指导薄膜纳米复合纳滤膜设计的多任务深度学习方法

本发明涉及纳滤膜，尤其涉及一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法。

背景技术：

1、有机溶剂中的固体颗粒或杂质是化工合成，制药和食品等领域的生产过程的重大障碍，提高有机物溶剂的纯度和质量对于这些领域的研究和生产是至关重要的。为了提高产品的纯度和质量，薄膜纳米复合纳滤膜已经在化工、医药与食品工业等领域中的有机溶液介质分离和溶剂回用方面被广泛应用并且有着显著的优势，但是其性能受限于膜的渗透率和选择性的权衡。

2、为了更进一步提升薄膜纳米复合纳滤膜的性能，人们开始优化膜制备参数和纳米材料性质等参数。常见的方法包括人工试错、正交实验法、部分因子法和传统机器学习方法。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且很难得到较优的膜性能。传统机器学习方法的时间成本减小且在常见的回归任务上能够取得不错的精度。但是对于多输出变量存在隐含关系的情况，传统机器学习模型一般很难适用。常用的深度学习模型，例如人工神经网络模型在面对小样本数据集的情况可能没办法展现出深度模型的优势，在数据集规模很小的情况甚至会表现出很糟糕的性能。

3、基于上述存在的问题，亟需一种能够快速且精确模拟膜性能的动态变化的方法，能够解决现有的优化方法所需时间成本高或无法学习膜的渗透率和选择性间制约关系的问题。

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、无法学习膜的渗透率和选择性间制约关系和预测精度较低的问题，本发明提出了一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，快速准确地预测薄膜纳米复合纳滤膜的性能并为其性能优化设计提供决策。实验结果表明，本发明所提出的改进的多任务深度学习方法在对薄膜纳米复合纳滤膜的相对渗透率和相对选择性的预测上取得了较优秀的精度，其中在测试集上相对渗透率和相对选择性的决定系数分别达到了0.950和0.908(决定系数越接近1表示预测结果越好)。

2、本发明的目的通过如下方法实现：

3、一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，步骤为：

4、s1：将纳米粒子大小，纳米粒子装填量，胺单体浓度和氯单体浓度作为待优化的目标参数并将其与其余参数相互组合得到输入数据，输入数据包括膜制造条件、膜性能、纳米颗粒材料性能和有机溶剂纳滤条件四大类；

5、s2：将输入数据送入预测模型中；

6、s3：获取输入数据对应薄膜纳米复合纳滤膜的渗透率和选择性；

7、s4：判断输出的性能是否满足预期要求；

8、s5：如果满足要求则记录输入数据对应的膜制备条件指导薄膜纳米复合纳滤膜的设计；

9、s6：如果不满足要求则回到第一步继续优化目标参数。

10、进一步地，s1步骤的具体实现为：

11、模型所用到的影响参数一共包括膜制造条件，膜性能，纳米粒子材料性能和有机溶剂纳滤条件四类影响参数，选取在膜制备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，胺单体浓度和氯单体浓度作为待优化的目标参数，其余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；

12、进一步地，s2步骤的具体实现为：

13、输入数据在经过数据预处理操作之后得到最终的输入数据格式；将处理后的输入数据送入预测模型.

14、进一步地，s3步骤的具体实现为：

15、处理后的数据送入预测模型之后得到薄膜纳米复合纳滤膜的相对渗透率和相对选择性；从输入数据获取其控制膜的渗透率和选择性，并计算得到输入数据对应的渗透率和选择性。

16、进一步地，s4步骤的具体实现为：

17、根据已有数据对应的薄膜纳米复合纳滤膜的渗透率和选择性得到现有膜的性能上界；判断通过本发明优化得到的薄膜纳米复合纳滤膜的性能是否能够超过现有的性能上界；

18、进一步地，s5步骤的具体实现为：

19、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；所记录的数据够为薄膜纳米复合纳滤膜的性能优化提供决策并促进高性能薄膜纳米复合纳滤膜的设计。

