基于机器学习的气体燃料化学链制氢性能预测与载氧体优化方法

摘要: 本发明属于化学链制氢催化材料数据智能分析。背景技术:1、氢能作为绿色清洁且能量密度较高的能源,是推动能源结构转型的重要载体,发展氢能有助于提高可再生能源利用率,...
基于机器学习的气体燃料化学链制氢性能预测与载氧体优化方法

本发明属于化学链制氢催化材料数据智能分析。

背景技术:

1、氢能作为绿色清洁且能量密度较高的能源,是推动能源结构转型的重要载体,发展氢能有助于提高可再生能源利用率,推动绿色低碳经济发展。传统甲烷蒸汽重整制氢技术成熟度较高,是工业大规模制氢的主流技术,但存在反应速度慢、成本高、能耗高的不足。化学链制氢技术依托载氧体在燃料反应器与空气反应器之间的还原氧化反应,实现燃料分步转化与氢气生成,可降低能耗与分离成本,是具备发展潜力的低碳制氢技术。化学链制氢过程中,载氧体在多个反应器内循环发生氧化还原反应,其元素组成、粒径、载体类型以及反应温度、反应时间、进料量、氧水比、循环次数等多项因素,都会对产氢量、有效气产率和碳转化率产生影响。

2、当前载氧体筛选主要依靠试错实验或理论计算两种路径。传统实验方式需要逐一制备不同组分与配比的载氧体并开展反应测试,研发周期长且成本较高。理论计算虽可从微观层面分析材料反应特性,但在多元素、多工况、多反应路径耦合的化学链制氢体系中,难以快速覆盖大量参数组合。此外现有方法通常仅能获取单一实验条件下的性能结果,难以从历史数据中挖掘载氧体元素组成、燃料特征与反应工况之间的非线性关系,也难以将数据分析结果直接反馈至载氧体配比设计和反应工况优化过程中,不利于载氧体性能的快速提升与工况参数的高效优化。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的气体燃料化学链制氢性能预测与载氧体优化方法,用于解决载氧体筛选依赖试错实验效率低,多变量耦合非线性关系难以挖掘的问题。

2、为实现上述目的,本发明提供以下技术方案:

3、一种基于机器学习的气体燃料化学链制氢性能预测与载氧体优化方法,包括以下步骤:

4、对气体燃料化学链制氢的实验数据进行采集与整合,得到原始数据集;

5、对所述原始数据集进行预处理与特征工程筛选,得到建模数据集;

6、对所述建模数据集进行样本划分,得到训练集与测试集,同时构建多种候选机器学习模型;

7、利用所述训练集和测试集对各候选机器学习模型进行训练与超参数调优,并采用超参数调优策略对候选机器学习模型进行训练和优化,得到多组经优化的预测模型;

8、依据所述预设评价指标对所述多组经优化的预测模型进行性能比对,确定目标预测模型;

9、将候选载氧体配比参数与反应工况参数输入所述目标预测模型执行产氢性能预测运算,同时结合模型解释方法对预测结果进行特征归因分析,得到影响产氢性能的关键输入特征及对应目标参数范围;

10、根据所述关键输入特征与所述目标参数范围生成载氧体配比及反应工况调节指令,将所述调节指令应用于化学链制氢验证实验。

11、在一种可能的实现方式中,所述对气体燃料化学链制氢的实验数据进行采集与整合的步骤包括:

12、对外公开发表文献中的化学链制氢反应记录进行检索与字段提取,得到文献来源实验数据;

13、对实验室实测得到的化学链制氢反应数据进行格式规整与字段对齐,得到实测来源实验数据;

14、对所述文献来源实验数据与所述实测来源实验数据进行合并与去重,得到所述原始数据集。

15、在一种可能的实现方式中,所述对所述原始数据集进行预处理与特征工程筛选的步骤包括:

16、对所述原始数据集中的缺失数值进行插值填补,对异常样本点进行检测与剔除,对全部特征参数进行标准化量纲处理,得到规整数据集;

17、对所述规整数据集中的各类输入特征进行相关性分析,筛选保留对产氢性能影响程度符合预设阈值的特征子集,得到所述建模数据集。

18、在一种可能的实现方式中,所述对所述建模数据集进行样本划分,得到训练集与测试集,同时构建多种候选机器学习模型的步骤包括:

19、按照预设比例,采用分层抽样方式拆分所述建模数据集,得到所述训练集与所述测试集;随后在所述训练集上采用交叉验证划分方式保障样本分布均衡性;

