机器学习在碳基环境功能材料领域的应用研究进展

随着环境功能材料领域产生的数据量及其数据复杂性急剧增加,高成本、长周期的传统实验手段已无法迎合目前功能材料的发展趋势。近年来迅速发展的机器学习能对数据进行深入挖掘和解析,有望为此类问题提供有效的解决方案。机器学习具备效率高、精度高等优势,有效弥补了传统"试错"方式的不足。介绍了机器学习的基本工作原理和算法,从预测理化性质、辅助微观表征和指导新型材料合成3个方面简述了机器学习在环境碳基功能材料领域中的应用研究进展,分析了机器学习在该领域的问题与挑战,展望了机器学习方法在环境碳基功能材料领域的前景与发展趋势。     

核电材料辐照损伤的多尺度高通量计算模拟

反应堆压力容器用钢等核电材料在持续服役中,由于中子辐照造成其内部缺陷不断累积,致使材料组织结构损伤、性能劣化,对核电安全运行形成潜在威胁。多尺度计算模拟是探索辐照缺陷演化机理的有效手段,结合等效缺陷结构理论,有望实现核电材料服役行为的高效评价与预测。文中综述了多尺度计算模拟在核电材料辐照缺陷演化相关研究领域的进展,并对缺陷结构的多尺度演化本质及相应的多尺度高通量计算模拟方法进行了分析讨论。结果表明,通过缺陷结构特征能量等效传递的方法可以实现从第一性原理计算到缺陷扩散反应动力学等高通量计算模拟的跨尺度耦合;通过多尺度高通量计算模拟得到的缺陷演化热力学和动力学数据,可以搭建用于预测核电材料长期服役行为的材料基因工程数据库;在材料缺陷结构特征能量-组织结构-性能关联性探讨基础上,应用高通量计算模拟,辅以高通量实验数据验证,有望建立基于材料基因组结构能的服役安全工程模型。     

基于机器学习方法的小麦镉富集因子预测

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R²=0.583)和BPNN(R²=0.490)模型预测性能均优于Freundlich转移方程(R²=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R²为0.527～0.601)较BPNN(R²为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.     

基于机器学习的金属有机框架吸附水中重金属性能预测

为了能准确预测金属有机框架材料(MOFs)对水中重金属的吸附性能,收集了48篇文献中的MOFs结构特征和成分特性,以及吸附水中重金属的实验参数建立数据集,训练并评价了6种回归模型,包括支持向量回归(SVR)、K-最近邻(KNN)、提升法(AdaBoost)、梯度提升树(GBDT)、随机森林(RF)和袋装法(Bagging).结果表明:基于树的集成学习模型的预测性能表现优异,其中以GBDT算法训练的模型性能最佳;进一步应用该模型,证明了机器学习方法可以准确预测MOFs对水中重金属的吸附性能;排列重要性与部分依赖图(PDP)显示,除了可控的实验参数外,影响吸附量的重要因素是MOFs的孔径、比表面积、孔体积.本研究中的方法不仅能预测MOFs结构和性能的关系,还可以基于有效的实验参数模拟水中重金属的去除,进而为吸附材料的筛选优化提供参考.     

新还原模型在深基坑变形预测中的应用

以深基坑实际变形监测资料为基础,应用新还原预测模型对某基坑进行了变形模型的计算、精度分析与变形预测,得到了基坑变形新还原模型的形预测结果.对比新还原模型与原始模型结果表明:新还原模型的原点误差相对于原始模型大为减少,模型精度和预测精度都得到较大的提高,可用于基坑变形的预测与分析.     

机器学习加速能源环境催化材料的创新研究

“双碳”背景下，加快研发高效的能源与环境催化材料有助于推进能源清洁利用和环境污染治理。传统催化材料研发模式主要依赖实验试错方法，难以满足能源与环境领域对高效催化材料的研发需求。快速发展的机器学习等数据科学技术为催化材料研发带来范式变革的契机。基于机器学习、实验数据和计算数据的有机结合，可对催化材料进行快速筛选，突破传统试错法的局限性，有利于解决催化剂研发效率低、成本高等难题。本文从催化材料的位点预测、配方筛选、构型设计以及反应路径优化等角度讨论了机器学习方法加快能源与环境催化材料创新的研究进展，分析了不同训练数据获取途径对应的机器学习方法构建及其在催化材料开发中的应用，展望了机器学习加快催化材料研究方法创新的发展趋势，以期为促进其在能源与环境领域的应用提供启示。     