20、进一步地，s6步骤的具体实现为：

21、如果没有超过现有膜的性能上界，则返回到步骤s1继续进行目标参数的优化。

22、进一步地，预测模型的训练过程如下：构建模型并随机初始化权重；获取训练数据送入模型进行训练；对训练数据进行数据预处理；对模型超参数进行优化以获得泛化能力更优秀的模型；根据实验值和预测值之间的差异构建目标函数并尝试不同的更新策略进行更新；目标函数趋于最小化之后，模型的训练结束。

23、进一步地，数据预处理的具体内容如下：对于数据中的缺失值填补具体操作如下：对于缺失率较低的特征，使用数据统计特征的平均数进行填补，对于缺失率较高的特征，以特征之间的相关性为依据利用机器学习模型进行填补；对于数据中的分类特征使用混合编码完成编码操作；使用最大归一化进行数据的放缩：

24、

25、其中，x′是放缩后的值，x是放缩前的值，xmin是数据的最小数，xmax是数据的最大值；特征降维利用人工神经网络强大的特征提取和融合的能力进行自适应调整。

26、进一步地，目标函数和更新策略的具体内容如下：多任务深度学习模型的目标函数为：

27、

28、

29、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个数据对应相对渗透率的实验值和真实值，yi[1]和predi[1]分别为第j个批次中第i个数据对应相对选择性的实验值和真实值，n为一个批次的大小，losssum为损失函数，m为批次的总数；更新策略方案选择了adagrad、adam和sgd三种优化器，待优化的学习率取值范围为0.00001到0.1。

30、本发明的实现过程及成果：提出了一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，预测模型通过学习膜制造条件、膜性能、纳米粒子材料性能和有机溶剂纳滤条件四类影响参数中的有效信息并在训练过程中不断优化模型权重，从而快速准确地预测薄膜纳米复合纳滤膜的性能并为其性能优化设计提供决策。与现在的优化方法相比，本发明模拟薄膜纳米复合纳滤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人工神经网络模型，本发明在多输出变量之间存在隐含关系时具有更好的表现。并且通过模型超参数的优化和参数更新策略的选择，预测模型在结果评估上表现出优秀的泛化能力和预测精度。

技术特征：

1.一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，所述方法包括：

2.如权利要求1所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，所述的s1步骤具体包括：

3.如权利要求2所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，所述的s2步骤具体包括：

4.如权利要求3所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，所述的s3步骤具体包括：

5.如权利要求4所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，所述的s4步骤具体包括：

6.如权利要求5所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，所述的s5步骤具体包括：

7.如权利要求6所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，所述的s6步骤具体包括：

8.如权利要求1所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，预测模型的训练过程如下：

9.如权利要求3或8所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，数据预处理的具体内容如下：

10.如权利要求8所述的一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法，其特征在于，目标函数和更新策略的具体内容如下：

技术总结
本发明提出了一种指导薄膜纳米复合纳滤膜设计的多任务深度学习方法。包括：将纳米粒子大小，纳米粒子装填量，胺单体浓度和氯单体浓度作为待优化的目标参数并将其与其余参数相互组合得到输入数据，输入数据包括膜制造条件、膜性能、纳米颗粒材料性能和有机溶剂纳滤条件四类影响参数；将输入数据送入预测模型中；获取输入数据对应薄膜纳米复合纳滤膜的渗透率和选择性；判断输出的性能是否满足预期要求；如果满足要求则记录输入数据对应的膜制备条件用于指导薄膜纳米复合纳滤膜的设计；如果不满足要求则回到第一步继续优化目标参数。本发明能够降低训练成本，提高薄膜纳米复合纳滤膜预测精度并对其设计提供指导，促进高性能薄膜纳米复合纳滤膜设计。

技术研发人员：王允乾,李恒,曾斌
受保护的技术使用者：南昌大学
技术研发日：
技术公布日：2024/1/15