一种BWO/MIL光催化活性在线预测方法

本发明涉及纳米复合材料的光催化活性预测，尤其涉及一种bwo/mil光催化活性在线预测方法。

背景技术：

1、bi2wo6光催化剂具有低成本、无毒、窄带隙、理化稳定性高等优点，但其固有的缺点，如光生电子和空穴的结合率高、光吸收区窄等影响其催化性能。mil-53(al)作为一种铝基金属有机框架，由于其较大的比表面积和较高的热稳定性，是一种优良的催化剂载体。bi2wo6/mil-53(al)(简称bwo/mil)异质结增强了可见光照射下染料罗丹明b(rhb)在水中的降解。bwo/mil纳米复合材料在光催化分解水制氢与光催化降解有机污染物方面具有良好的应用前景。然而，在巨大的合成空间中，影响bwo/mil光催化活性的因素很多，如何快速且精确地预测bwo/mil纳米复合材料光催化活性成为亟待解决的问题。

2、bwo/mil纳米复合材料合成的过程如下：金属有机骨架材料mil-53(al)的制备是基于mounfield等[1]所报道的水热法。bi2wo6的制备依据zhang等[2]使用的水热法的基础上进行了一定的修改[3]。bwo/mil的制备是基于合成bi2wo6的水热法，即将成品金属有机骨架材料mil-53(al)作为前驱物之一，在适当步骤引入到合成过程。典型的合成步骤如下：称取2mmol的bi(no3)3·5h2o，溶于25ml摩尔浓度为chn的hno3中，在室温下不断搅拌，使bi(no3)3·5h2o充分溶解，得到bi(no3)3溶液。将1mmol na2wo4·2h2o和dsur g的表面活性剂su一并溶于20ml sol溶液中，得到钨酸钠溶液，再将1/rmol mmol上述制备的mil-53(al)与钨酸钠溶液进行均匀混合，超声分散处理30min，并在搅拌条件下，逐滴加入bi(no3)3溶液到上述混合液中。用rph溶液调节混合液的ph至vph，磁力搅拌tstir小时。将所得混合液转移到100ml含聚四氟乙烯内衬的高压釜中，放入温度为th℃的烘箱中反应thy小时。用cm法将反应产物冷却至室温，再对反应产物进行离心、二次蒸馏水洗涤2次和无水乙醇洗涤1次，置于温度为tdry℃的dm中干燥10小时，所得的固体粉末为bwo/mil。

3、[1]mounfield,w.p.and walton k.s.,effect of synthesis solvent on thebreathing behavior of mil-53(al).journal of colloid and interface science,2015,447,33-39.

4、[2]zhang,y.h.,zhang n.,tang z.r.,et al.,identification of bi2wo6 as ahighly selective visible-light photocatalyst toward oxidation of glycerol todihydroxyacetone in water.chemical science,2013,4(4),1820-1824.

5、[3]zhang,y.y.,degradation of aqueous refractory organic pollutants bypms activated with mnfe2o4/mil-53(al)or visible-light photocatalysts compositebi2wo6/mil-53(al)and composite film bi2wo6/mil-53(al)/pvdf.ma thesis,shanghaiuniversity,2018.

