一种基于优化机器学习的薄膜纳米复合膜性能预测方法

本发明涉及膜材料性能预测，具体来说，涉及一种基于优化机器学习的薄膜纳米复合膜性能预测方法。

背景技术：

1、薄膜纳米复合膜（thin film nanocomposite，tfn）因在水处理、资源回收及高盐废水处理等领域具有较好的分离性能，已成为膜分离材料的重要发展方向。通过在聚酰胺分离层中引入无机纳米材料，可以调节膜的微观结构、界面性质和传质通道，从而影响膜的水通量和截盐率。

2、然而，薄膜纳米复合膜的性能并不是由单一因素决定的，而是与无机纳米材料的化学组成、官能团类型、材料形态、添加量、孔径、膜接触角、表面粗糙度、聚酰胺层厚度以及进料液浓度、操作压力等因素共同相关。这些因素中既包括化学元素、官能团、材料形态等离散材料属性，也包括添加量、孔径、压力、浓度等连续结构参数和操作参数，不同类型参数之间还存在复杂耦合关系，使得薄膜纳米复合膜的性能预测和优化设计具有较高难度。

3、现有薄膜纳米复合膜性能研究主要依赖实验测试和经验分析，通常通过改变添加量、孔径、表面性质或操作压力等单一参数，观察其对水通量或截盐率的影响；这类方法可以获得局部规律，但难以反映材料组成、膜结构和运行条件之间的非线性耦合关系，实验成本高，周期长，也难以对大量候选无机纳米材料进行快速筛选。近年来，机器学习方法被用于膜材料性能预测，通过采集已有文献或实验数据，建立材料参数与膜性能之间的映射关系，从而辅助薄膜纳米复合膜设计，这类方法在一定程度上提高了预测效率。

4、但从薄膜纳米复合膜的定向设计需求来看，现有技术仍存在明显不足。一方面，薄膜纳米复合膜中的化学元素、官能团类型和材料形态并不是普通数值参数，其反映的是无机纳米材料的组成来源和界面作用基础，而添加量、孔径、膜接触角、表面粗糙度、聚酰胺层厚度、进料液浓度和操作压力等连续参数则直接影响膜结构和运行状态；现有方法往往只是将上述两类特征简单并入同一输入空间，未能进一步分析离散材料属性如何通过连续结构参数和操作参数影响膜性能，导致模型虽然可以给出预测结果，但难以为材料组成选择和工艺参数调节提供明确依据。另一方面，水通量和截盐率在薄膜纳米复合膜设计中通常不是单向一致的优化目标，某些参数可能提高水通量，却对截盐率产生不利影响，某些参数对单一目标贡献不明显，却可能对两者平衡具有重要作用；现有模型多将水通量和截盐率分别预测，或仅依据单一特征重要性进行筛选，容易误删对双目标协同优化有价值的特征，也容易保留只对单一目标有利但破坏整体分离性能的特征。

5、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、针对相关技术中的问题，本发明提出一种基于优化机器学习的薄膜纳米复合膜性能预测方法，以克服现有相关技术所存在的上述技术问题。

2、为此，本发明采用的具体技术方案如下：

3、一种基于优化机器学习的薄膜纳米复合膜性能预测方法，该基于优化机器学习的薄膜纳米复合膜性能预测方法包括：将薄膜纳米复合膜样本数据划分为离散属性特征和连续作用特征，并构建输入特征矩阵；根据输入特征矩阵，分别确定各输入特征对水通量和截盐率的贡献信息，并利用贡献信息对输入特征进行双目标协同筛选，得到耦合特征子集；基于耦合特征子集构建性能预测模型并训练，根据水通量和截盐率的综合损失确定优化后的性能预测模型；基于优化后的性能预测模型，对耦合特征子集中离散属性特征、连续作用特征及二者之间的耦合特征进行验证，若验证结果不满足合理性要求，则迭代更新耦合特征子集并重新训练性能预测模型，直至验证结果满足合理性要求；将验证结果满足合理性要求时的性能预测模型确定为目标性能预测模型；目标性能预测模型用于根据无机纳米材料组成、结构参数、膜特性及操作条件预测薄膜纳米复合膜的水通量和截盐率。

4、本发明的有益效果为：

5、（1）本发明将薄膜纳米复合膜样本数据划分为离散属性特征和连续作用特征并分别处理，生成二者之间的耦合特征，使输入特征不仅能够反映无机纳米材料的化学元素、官能团类型和材料形态等组成属性，还能够反映无机纳米材料添加量、膜结构参数及操作条件等连续因素对膜性能的影响；与仅将各类参数简单合并作为模型输入的方式相比，本发明能够更好地表达材料组成、膜结构和运行条件之间的关联关系，为预测水通量和截盐率提供更加完整的特征基础，从而提高薄膜纳米复合膜性能预测结果的针对性。

6、（2）本发明基于各输入特征对水通量和截盐率的贡献信息进行双目标协同筛选，并结合耦合特征的交互贡献度、双目标贡献方向和特征冗余情况确定耦合特征子集，能够避免仅按照单一目标特征重要性筛选时，误删对水通量和截盐率协同优化具有价值的特征；本发明能够在保留关键构效信息的同时，兼顾水通量和截盐率两个性能目标，使筛选得到的特征子集更适用于薄膜纳米复合膜的综合性能预测和优化设计。

7、（3）本发明基于耦合特征子集分别建立水通量预测分支和截盐率预测分支，并根据两个目标的综合损失确定优化后的性能预测模型，使模型训练过程不再仅依赖单一性能指标，而是同时考虑水通量和截盐率的预测误差；通过对不同量纲的误差进行归一化并加权处理，本发明能够更加客观地评价模型对两类性能指标的整体预测能力，从而减少因某一目标数值范围较大而主导模型优化方向的情况。

8、（4）本发明还对耦合特征子集中的耦合特征及其对应的离散属性特征、连续作用特征进行验证，并在验证结果不满足预设合理性要求时迭代更新耦合特征子集和性能预测模型；通过比较不同离散属性取值状态下连续作用特征对应的性能响应曲线，本发明能够判断所保留的耦合特征是否形成有效耦合作用，避免模型仅保留统计相关但缺乏稳定响应意义的特征，不仅能够输出水通量和截盐率预测结果，还有助于缩短实验筛选周期、降低研发成本。

1.一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述薄膜纳米复合膜样本数据包括无机纳米材料组成数据、无机纳米材料结构数据、膜特性数据、操作条件数据及对应的水通量和截盐率；

3.根据权利要求2所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述根据输入特征矩阵，分别确定各输入特征对水通量和截盐率的贡献信息，包括：

4.根据权利要求1所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述利用贡献信息对输入特征进行双目标协同筛选，得到耦合特征子集，包括：

5.根据权利要求4所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述对候选特征执行双目标协同保留判断，包括：

6.根据权利要求1所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述性能预测模型包括耦合特征输入层、水通量预测分支和截盐率预测分支；

7.根据权利要求1所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述根据水通量和截盐率的综合损失确定优化后的性能预测模型，包括：

8.根据权利要求1所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述对耦合特征子集中离散属性特征、连续作用特征及二者之间的耦合特征进行验证，包括：

9.根据权利要求8所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，所述根据不同离散属性取值状态下所述性能响应曲线的形态差异，得到耦合响应差异值，包括：

10.根据权利要求1所述的一种基于优化机器学习的薄膜纳米复合膜性能预测方法，其特征在于，迭代更新耦合特征子集并重新训练性能预测模型，包括：