一种低预测精度条件下的催化剂配方可信归因与推荐方法

本发明属于数据驱动材料设计与催化剂开发，具体涉及一种低预测精度条件下的催化剂配方可信归因与推荐方法，适用于丙烷脱氢催化剂及各类多相催化材料的配方筛选场景。

背景技术：

1、丙烯是聚丙烯、丙烯腈、环氧丙烷等大宗化学品的关键原料，丙烷无氧脱氢凭借原料廉价、可副产高纯氢气的优势，已成为轻烃资源高值化利用的重要技术路线。现有工业化脱氢催化剂主要为铂基与铬基体系，其中铂基催化剂成本较高且易因积碳发生失活，铬基催化剂则存在毒性大、环境风险高的缺陷。锌基催化剂具备适度的烷烃活化能力，是极具应用潜力的替代体系；但其催化性能高度依赖活性组分分散状态、载体性质及制备工艺，形成了高维、强非线性的配方设计空间。

2、当前，数据驱动的机器学习方法已广泛应用于催化剂智能设计，普遍通过构建性能正向预测模型，结合可解释性工具挖掘特征重要性，再经多目标优化获得配方合成方案，形成了“预测—解释—优化” 的常规设计流程。然而，该现有技术体系存在明显技术缺陷：

3、一方面，在训练样本稀缺场景下，无泄漏构建的预测模型整体拟合能力有限，以锌基丙烷脱氢催化剂为例，经随机交叉验证得到的性能预测决定系数仅为 0.4～0.45。现有技术普遍依据模型预测精度高低判定特征归因结果的可用性，要么默认模型具备高精度，要么在模型精度偏低时直接否定归因结果，缺乏不依赖精度数值、可独立校验归因可信度的客观判据。同时，若训练数据存在样本复用问题，随机数据划分会虚高模型预测精度，导致对模型真实能力的误判。

4、另一方面，即便模型预测能力真实可靠，采用遗传算法等全局寻优方式获得的最优配方，大多落在训练数据稀疏、预测可信度低的设计空间区域，属于分布外外推结果，实验落地风险较高。现有方法仅输出单一配方预测结果，未量化推荐配方的数据支撑度与外推风险，导致实验人员无法有效区分可靠推荐与探索性推荐，实用性较差。

技术实现思路

1、针对现有技术存在的缺陷，本发明提供一种低预测精度条件下的催化剂配方可信归因与推荐方法，旨在解决训练样本稀缺、无泄漏预测模型能力有限场景下，传统技术无法脱离模型精度数值独立判别归因可信度、无法量化配方推荐外推风险，导致催化剂配方归因结果不可靠、推荐方案落地性差的技术问题。本发明不依赖模型性能数值、不默认模型具备高精度，通过模型能力边界确认、归因可信度独立判别、推荐配方数据支撑度分级约束、可复核推荐结果输出的完整逻辑体系，在模型预测能力有限的前提下，仍可输出归因可信、落地性强的催化剂配方推荐结果。

2、为实现上述目的，本发明采用如下技术方案：

3、一种低预测精度条件下的催化剂配方可信归因与推荐方法，具体包括如下步骤：

4、步骤s1，采集并规整催化剂性能原始数据，构建以催化剂组成参数、制备工艺参数、反应条件参数为输入特征，以催化性能指标为输出标签的数据集；采用无泄漏训练方式训练预测模型，测定并输出预测模型针对各催化性能指标的能力边界。

5、步骤s2，对预设的催化剂配方设计空间进行网格枚举处理，批量构造全覆盖的候选配方集。

6、步骤s3，逐一计算各候选配方与训练集样本的最近邻距离，将该距离作为配方外推风险的量化度量；结合该距离在训练集内部最近邻距离分布中的区间位置，将所有候选配方划分为数据支撑充分、数据支撑不足两个档级。

7、步骤s4，筛选数据支撑充分档级的候选配方作为推荐对象，针对每一条推荐配方，同步输出对应的性能预测区间及匹配的最近真实样本证据，为配方复核验证提供依据。

8、进一步地，在步骤s1完成模型训练及能力边界确认后，本发明通过多种交叉验证方式结合全量拟合方式，分别计算特征重要性排序结果；通过对比不同计算方式下特征排序的组成一致性与重叠稳定性，实现归因可信度的独立判别，该判别过程无需依赖模型能力边界数值，适配低精度预测模型的归因校验场景。

9、进一步地，本发明采用两种原理相异的算法对特征归因结果进行交叉印证，进一步提升归因结果的准确性与稳定性。

10、本发明相较于现有技术，具备如下有益效果：

11、第一，实现低精度模型归因结果的独立可信校验。本发明依托多场景下特征重要性排序的稳定性完成归因判别，摆脱了归因校验对模型预测精度数值的依赖，既能够判定低性能预测模型的归因有效性，也可对常规高精度模型的归因结果进行二次核验，规避单一精度评判带来的判断偏差。

12、第二，有效降低配方推荐的实验落地风险。本发明通过最近邻距离量化候选配方的外推风险，对配方数据支撑度进行分级筛选，仅输出数据支撑充分区域的配方方案，杜绝将设计空间分布外的外推结果作为推荐方案，从源头提升了配方推荐的可靠性与实用性。

13、第三，实现推荐结果可追溯、可复核。本发明针对每一条推荐配方同步输出性能预测区间与真实样本对照证据，便于实验人员直观判定配方的可信度与适配依据，解决了传统单一预测结果无法核验的技术短板。

14、第四，保证技术方案物理自洽性。本发明的特征归因结果与配方推荐方向均贴合催化反应物理机理，结果逻辑自洽，有效避免算法优化带来的非合理推荐。

15、第五，技术通用性强。本发明方法不局限于单一催化体系，可广泛适配各类脱氢催化剂、多相催化材料的配方筛选工作，可推广至各类数据驱动的材料智能设计场景。

1.一种低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于，包括如下步骤：

2.如权利要求1所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于，在步骤s1完成模型训练与能力边界确认之后，还包括归因可信度判定步骤：

3.如权利要求2所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于：

4.如权利要求1所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于，步骤s1中所述无泄漏训练方式包括：

5.如权利要求1所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于：

6.如权利要求1所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于，步骤s3的档级划分方式包括：

7.如权利要求1所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于：

8.如权利要求1所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于：

9.如权利要求1所述的低预测精度条件下的催化剂配方可信归因与推荐方法，其特征在于：