本发明涉及无机材料制备技术领域，更具体地，涉及一种智能化利用盐湖苦卤制备空心管状碱式碳酸镁晶须的方法。
背景技术：
苦卤，海水制盐工业的副产物，其中含有高浓度的镁离子，且我国副产物苦卤每年的总量高达1800万m3，因此，利用苦卤制备空心管状碱式碳酸镁晶须，不仅提高了苦卤的附加值，还可以降低空心管状碱式碳酸镁晶须的制造成本。但因地理及自然环境、海盐提取工艺等的不同，苦卤的pH值、含有的无机物离子种类和浓度各不相同，因此，每一批新的苦卤在制备空心管状碱式碳酸镁晶须的时候，都需要重新摸索其产生晶须的条件，需要消耗大量的时间，无法进行不间断的批量生产。
因此，提供一种可快速获得新苦卤制备空心管状碱式碳酸镁晶须的条件的方法，提高利用苦卤制备空心管状碱式碳酸镁晶须的效率，降低其时间成本、人力和物力的方法，具有重要的经济应用价值。
技术实现要素：
本发明的目的在于克服上述现有技术中的缺点和不足，提供一种智能化利用盐湖苦卤制备空心管状碱式碳酸镁晶须的方法。
本发明在利用苦卤制备空心管状碱式碳酸镁晶须的过程中，引入了BP-PSO(神经网络-粒子群算法，Back Propagation-Particle Swarm Optimization)，应用其自适应性、学习能力和大规模并行计算能力，且能快速搜索到最优值的优势，经过对苦卤样本数据进行采集和分析，可快速得知新苦卤制备空心管状碱式碳酸镁晶须的条件，省去人工一一摸索最佳条件的过程，即节省人力、物力，又提高了利用盐湖苦卤制备空心管状碱式碳酸镁晶须的效率。
本发明的上述目的是通过以下方法予以实现的：
一种智能化利用盐湖苦卤制备空心管状碱式碳酸镁晶须的方法，包括如下步骤：
S1.将利用盐湖苦卤制备空心管状碱式碳酸镁晶须的多组实验数据用于训练PSO优化的BP神经网络，所述实验数据包括制备参数和实验结果，实验数据的组数大于等于100组；
所述PSO的数学模型是：
vij(t+1)＝vij(t)+c1r1j(t)[pij(t)-xij(t)]+c2r2j(t)[gj(t)-xij(t)] (1)
xij(t+1)＝xij(t)+vij(t+1) (2)
式(1)和式(2)中，j为粒子的第j维，i为第i个粒子；t表示当前进化代数；vij(t)隐含层第i个节点到第j个节点之间的权值；p ij(t)粒子i所经过j的位置；gij(t)粒子群i所经过j的位置；xij(t)当前粒子i在j的位置；c1和c2都是位移变化的限定因子，为预设值；r为随机函数；
PSO优化BP神经网络是使(3)式J值最小，J为均方差指标；
式(3)中，N是训练样本总数，是第i个样本的第j个神经节点的目标输出值，yj,i是第i个样本的第j个神经节点的实际输出值，M是神经元的个数；
S2.在S1中训练后的所述PSO优化的BP神经网络能够随着盐湖苦卤的理化性质变化而给出优化制备参数、预测实验结果；采用所述优化制备参数，制备得到空心管状碱式碳酸镁晶须。
优选地，c1和c2都是位移变化的限定因子，为预设值，通常取值为2。
BP(Back Propagation)神经网络是一种按误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络模型之一。它能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，具有较强的自适应性、学习能力和大规模并行计算能力。因此，可以采用BP神经网络对苦卤样本数据进行采集和分析，快速得知新苦卤制备空心管状碱式碳酸镁晶须的条件，具有快速、准确的优点。但是BP神经网络单独使用时，存在样本需求量大、收敛速度慢、泛化能力弱等不足。
PSO是近年来发展起来的一种新的进化算法，是通过适应度来评价解的品质，通过追随当前搜索到的最优值来寻找全局最优，具有实现容易、精度高、收敛快等优点。
为此，应用PSO优化BP神经网络将实验数据实现数字智能化，以随时可为“从复杂多变的苦卤中生产碱式硫酸镁晶须”进行问题求解，实验数据智能化后，弥补BP神经网络的不足，让BP-PSO的误差更小、准确度更高。采用BP-PSO对复杂多变的苦卤进行分析，可快速、随时为苦卤生产晶须提供最优的实验方案及准确预测实验结果，无需耗费大量的人力、物力和时间成本。
PSO优化的BP神经网络的过程如图3所示。
优选地，所述制备参数包括镁离子浓度、苦卤体积、Na2CO3-NaHCO3缓冲液体积、碳酸氢盐的体积和浓度、反应温度、反应时间和体系pH值。
优选地，所述碳酸氢盐为碳酸氢钠、碳酸氢钾和碳酸氢铵。
更优选地，所述碳酸氢盐为碳酸氢钠。
以苦卤、Na2CO3-NaHCO3缓冲液和碳酸氢盐溶液为原料，制备空心管状碱式碳酸镁晶须方法的具体实验操作以及制备参数可参考现有技术得到。
优选地，所述实验结果包括晶须比率。
优选地，所述PSO优化的BP神经网络的算法流程为：确定网络拓扑结构，然后初始BP神经网络权值阈值长度，然后获取最优权阈值，然后计算误差，然后权值阈值更新，如果满足结束条件，则仿真预测得到结果，如果不满足结束条件，则返回到计算误差，直至满足结束条件，最终仿真预测得到结果；所述获取最优权值阈值采用离子群算法得到，所述离子群算法的流程为，离子和速度初始化，然后粒子适应度值计算，然后寻找个体极值和群体极值，然后速度更新和位置更新，然后离子适应度值计算，然后个体极值和群体极值，如果满足条件，则获取最优权阈值，如果不满足条件，则返回到速度更新和位置更新，直至满足条件，获取最优权值阈值。