基于端到端深度学习的有机光伏材料光电转化效率预测

碳中和背景下,亟需开发高效清洁的新型能源,以减少对化石能源的依赖。有机光伏材料作为一种可将太阳能或其他光能直接转化为电能的材料,日益成为一种具有重大应用前景的低碳能源材料。在探索新的高性能有机光伏材料的过程中,机器学习虽然能够提高材料设计效率,但其预测能力极大受制于描述符的开发和选取。利用循环神经网络、卷积神经网络、图神经网络等算法,构建端到端的深度学习模型预测有机光伏材料光电转化效率,所建模型可直接从SMILES符号、分子图像、分子图网络中提取化合物结构信息,而无须人为开发和选取描述符。所得模型不仅能够较为准确地预测有机光伏材料的光电转化效率(其中最优模型五折交叉验证结果和测试集预测结果决定系数均>0.73),而且能够识别影响转化效率的关键结构特征。该研究结果可为新型环境功能材料设计提供理论参考。     

基于改进麻雀搜索算法优化BP神经网络的土壤有机质空间分布预测

土壤有机质是衡量土壤肥力的重要指标,提高区域有机质空间分布预测精度十分必要.利用黄河流域卫宁平原采集的1 690个土壤表层（0~20 cm）有机质及自然环境、人类活动数据,通过1 348个点采用经典统计学、确定性插值、地统计插值和机器学习的方法分别建立了土壤有机质空间分布预测模型,以342个样点数据为测试集检验分析不同模型预测精度.结果表明,卫宁平原土壤表层ω（SOM）的平均值为14.34 g·kg^-1,1 690个采样点土壤有机质变异系数为34.81%,为中等程度变异,呈现出东北部、西南地区含量低,中间黄河左右岸和地势平缓的黄河阶地相对含量高的空间分布趋势.4类方法的预测精度大小为：机器学习法>地统计插值方法>确定性插值方法>经典统计学方法.通过对比,基于改进麻雀搜索算法优化的BP神经网络预测精度最好,改进后的麻雀搜索算法具有更优的收敛精度,避免了陷入局部最优,防止了数据过拟合,具有较好的预测能力,该优化算法可以提高土壤有机质含量预测精度,在土壤属性预测上有良好的应用前景.     

基于自适应调整蚁群-RBF神经网络模型的中长期径流预测

径流预测历来是水利部门的一项重要工作,针对水库和河流中长期径流预测精度不高,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节人工蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑影响径流预变化因素,对安康水库进行中长期径流预测。对预测效果进行检验,结果证实该模型可真实地反映河川径流变化的总体趋势, 并为判断时间序列数据的非线性提供了一种新方法。与RBF神经网络模型、人工蚁群-RBF神经网络模型预测结果进行对比,结果表明,应用ARACS-RBF模型对中长期径流量进行预测,预测精度更高、效果更好。该方法克服了RBF神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了径流预测的精度,置信度为98%时的预测相对误差小于6.5%。可有效用于水库和河川中长期径流预测。     

基于注意力机制优化的BiLSTM珠江口水质预测模型

为提高珠江口水质预测精度和稳定性,提出了基于时间和特征双注意力机制优化的BiLSTM水质预测模型,引入特征注意力机制强化模型捕获参数重要特征能力,加入时间注意力机制提高对时间序列相关性信息及水质波动细节信息的挖掘能力.将新模型应用于珠江8个入海口水质预测,开展预测性能试验、泛化能力试验和特征参数扩展性试验.结果表明:①新模型在珠海大桥水质预测取得了较高的预测精度,预测值与实测值的均方根误差RMSE为0.004 1 mg·L^-1,决定系数R²为98.3 %.与Multi-BiLSTM、Multi-LSTM、BiLSTM和LSTM对比,表明新模型预测精度最高,验证了模型的精准性.②训练样本数量和预测步数均对模型预测精度产生影响,模型预测精度随着训练样本的增加而提升,海珠大桥断面总磷预测时,240组以上训练样本可获得较高预测精度;增加预测步数,会使模型预测精度迅速下降,预测步数大于5步时无法保障模型预测的可靠性.③将新模型应用于珠江8个入海口不同水质指标预测,预测结果均取得较高精度,模型具有较强的泛化能力;输入对象断面预测指标相关联的上游来水、降雨量等特征参数,能够提高模型预测精度.通过多方面多次试验,结果表明新模型能够较好地满足珠江口水质预测精度、适用性和扩展性要求,为复杂水动力环境水体水质高精度预测进行了新的探索.     

基于机器学习的纳米材料生物效应研究的科学问题

纳米材料(nanomaterials,NM)作为一类新型的化学品,认识、控制其引起的不良环境健康风险是推广应用的重要前提。近些年,机器学习(machine learning,ML)作为一种数据驱动的研究方法,在环境、化学和材料等领域引起了广泛关注。从NM引起的细胞毒性、个体效应、蛋白冠与生态冠预测等几方面,介绍了ML的应用,并分析了应用过程中,数据集、描述符、ML方法、模型可解释性等方面存在的问题和解决方法。文章提出,数据提取与挖掘方法、新描述符、新模型、模型解释方法的创新与发展将能够促进ML在NM生物效应领域的应用。同时,随着ML的发展,ML有望能够预测新型的NM和复杂的效应,并揭示了相关原理。以梳理讨论ML在NM生物效应预测中面临的重要科学问题为重点,有助于后续研究者理清思路,解决该领域的难题,促进纳米产业健康可持续发展。     

