申请/专利权人:南方科技大学
申请日:2023-12-05
公开(公告)日:2024-04-09
公开(公告)号:CN117854632A
主分类号:G16C20/70
分类号:G16C20/70;B09C1/10;G16C20/10;G06N3/06;G06N3/084;G06Q50/26
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明属于重金属污染修复技术领域,具体公开了一种基于铁生物地球化学机制的强化自然重金属污染修复方法,具体包括一种铁还原速率预测模型及其构建方法和应用。本发明的修复技术包括以下步骤:数据收集;神经元网络模型的建立;初始设置;权重矩阵和偏置向量的计算;反向梯度进行链式求导;模型精准度评价获得最优模型;预测与土壤实际修复。本发明利用机器学习对铁还原速率进行计算和预测,为重金属的释放速率提供可靠预测,从而可以在实际应用中优化土壤重金属的修复参数,在满足地下水修复目标值的基础上实现重金属的修复过程。本发明还提供一种铁还原速率预测模型和重金属污染土壤的修复方法及其在重金属污染修复中的应用。
主权项:1.一种铁还原速率预测模型的构建方法,其特征在于,包括以下步骤:S1、数据收集:收集不同应用条件下铁还原速率的反应数据;S2、神经元网络模型的建立:建立一个z层的神经网络,包括单层输入层、z层隐含层和单层输出层;S3、初始设置:设定输入层和隐含层以及隐含层和输出层之间的权重矩阵与偏置向量,定义输入层和第一层隐含层,第二层隐含层和第三层隐含层之间,…,和第z层隐含层和输出层之间的激活函数分别为f1,f2,…,和fz+1;S4、正向运算:通过权重矩阵和偏置向量,基于输入层的输入向量,正向逐层计算,得到后续隐含层和输出层网络中的输入向量与输出向量,即得到隐含层和输出层中每个神经元的输入值和输出值;S5、反向梯度求导:定义损失函数为输出向量的均方误差,通过反向梯度进行链式求导以获得各层权重矩阵和偏置向量的值使得损失函数最小;S6、模型精准度评价:通过迭代运算,逐层更新权重,以获得最优的网络参数,每次训练得到的铁还原速率预测值与实际铁还原速率通过决定系数和均方根误差对模型进行精准度评价,寻找到决定系数和均方根误差为最优的精度时,即得最优模型;其中,步骤S1所述反应数据包括但不限于:初始三价铁浓度、初始有机物的反应电子数、初始菌浓度、通过铁矿物的溶解度常数减去3倍的pOH计算得到的pFe、实际铁还原速率;步骤S2所述输入层的输入向量包括但不限于:初始三价铁浓度、初始有机物的反应电子数、初始菌浓度、通过铁矿物的溶解度常数减去3倍的pOH计算得到的pFe;步骤S2所述输出层的输出向量包括但不限于:铁还原速率。
全文数据:
权利要求:
百度查询: 南方科技大学 基于铁生物地球化学机制的强化自然重金属污染修复方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。