所述数据组数越多，PSO优化的BP神经网络的预测实验结果越准确。
与现有技术相比，本发明的具有以下优点和有益效果：
本发明应用PSO优化BP神经网络将实验数据实现数字智能化，可随时为苦卤生产晶须提供最优的实验方案及准确预测实验结果，大大减少了因摸索性试验而带来大量的人力、物力与时间和资源的浪费。
附图说明
图1为PSO优化BP神经网络算法流程示意图。
图2为利用盐湖苦卤制备空心管状碱式碳酸镁晶须的制备参数训练PSO-BP神经网络示意图。
图3为PSO-BP神经网络的训练过程。
具体实施例
下面结合具体实施例进一步说明本发明的内容，但不应理解为对本发明的限制。在不背离本发明精神和实质的情况下，对本发明方法、步骤或条件所作的简单修改或替换，均属于本发明的范围；若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
实施例1 PSO-BP神经网络求解示例
以下通过表1作对PSO-BP神经网络求解过程做简要说明。表1给出了5组实验数据，其中第Ⅰ、Ⅱ、Ⅲ组是已做的实验并给出了制备参数与实验结果，第Ⅳ和Ⅴ组均有多个参数(或结果)是未知的(未知值均用问号标出)。用第Ⅰ、Ⅱ、Ⅲ组数据训练BP神经网络(训练数据组越多越好)，BP神经网络经训练后便有了“如何优化制备晶须方案并且使结果最优”的智能算法，便可指导依据第Ⅳ组或Ⅴ组实验中输入的已知数据，按照以前已生成的智能算法进行计算出剩下未知的数据。表1中晶须比率是将制备得到的空心管状碱式碳酸镁晶须用扫描显微镜观察，并通过XRD测试确认制备得到的晶须为目标产物，并计算质量分数得到的结果。
例如，在第Ⅴ组中，已知苦卤镁离子浓度为3.2mol/L，体积为400.0mL，现有碱的浓度为1.0mol/L，苦卤温度为19℃，假定要制备出比率为93％的晶须，请问其他的制备参数应是多少？又假定按给出的参数进行实验后，结果比率仅有90％，主要原因是什么？应对参数作怎样的调整？所有这些问题都可让PSO-BP神经网络依据之前训练后生成的智能算法快速得到答案。
其中PSO-BP神经网络算法流程如图1所示，PSO优化的BP神经网络的算法流程为：确定网络拓扑结构，然后初始BP神经网络权值阈值长度，然后获取最优权阈值，然后计算误差，然后权值阈值更新，如果满足结束条件，则仿真预测得到结果，如果不满足结束条件，则返回到计算误差，直至满足结束条件，最终仿真预测得到结果；其中获取最优权值阈值采用离子群算法得到，所述离子群算法的流程为，离子和速度初始化，然后粒子适应度值计算，然后寻找个体极值和群体极值，然后速度更新和位置更新，然后离子适应度值计算，然后个体极值和群体极值，如果满足条件，则获取最优权阈值，如果不满足条件，则返回到速度更新和位置更新，直至满足条件，获取最优权值阈值。
表1 PSO-BP神经网络求解示例
实施例2
1、按照以下方法制备空心管状碱式碳酸镁晶须，并记录实验过程中的所有参数和过程：
(1)取察尔汗盐湖苦卤500mL，过滤并弃去不溶物；使得镁离子浓度为2.4mol/L；配制Na2CO3-NaHCO3缓冲液和1.500mol/L的NaHCO3溶液；
(2)取90mL上述苦卤，向其中滴加1.500mol/L的NaHCO3溶液90mL；在滴加Na2CO3-NaHCO3缓冲液使得反应体系的pH值调至9.0；
(3)将上述混合体系置于水温为28℃的水浴锅中陈化48h；然后过滤，收集晶须并用水洗涤3次，再置于烘箱中(T＝60±3℃,t＝24h)烘干，即得空心管状碱式碳酸镁晶须。将得到的晶须进行XRD测试，验证得到的是空心管状碱式碳酸镁晶须，并计算其质量份数。
记录上述实验过程中苦卤体积、镁离子浓度、NaHCO3的浓度和体积、体系的pH值、反应温度、反应时间和晶须比率(即晶须的质量分数)。除晶须比率外，并改变上述参数中的一种或多种并重复上述实验100次，记录得到100组数据。
2、PSO-BP神经网络训化
(1)将上述得到的100组数据输入PSO-BP神经网络，训练PSO-BP神经网络，让其生成关于苦卤体积、镁离子浓度、NaHCO3的浓度和体积、体系的pH值、反应温度、反应时间和晶须比率之间的算法；
(2)算法生成后，改变上述参数并输入数据，PSO-BP神经网络能够依据所生成的算法和输入的参数预测晶须比率，最终得到取优的一个数据组，这一组数据就是化学工艺中最优的，在以后的生产中直接依据这个优化的数据来进入生产空心管状碱式碳酸镁晶须。
本实施例中训练PSO-BP神经网络的数据和结果如表2所示，表2中给出了5组代表数据，其他的训练未列在表中。将晶须比率的按照从低到高的顺序排列，分别用数字1、2、3、4、5表示，训练的目的就是使实际输出值无穷接近期望输出值(期望输出值就是实际上实验得到的结果)，一旦达到目的，训练结束。从表2中可知，期望输出值与实际输出值两者十分接近，误差很小，证明本发明准确性较好。
表2 BP神经网络预测训练