一种优化的用于预测薄膜纳米复合反渗透膜性能与设计辅助决策的深度学习方法

本发明涉及反渗透膜，尤其涉及一种优化的用于预测薄膜纳米复合反渗透膜性能与设计辅助决策的深度学习方法。

背景技术：

1、海水淡化是解决由人口增长和工业化发展所带来的水资源枯竭问题的重要方法。海水淡化主要采用蒸馏、离子交换和反渗透技术。其中，反渗透技术是应用最广泛的方法。其主要原理是利用高压将海水通过半透膜进行过滤，滤除盐分和杂质，从而获得淡水，降低了海水淡化的能耗和化学需求。因此，反渗透技术的改进是水资源有效利用的关键，具有重要的意义和前景。但是其应用受限于膜的水渗透率和盐截留率的权衡。

2、为了更进一步提升反渗透膜的性能，人们开始优化膜制备参数并通过薄膜纳米复合技术对反渗透膜进行优化。常见的方法包括人工试错法、实验验证法和机器学习方法。人工试错方法和常见的实验设计方法需要花费较长的时间用于参数的调整和实验验证，这依赖于制备人员的经验且很难得到较优的膜性能。机器学习方法主要依赖于对现有数据信息的挖掘和学习，当信息复杂度很高的时候往往需要大量的数据才能取得不错的预测能力。但是在反渗透膜领域，数据样本的获取难度高和影响参数的不统一等问题使得反渗透膜的数据规模很难扩大到预期规模，这使得传统机器学习模型一般很难适用。在数据样本不足的情况下，常用的全连接的神经网络模型也很难在信息复杂度很高的时候展现出不错的学习优势。

3、基于上述存在的问题，亟需一种能够在小样本数据下仍能模拟膜性能动态变化的复杂内在模式，并能够解决现有的优化方法所需时间成本高或学习能力不足的问题。

技术实现思路

1、为了克服现有优化方法中存在所需时间成本高、学习能力不足的问题，本发明提出了一种优化的用于预测薄膜纳米复合反渗透膜性能与设计辅助决策的深度学习方法，在小样本数据规模下，以不错的精度预测薄膜纳米复合反渗透膜的性能并为其设计提供辅助决策。实验结果表明，本发明所提出的优化的深度学习方法在对薄膜纳米复合反渗透膜的相对水渗透率和相对盐截留率的预测上取得了不错的精度，其中在测试集上相对水渗透率和相对盐截留率的决定系数分别达到了0.966和0.715。

2、本发明的目的通过如下技术方案实现：

3、一种优化的用于预测薄膜纳米复合反渗透膜性能与设计辅助决策的深度学习方法，包括以下步骤：

4、s1：将纳米粒子大小，纳米粒子形状，孔径，共价键，电荷性质，溶剂相，纳米粒子装填量，相对粗糙度，相对水接触角，控制水渗透率和控制盐截留率作为输入数据送入优化的深度学习模型中；

5、s2：通过学习策略对预测模型进行训练来改善模型的泛化能力；

6、s3：将纳米粒子大小和纳米粒子装填量作为待优化的目标参数，并将其余影响参数作为固定参数，通过组合目标参数和固定参数得到待验证的输入数据；

7、s4：将输入数据送入已完成训练的模型中，获取输入数据对应的控制水渗透率和控制盐截留率，判断预测得到的样本对应的性能是否符合要求；

8、s5：如果满足要求则记录对应的制备条件用于指导膜的设计，如果不满足要求则重新搜索目标参数对应的特征空间来优化目标参数。

9、进一步地，s1步骤的具体实现为：

10、模型所用到的影响参数一共包括膜性质和纳米粒子材料性质两大类影响参数，其中膜性质包括相对粗糙度，相对水接触角，控制水渗透率和控制盐截留率，纳米粒子材料性质包括纳米粒子大小，纳米粒子形状，孔径，共价键，电荷性质，溶剂相和纳米粒子装填量。对输入数据进行混合缺失值填补处理，独热编码处理和标准化处理后的数据送入预测模型用于训练。

11、进一步地，s2步骤的具体实现为：

12、模型的训练主要包括模型超参数的确定和模型参数的学习。其中模型超参数的确定主要分为两个阶段，第一个阶段通过随机搜索确定超参数的大致范围，第二个阶段通过网格搜索确定超参数的最终组合。模型参数的学习使用了余弦退火优化的学习策略，优化过程中学习率按照余弦曲线的规律变动，在加速模型收敛的同时还降低了模型陷入局部解的概率。

13、进一步地，s3步骤的具体实现为：

14、选取在制备膜之前能够预先控制或确定的纳米粒子大小，纳米粒子装填量作为待优化的目标参数，其余九个影响参数作为固定参数。并在可能取得较优膜性能的区域进行目标参数的数据采样，包括目标参数取值的边界区域和现有膜取得较优性能的区域；将目标参数集合和固定参数集合组合得到输入数据。