身管镀层界面失效分析及寿命预测研究

目的 研究热压耦合作用下身管镀层的界面失效机理,预测身管寿命。方法 建立镀层界面剪切失效、界面弯曲失效和界面裂纹扩展失效3种失效模型,并给出失效准则。以某小口径步枪身管为研究对象,基于完整冷却周期的身管温度场数值模拟结果,计算这3种失效在相同射击条件下的临界失效长厚比,并对结果进行对比分析,确定身管镀层的主要界面失效方式。结合镀层的界面失效机理和低周疲劳损伤累计理论,建立基于镀层界面疲劳损伤累积的身管寿命预测模型,对该小口径步枪身管的寿命进行预测。结果 临界失效长厚比计算结果表明,界面剪切失效是身管镀层的主要失效方式。身管寿命预测结果与寿命试验结果相比,误差小于2%。结论 界面剪切失效是身管镀层的主要失效方式,基于镀层界面疲劳损伤累积的身管寿命预测方法是可行的。     

基于灰色神经网络的腐蚀损伤模型

为在小样本情况下对腐蚀损伤进行预测,结合灰色系统与神经网络,提出了灰色神经网络模型,利用该模型对已知腐蚀损伤数据进行了预测检验。为对比研究,同时采用灰色系统与神经网络方法预测了损伤值。结果表明,3种预测模型中,灰色神经网络预测精度最高,能够满足工程使用要求。     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

年降水量统计马尔可夫预测模型及其应用

论文基于大气降水过程存在着大量的不确定性和不精确性的特点,将简单的统计计算与马尔可夫链理论有机结合起来预测降水量,方法的物理概念清晰,计算简便。以杭州市1956—2008年的降水量资料为例,应用统计模型进行逐年降水量预测,从前40 a的降水量序列资料(1956—1995年)开始,预测1996年的降水量,然后剔除1956年的降水资料,将1996年的实际资料加入到序列中,再按照降水量预测的基本步骤预测1997年的降水量,依此类推进行逐年降水量预测,结果表明,13 a中误差小于±10%、±15和±20%的分别占30.77%、53.85%和69.23%,预测误差最大值为-24.03%;应用统计马尔可夫预测模型进行逐年降水量预测,8 a中误差小于±1%和±5%的分别占37.50%和62.50%,预测误差最大值为8.77%,其降水量预测结果的精度有较大的提高,该法为提高大气降水量预测的精度提供了一条值得探索的途径。     

汽车排放污染物浓度的预测

为了预测汽车排放污染物的浓度,应用简化的高斯烟团模式得到静风条件下的线源扩散预测模式。并结合高斯烟流扩散模式,建立了预测汽车污染物在任意风向下和年平均浓度的预测模式,考虑车道上存在车辆行驶的强烈机械扰动湍流和把繁忙的公路视为线源两个因素,提出了计算初始扩散参数的方法。然后,运用Turner和Pasquill扩散参数,建立了线源扩散参数的确定方法。该模式应用于预测高速公路沿途汽车污染物的浓度表明,计算值与监测值吻合较好,可用于我国公路环境影响的评价。     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

基于ANFIS的陕西省参考作物蒸散量计算

为有效提高陕西省参考作物蒸散量（ET₀）的计算精度,选取陕西省6个气象站点57 a（1960—2016年）每日气象资料,构建8种基于自适应神经模糊推理系统（ANFIS）的ET₀计算模型,将其与Hargreaves-Samani、Makkink和Iramk等三种在陕西省ET₀计算精度较高的模型进行比较。结果表明：ANFIS模型能较好地反映气象因子与ET₀之间的复杂非线性关系,在仅有气温数据时,ANFIS模型具有足够的精度（平均R²=0.894,平均R_MSE=0.558 mm/d,平均MRE=18.258%）,ANFIS模型的精度随着气象因子数量的增加而增加;在相同气象条件下,ANFIS模型模拟效果最好;ANFIS模型具有较强的泛化能力,基于不同站点也有较高的精度（平均R²=0.974,平均R_MSE=0.276 mm/d,平均MRE=8.608%）,具有很好的可移植性。因此,在缺少气象数据时,ANFIS可以作为陕西省ET₀的计算模型,为农业用水管理及水资源优化配置提供帮助。     

加速腐蚀环境下LD2CS铝合金腐蚀损伤分析方法

目的研究LD2CS铝合金腐蚀损伤数据的分析方法。方法针对LD2CS铝合金腐蚀坑深度值,采用最小二乘支持向量机、BP人工神经网络和求和自回归移动平均等3种模型进行回归和预测分析。对比总结各种模型在小样本递增时间序列下的应用特点。结果对于LD2CS铝合金腐蚀坑深度值预测,最小二乘支持向量机在回归和预测上都有较高的精度。结论最小二乘支持向量机模型最适合LD2CS铝合金的腐蚀坑深度值预测。