20、选取梯度提升类算法、支持向量类算法、随机森林类算法、自适应提升类算法与卷积神经网络类算法中的多种算法框架,搭建得到所述多种候选机器学习模型。

21、在一种可能的实现方式中,所述利用所述训练集和测试集对各候选机器学习模型进行训练,并采用超参数调优策略对候选机器学习模型进行训练和优化的步骤包括:

22、将所述训练集与测试集输入各候选机器学习模型进行拟合运算,采用交叉验证划分方式保障样本分布均衡性,建立输入特征与产氢性能结果之间的非线性映射关系;

23、采用两阶段超参数寻优策略,先通过随机采样方式筛选较优参数区间,再通过贝叶斯优化方式在所述参数区间内进行精细化寻优,得到所述多组经优化的预测模型。

24、在一种可能的实现方式中,依据所述预设评价指标对所述多组经优化的预测模型进行性能比对的步骤包括:

25、将所述测试集和测试集分别输入各组经优化的预测模型,计算得到决定系数、均方根误差、平均绝对误差与平均绝对百分比误差多组评价指标;

26、依据所述多组评价指标筛选预测精度与泛化能力最优的模型,确定为所述目标预测模型。

27、在一种可能的实现方式中,所述将候选载氧体配比参数与反应工况参数输入所述目标预测模型执行产氢性能预测运算,同时结合模型解释方法对预测结果进行特征归因分析的步骤包括:

28、将待验证的载氧体元素配比、气体燃料参数与反应工况参数输入所述目标预测模型,得到对应产氢性能预测结果;

29、采用多种模型解释方法对所述产氢性能预测结果进行特征重要性分析,得到所述关键输入特征及对应目标参数范围。

30、在一种可能的实现方式中,所述根据所述关键输入特征与所述目标参数范围生成载氧体配比及反应工况调节指令的步骤包括:

31、以产氢性能提升为优化目标,结合所述关键输入特征的目标参数范围生成载氧体元素配比调整方案与反应工况优化方案;

32、依据所述载氧体元素配比调整方案与所述反应工况优化方案制备对应载氧体材料并开展化学链制氢验证实验,采集得到验证实验的全流程反应数据。

33、在一种可能的实现方式中,所述将所述调节指令应用于化学链制氢验证实验,之后还包括:将验证实验产出的新增实验数据更新至所述原始数据集,基于更新后的数据集对所述目标预测模型进行迭代优化,其步骤包括:

34、将验证实验得到的气体燃料特征、载氧体特征、反应工况参数与对应产氢性能结果作为新增数据,补充至所述原始数据集,得到更新后的原始数据集;

35、对所述更新后的原始数据集重新执行预处理、特征工程筛选与模型训练操作,完成所述目标预测模型的迭代升级。

36、在一种可能的实现方式中,所述采用多种模型解释方法对所述产氢性能预测结果进行特征重要性分析的步骤包括:

37、通过特征重要性分析方法计算各输入特征的整体贡献排序;

38、通过shap值分析方法解析单样本维度的特征作用方向与作用强度;

39、通过部分依赖分析方法绘制特征与产氢性能的响应关系曲线;

40、结合三类分析结果共同确定所述关键输入特征及对应的目标参数范围。

41、本发明与现有技术相比,其有益效果在于:和传统依赖逐一试错实验的载氧体筛选方式相比,本发明通过整合多源实验数据构建数据集,训练机器学习模型建立输入特征与产氢性能之间的非线性映射关系,可直接对不同载氧体配比与反应工况组合进行性能预测,减少逐一实验测试的工作量,缩短载氧体研发周期,降低筛选过程的时间与物料成本。

42、和单因素分析或纯理论计算的方式相比,本发明结合多种模型解释方法对预测结果进行特征归因分析,能够从多变量耦合的数据中识别影响产氢性能的关键输入特征,量化各特征的作用方向与作用强度,并给出对应目标参数范围,目标参数范围可用于载氧体配比设计与反应工况调整,弥补现有方法难以挖掘多因素间非线性关联的不足。

43、本发明构建预测、解释、优化与实验反馈的闭环流程,将验证实验得到的新增数据回传至原始数据集,对目标预测模型进行迭代更新,使模型可随实验数据积累持续优化,逐步提升预测结果的可靠性与适应性,能够适用于不同气体燃料、不同载氧体体系的化学链制氢性能分析需求。