一种基于机器学习提升压电催化水处理性能的方

本发明涉及机器学习和大数据应用，尤其是涉及一种基于机器学习提升压电催化水处理性能的方法及系统。背景技术：1、压电催化水处理技术利用压电材料在受到机械振动或压力刺激时会产生电荷分离和极化的现象，进而引发化学反应。这种技术可以用于水的消毒、去除有机物质、重金属离子等污染物，以及促进水中氧化还原反应等。但是传统试错实验寻找压电催化剂的材料、时间和人工成本很高，例如中国专利cn116637626b公开了一种压电催化剂的制备方法、压电催化剂、压电催化剂的应用及污水处理管道，制备了泡沫铝基吸震压电催化剂，但其制备过程复杂，需要用到多种试剂和配置比例，耗费材料、人工和时间。2、因此，亟需研究一种基于机器学习提升压电催化水处理性能的方法及系统。技术实现思路1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习提升压电催化水处理性能的方法及系统。通过对各个机器学习模型进行寻优处理，获取最佳的压电催化剂和对应的反应条件，能够快速、准确地提升压电催化过程的性能，并降低人工和实验成本。2、本发明的目的可以通过以下技术方案来实现：3、本发明提供一种基于机器学习提升压电催化水处理性能的方法，包括以下步骤：4、s1：采集压电催化材料的参数、反应条件和对应的水处理性能数据；5、s2：将s1中采集到的数据转化为数值数据，并进行归一化处理，剔除相关性高的特征；6、s3：将s2中处理后的数据导入机器学习模型中，调整机器学习模型的超参数后进行训练；7、s4：根据s3中机器学习模型的精度，采用寻优算法确定每次数据应用场景下的最优机器学习模型，并在最优机器学习模型下寻优，以找出最佳压电催化材料和反应条件。8、进一步地，s2中，采集的数据包括分类数据和数值数据，所述分类数据包括催化剂的形态、污染物的名称。9、进一步地，采用标签编码和one-hot编码将分类数据转化为数值数据；10、采用spearman相关系数剔除相关性高的特征。11、进一步地，所述相关性高的特征具体为spearman相关系数大于0.9的特征。12、进一步地，s2中，所述归一化方式为采用取对数的方式将所有数值数据归一到相近数量级。13、进一步地，s3中，所述机器学习模型包括极限梯度提升、随机森林、bagging、lightgbm、人工神经网络、支持向量机、k近邻和高斯过程。14、进一步地，s3中，采用网格搜索法调整机器学习模型的超参数。15、进一步地，s4中，所述寻优算法包括粒子群优化算法、蜘蛛蜂优化算法。16、本发明提供一种基于机器学习提升压电催化水处理性能的系统，包括数据采集模块、数据预处理模块、机器学习模块和寻优反馈模块；17、所述数据采集模块用于收集压电催化材料的性质参数、水处理反应条件以及压电催化水处理过程的性能；18、所述数据预处理模块用于将分类数据转化为数值数据，并将数值数据归一化，剔除相关性高的特征；19、所述机器学习模块、寻优反馈模块用于根据机器学习模型的精度，采用寻优算法确定每次数据应用场景下的最优机器学习模型，并在最优机器学习模型下寻优，以找出最佳压电催化材料和反应条件。20、进一步地，所述数据采集模块包括压电催化材料参数采集模块、反应条件信息收集模块和水处理性能分析模块；21、所述压电催化材料参数采集模块用于采集压电催化材料的组成、尺寸和形态；22、所述反应条件信息收集模块用于收集催化剂投加量、ph值、污染物浓度、水温和水量信息；23、所述水处理性能分析模块用于分析处理污染物的去除率和能耗。24、与现有技术相比，本发明具有以下优点和有益效果：25、本发明通过对各个机器学习模型进行寻优处理，获得最优机器学习模型，并在最优机器学习模型下寻优，获取最佳的压电催化剂和对应的反应条件，以实现快速、准确地提升压电催化过程的性能的目的，同时，降低人工和实验成本，代替传统试错实验。技术特征：1.一种基于机器学习提升压电催化水处理性能的方法，其特征在于，包括以下步骤：2.根据权利要求1所述的一种基于机器学习提升压电催化水处理性能的方法，其特征在于，s2中，采集的数据包括分类数据和数值数据，所述分类数据包括催化剂的形态、污染物的名称。3.根据权利要求2所述的一种基于机器学习提升压电催化水处理性能的方法，其特征在于，采用标签编码和one-hot编码将分类数据转化为数值数据；4.根据权利要求3所述的一种基于机器学习提升压电催化水处理性能的方法，其特征在于，所述相关性高的特征具体为spearman相关系数大于0.9的特征。5.根据权利要求1所述的一种基于机器学习提升压电催化水处理性能的方法，其特征在于，s2中，所述归一化方式为采用取对数的方式将所有数值数据归一到相近数量级。6.根据权利要求1所述的一种基于机器学习提升压电催化水处理性能的方法，其特征在于，s3中，所述机器学习模型包括极限梯度提升、随机森林、bagging、lightgbm、人工神经网络、支持向量机、k近邻和高斯过程。7.根据权利要求1所述的一种基于机器学习提升压电催化水处理性能的方法，其特征在于，s3中，采用网格搜索法调整机器学习模型的超参数。8.根据权利要求1所述的一种基于机器学习提升压电催化水处理性能的方法，其特征在于，s4中，所述寻优算法包括粒子群优化算法、蜘蛛蜂优化算法。9.一种基于机器学习提升压电催化水处理性能的系统，其特征在于，包括数据采集模块、数据预处理模块、机器学习模块和寻优反馈模块；10.根据权利要求9所述的一种基于机器学习提升压电催化水处理性能的系统，其特征在于，所述数据采集模块包括压电催化材料参数采集模块、反应条件信息收集模块和水处理性能分析模块；技术总结本发明涉及一种基于机器学习提升压电催化水处理性能的方法及系统。方法包括：采集压电催化材料的参数、反应条件和对应的水处理性能数据；将采集到的数据转化为数值数据，并进行归一化处理，剔除相关性高的特征；将处理后的数据导入机器学习模型中，调整机器学习模型的超参数后进行训练；根据机器学习模型的精度，采用寻优算法确定每次数据应用场景下的最优机器学习模型，并在最优机器学习模型下寻优，以找出最佳压电催化材料和反应条件。与现有技术相比，本发明能够快速、准确地提升压电催化过程的性能，并降低人工和实验成本，代替传统试错实验。技术研发人员：隋铭皓,庄玮,罗倩倩受保护的技术使用者：同济大学技术研发日：技术公布日：2024/8/16