15、进一步地，s4步骤的具体实现为：

16、输入数据在经过训练好的模型处理后得到薄膜纳米复合反渗透膜的相对水渗透率和相对盐截留率，再从原始数据集中获取控制膜(没有加入纳米粒子的反渗透膜)的水渗透率和盐截留率，并计算得到数据样本对应的水渗透率和盐截留率。根据现有数据样本对应的膜性能得到现有膜的性能上界并判断通过本发明优化得到的影响参数组合所制备的膜的性能是否能够超过现有的性能上界。

17、进一步地，s5步骤的具体实现为：

18、如果超过了现有膜的性能上界，则记录对应的目标参数和固定参数的数值；所记录的数据够为膜的设计提供辅助决策并促进高性能薄膜纳米复合反渗透膜的设计。如果没有超过现有膜的性能上界，则返回到步骤s3继续进行目标参数的优化。

19、进一步地，对于数据中的缺失值填补具体操作如下：对于缺失率极高的特征字段，采取直接删除的方法进行处理以避免影响数据集的质量，对于缺失率中等的特征字段，使用机器学习模型进行填补，对于缺失率较低的特征字段，直接通过中位数统计特征进行填补；对于数据中的分类特征使用独热编码对类别特征进行编码工作，所编码的类别特征字段包括纳米粒子形状，共价键，电荷性质，溶剂相；并使用标准化对数据集进行放缩处理：

20、

21、其中，x′是放缩后的值，x是放缩前的值，xmean是数据的平均数，xstd是数据的标准差。

22、进一步地，超参数搜索的具体内容如下：模型的超参数包括模型的隐藏单元层数，隐藏单元数目，优化器种类，批次大小，学习率等。根据超参数的不同对取值范围进行初步确定。按照随机搜索策略在超参数空间中随机抽取一定数量的组合进行评估，并在初步确定各个超参数的大致范围后改用网格搜索的策略，通过遍历超参数的所有可能组合来寻找最优超参数。

23、进一步地，目标函数和更新策略的具体内容如下：模型参数的学习首先要构建模型并随机初始化权重，根据真实标签和预测标签之间的数值差异构建联合损失函数并尝试不同的更新策略进行更新，其中本发明使用的深度学习模型的损失函数为：

24、

25、

26、其中，lossj为第j个批次的损失函数，yi[0]和predi[0]分别为第j个批次中第i个数据对应相对水渗透率的真实值和预测值，yi[1]和predi[1]分别为第j个批次中第i个数据对应相对盐截留率的真实值和预测值，n为一个批次的大小，losssum为损失函数，m为批次的总数；

27、更新策略方案选择使用余弦退火优化的学习策略，余弦退火算法使用余弦函数来动态地调整学习率，避免在训练过程中出现梯度下降过快导致的震荡现象,进而提高模型的训练稳定性和泛化能力。

28、进一步地，模型的具体结构如下：

29、本发明提出的优化的深度学习模型使用了带有残差链接的三个子网络集成的网络结构，前两个子网络作为平行通路，分别主要负责学习薄膜纳米复合反渗透膜的相对水渗透率和相对盐截留率，而后一个子网络则主要负责学习两者之间的隐含关系。每个子网络结构都通过跳跃式连接对子模型的性能进行优化，并在每个子网络后面加上dropout层以防止模型出现过拟合现象。

30、进一步地，目标参数取值的具体策略如下：

31、通过统计分析确定两个目标参数的分布情况和分布特征，包括最大值，最小值，中位数和密度分布等。按照其分布情况，在可能取得较优膜性能的区域进行目标参数的数据采样，包括目标参数取值的边界区域和现有膜取得较优性能的区域。尤其关注于现有数据样本分布密度较低的特征空间区域，最后目标参数集合和固定参数集合组合得到输入数据。

32、本发明的有益效果是：

33、本发明提出了一种优化的用于预测薄膜纳米复合反渗透膜性能与设计辅助决策的深度学习方法，优化的深度学习模型通过从膜性质和纳米粒子性质两大类影响参数中学习并提取有效信息，并通过更新策略不断调整模型参数以提高模型的泛化能力，从而准确地预测薄膜纳米复合反渗透膜的性能并为其设计提供辅助决策。与现在方法相比，本发明模拟薄膜纳米复合反渗透膜的性能所需的时间成本低，而且相比于传统机器学习模型和全连接神经网络模型，在数据样本不足的情况下，本发明所提出的模型仍能具有不错的表现。优化的深度模型在性能预测的评估上表现出不错的泛化能力，这对于薄膜纳米复合反渗透膜的优化与应用具有积极的作用。