技术实现思路

1、为了快速且准确地预测bwo/mil纳米复合材料光催化活性，本申请提供了一种bwo/mil光催化活性在线预测方法。

2、本发明通过以下技术方案来实现上述目的：

3、一种bwo/mil光催化活性在线预测方法，包括以下步骤：

4、包括以下步骤：

5、步骤1、基于bwo/mil纳米复合材料的染料rhb的降解率(简称drrhb)及对应的实验条件建立样本数据集；

6、步骤2、将样本数据集划分为训练集和测试集；

7、步骤3、以drrhb为模型预测的目标变量，各实验条件为自变量，分析各变量间的相关性，便于对变量进行初步筛选；

8、步骤4、采用基于支持向量回归的前进算法对训练集进行进一步的变量筛选以获取用于建模的关键特征集；

9、步骤5、基于关键特征集及支持向量回归算法对bwo/mil光催化活性的训练集进行留一法交叉验证；

10、步骤6、由于留一法交叉验证的相关系数较低，利用关键特征建立新的数据集；

11、步骤7、对于新数据集中的变量进行相关性分析，结合最大相关与最小冗余方法(简称mrmr)，删除相关性高和mrmr排序在后的变量后，剩余的变量组成新的训练集；

12、步骤8、采用基于支持向量回归的遗传算法对新训练集进行变量筛选以获得新的最优变量子集；

13、步骤9、利用新的最优变量子集建立预测bwo/mil光催化活性的支持向量回归模型。

14、步骤10、基于测试集对bwo/mil光催化活性预测模型进行测试；

15、步骤11、基于测试通过后的bwo/mil光催化活性预测模型建立在线预测程序，通过在线预测程序进行在线预测。

16、进一步地方案为，所述步骤2在进行样本数据集划分前包括数据预处理。

17、进一步地方案为，所述数据预处理包括删除离群点与数据标准化。

18、进一步地方案为，所述利用前进算法获得的最优变量子集中的变量数为4个。

19、进一步地方案为，所述最优变量子集中的变量具体为：硝酸浓度(chn)、表面活性剂(su)、水热温度(th)和bi2wo6与mil-53(al)的摩尔比(rmol)。

20、进一步地方案为，所述利用基于支持向量回归的遗传算法获得的最优变量子集中的变量数为4个。

21、进一步地方案为，所述新的最优变量子集中的变量具体为：rmol、sum5(即，su与rmol之和)、sum8(即，chn,su与rmol之和)和sum9(即，su,th与rmol之和)。

22、进一步地方案为，所述删除相关性高和mrmr排序在后的变量后，剩余的变量数为15个。

23、本发明的有益效果在于：

24、本发明的一种bwo/mil光催化活性在线预测方法，通过建立新收集的bwo/mil数据集，通过变量筛选找到影响bwo/mil光催化活性的最优变量；基于最优变量与支持向量回归算法建立预测模型，可以达到快速且准确预测光催化活性的效果；在筛选最优变量子集时采用基于支持向量回归的前进算法与遗传算法，达到有效地筛选出影响bwo/mil光催化活性的最优变量子集。

技术特征：

1.一种bwo/mil光催化活性在线预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种bwo/mil光催化活性在线预测方法，其特征在于，所述步骤2在进行样本数据集划分前包括数据预处理。

3.如权利要求2所述的一种bwo/mil光催化活性在线预测方法，其特征在于，所述数据预处理包括删除离群点与数据标准化。

4.如权利要求1所述的一种bwo/mil光催化活性在线预测方法，其特征在于，所述利用前进算法获得的最优变量子集中的变量数为4个。

5.如权利要求4所述的一种bwo/mil光催化活性在线预测方法，其特征在于，所述最优变量子集中的变量具体为：硝酸浓度(chn)、表面活性剂(su)、水热温度(th)和bi2wo6与mil-53(al)的摩尔比(rmol)。

6.如权利要求1所述的一种bwo/mil光催化活性在线预测方法，其特征在于，所述利用基于支持向量回归的遗传算法获得的最优变量子集中的变量数为4个。

7.如权利要求6所述的一种bwo/mil光催化活性在线预测方法，其特征在于，所述新的最优变量子集中的变量具体为：rmol、sum5(即，su与rmol之和)、sum8(即，chn,su与rmol之和)和sum9(即，su,th与rmol之和)。

8.如权利要求1所述的一种bwo/mil光催化活性在线预测方法，其特征在于，所述删除相关性高和mrmr排序在后的变量后，剩余的变量数为15个。

技术总结
本发明公开了一种BWO/MIL光催化活性在线预测方法，包括：基于染料RhB降解率及对应的实验条件建立样本数据集；样本数据集划分；以染料RhB降解率为模型预测的目标变量提取自变量，分析各变量间的相关性；筛选自变量以获取关键特征集；基于关键特征集及支持向量回归算法对BWO/MIL光催化活性的训练集进行留一法交叉验证；基于关键特征集，形成新的变量；删除相关性高和mRMR排序在后的变量后，剩余的变量组成新的训练集；对新训练集进行变量筛选以获得新的最优变量子集；建立BWO/MIL光催化活性预测模型；模型测试；建立在线预测程序并进行在线预测。采用上述方式可以快速且准确地预测相应纳米复合材料的光催化活性。

技术研发人员：翟秀云,陈明通,谭永宏,包本刚,刘杰,蒋小健
受保护的技术使用者：湖南科技学院
技术研发日：
技术公布日：2024/1/25