包括：10、对多组所述影响因素进行哑变量处理，得到树脂性质的数值变量、pfas性质的数值变量以及吸附系统性质的数值变量；11、采用分子指纹编码方法将pfas性质的数值变量转换成分子指纹。12、可选地，所述pfas吸附模型的训练过程，具体包括：13、构建数据集，并将所述数据集划分为训练集和测试集；所述数据集包括实验影响因素以及对应的树脂对不同碳氟链长度的pfas去除率；14、构建基于多种不同机器学习算法的初始模型，并通过训练集和测试集对各所述初始模型进行训练和测试，确定各所述初始模型的性能；15、基于各所述初始模型的性能对各所述初始模型进行筛选，得到多个初始优化模型；16、通过贝叶斯算法优化调整各所述初始优化模型的超参数、分子指纹编码方法以及分子指纹的参数，得到各初始优化模型对应的贝叶斯优化结果；所述分子指纹编码方法包括二进制分子指纹编码方法和计数分子指纹编码方法；所述分子指纹的参数包括分子指纹长度和分子指纹半径；所述贝叶斯优化结果包括最佳超参数组合、最优分子指纹编码方法以及最优分子指纹的参数；17、根据所述贝叶斯优化结果对初始优化模型进行筛选，得到最优模型；所述最优模型为pfas吸附模型。18、可选地，所述最优分子指纹编码方法为计数分子指纹编码方法。19、可选地，对各所述树脂对不同链长的pfas去除率进行筛选，得到最优pfas去除率，具体包括：20、基于各所述树脂对不同碳氟链长度的pfas去除率，计算各影响因素的shapley值；21、根据各所述影响因素的shapley值，绘制不同碳氟链长度对pfas去除率的单因素shap图，得到pfas去除率最优的碳氟链长度范围；22、基于各所述树脂对不同碳氟链长度的pfas去除率，绘制树脂性质对pfas去除率的单因素shap图，得到pfas去除率最优的树脂性质特征；23、基于所述pfas去除率最优的碳氟链长度范围和所述pfas去除率最优的树脂性质特征，确定最优pfas去除率。24、为实现上述目的，本发明还提供了一种计算机系统，包括：存储器、处理器以存储在存储器上并可在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以实现上述所述的基于机器学习的树脂合成方法。25、为实现上述目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述的基于机器学习的树脂合成方法。26、为实现上述目的，本发明还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述所述的基于机器学习的树脂合成方法。27、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过采用贝叶斯优化方法获得最佳超参数组合、最优分子指纹编码方法以及最优分子指纹的参数的组合结果，根据所述组合结果遴选出表现最好的机器学习算法来构建pfas吸附模型，并基于特征重要性排序的结果对树脂性质和pfas碳氟链长度的对去除率的影响作用进行分析，得到适用于广泛pfas去除的最优树脂合成制备方法，能够有效预测树脂对不同碳氟链长度的pfas的吸附，实现了树脂的理性设计和高效功能化制备，对pfas的高效去除提供了有效解决方案。