一种药剂投加方案的选取方法、装置和计算机可读介质

1.本技术属于废水污水处理技术领域，尤其涉及一种药剂投加方案的选取方法、装置和计算机可读介质。


背景技术：

2.芬顿氧化技术作为一种高效水处理技术，具有氧化能力强、设备简单、易于操作的特点，常被作为企业和处理厂废水排放提标的最终把关工艺，在实际工程中被广泛应用。在芬顿氧化工艺的芬顿反应过程中，必须对药剂投加方案进行精确的控制，以避免因不合理药剂投加而导致废水/污水处理效果下降、成本升高等问题。
3.传统技术一般通过工程经验或者正交实验，实现药剂投加方案的选优，然而该方式难以准确获得高质量方案，相应难以实现高效的废水/污水处理，影响废水/污水处理效果，并可能导致成本升高。


技术实现要素：

4.有鉴于此，本技术提供一种药剂投加方案的选取方法、装置和计算机可读介质，用于基于自回归机器学习模型来优选药剂投加方案，以实现高质量药剂投加方案的准确选取，为高效的废水/污水处理提供支持。
5.具体方案如下：
6.一种药剂投加方案的选取方法，包括：
7.获取利用预设污染物处理工艺下的待测药剂投加方案对待处理液体进行污染物处理对应的反应条件；
8.将所述反应条件输入预测模型，由所述预测模型预测在所述待测药剂投加方案的反应条件下进行污染物处理对应的污染物剩余浓度动力学曲线；所述预测模型为预先基于所述预设污染物处理工艺在不同反应条件下的工艺运行状况信息，构建的自回归机器学习模型；
9.获取所述预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线；
10.根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。
11.可选的，所述预测模型的构建过程，包括：
12.通过实验确定所述预设污染物处理工艺在不同反应条件下对应的污染物剩余浓度动力学曲线；
13.构建包含样本数据的数据集；每条样本数据包括反应条件和所述预设污染物处理工艺在相应反应条件下对应的污染物剩余浓度动力学曲线；
14.基于机器学习算法和自回归算法，以所述数据集所包含样本数据中的反应条件为输入、污染物剩余浓度动力学曲线为输出构建自回归机器学习模型，得到所述预测模型。
15.可选的，所述预设污染物处理工艺为芬顿氧化工艺，所述污染物为有机污染物；
16.所述待处理液体为污染水；所述污染物剩余浓度动力学曲线由污染水中不同取样时间点的有机污染物剩余浓度组成；
17.所述反应条件包括污染水中有机污染物的浓度、种类以及相应药剂投加方案。
18.可选的，药剂投加方案包括fe
2+
浓度以及h2o2浓度。
19.可选的，以所述数据集所包含样本数据中的反应条件为输入，构建自回归机器学习模型，包括：
20.采用拓扑分子指纹算法，将所述数据集的样本数据所包含反应条件中的有机污染物种类编码为向量，以编码得到的向量作为输入之一，构建自回归机器学习模型。
21.可选的，在使用所述预测模型之前，还包括：
22.对构建的所述预测模型进行性能评估和/或模型解释，以验证所述预测模型的可用性。
23.可选的，所述对构建的所述预测模型进行性能评估和/或模型解释，包括：
24.从准确度、鲁棒性、模型基于包含低于预设数量的时间点与有机污染物剩余浓度数据对的动力学曲线进行训练的能力以及模型基于低于预设尺寸的数据集进行训练的能力中的至少之一，对所述预测模型进行性能评估；
25.利用建模后解释算法，对所述预测模型进行模型解释。
26.可选的，所述根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案，包括：
27.根据获取的污染物剩余浓度动力学曲线，选取污染物去除效果满足效果条件的各个待测药剂投加方案；
28.从选取的所述各个待测药剂投加方案中选择满足成本条件的目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。
29.一种药剂投加方案的选取装置，包括：
30.第一获取模块，用于获取利用预设污染物处理工艺下的待测药剂投加方案对待处理液体进行污染物处理对应的反应条件；
31.预测模块，用于将所述反应条件输入预测模型，由所述预测模型预测在所述待测药剂投加方案的反应条件下进行污染物处理对应的污染物剩余浓度动力学曲线；所述预测模型为预先基于所述预设污染物处理工艺在不同反应条件下的工艺运行状况信息，构建的自回归机器学习模型；
32.第二获取模块，用于获取所述预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线；
33.选取模块，用于根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。
34.一种计算机可读介质，其上存储有计算机程序，所述计算机程序包含用于执行如上文任一项所述的方法的程序代码。
35.综上所述，本技术提供的药剂投加方案的选取方法、装置和计算机可读介质，预先基于预设污染物处理工艺在不同反应条件下对应的工艺运行状况信息，构建自回归机器学习模型作为预测模型；在此基础上，获取利用预设污染物处理工艺下的待测药剂投加方案
对待处理液体进行污染物处理对应的反应条件，输入预测模型，由模型预测待测药剂投加方案在所需反应条件下对应的污染物剩余浓度动力学曲线，之后，进一步基于预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线，及预设选取规则，进行药剂投加方案的优选。
36.本技术通过机器学习方法能够准确的从数据中发现污染物处理工艺的反应条件与反应动力学曲线之间的映射关系，并利用通过机器学习构建的预测模型结合选取规则实现了对污染物处理工艺药剂投加方案的准确、智能化优选，从而能够保障废水/污水等待处理液体的处理效果。
附图说明
37.结合附图并参考以下具体实施方式，本技术各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
38.图1是本技术提供的构建预测模型的流程图；
39.图2是本技术提供的预测模型的模型架构示意图；
40.图3是本技术提供的模型性能评估结果示意图；
41.图4是本技术提供的模型解释结果示意图；
42.图5是本技术提供的药剂投加方案的选取方法流程图；
43.图6是本技术提供的药剂投加方案的选取装置的组成结构图。
具体实施方式
44.下面将参照附图更详细地描述本技术的实施例。虽然附图中显示了本技术的某些实施例，然而应当理解的是，本技术可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本技术。应当理解的是，本技术的附图及实施例仅用于示例性作用，并非用于限制本技术的保护范围。
45.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
46.需要注意，本技术中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
47.且需要注意，本技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
48.在芬顿反应过程中，必须对药剂投加方案进行精确的控制，以避免不合理药剂投加导致的成本升高和效果下降。然而，申请人发现，由于芬顿反应受到进水水质、水量、ph值以及芬顿试剂用量等多个因素的影响，传统通过工程经验或正交实验进行药剂投加方案优选的方式，难以准确获得高质量的药剂投加方案，最终影响废水/污水处理效果，并可能导致成本升高。
49.为解决上述技术问题，实现药剂投加方案的准确优选，本技术公开一种药剂投加
方案的选取方法、装置和计算机可读介质。
50.本技术所公开的方法预先构建有预测模型，预测模型为基于预设污染物处理工艺在不同反应条件下对应的工艺运行状况信息，构建的自回归机器学习模型。
51.机器学习方法通过研究计算机如何模拟或实现人的学习行为，能够发现和挖掘数据所包含的潜在价值。本技术通过机器学习方法，从数据中发现预设污染物处理工艺的反应条件与反应动力学曲线(污染物剩余浓度动力学曲线)之间的映射关系，来使得训练、构建能用于基于预设污染物处理工艺下的给定反应条件，预测该给定反应条件下污染物剩余浓度动力学曲线的预测模型，从而使得为该给定反应条件对应的药剂投加方案提供评估依据。
52.参见图1，预测模型的构建过程包括：
53.步骤101、通过实验确定预设污染物处理工艺在不同反应条件下对应的污染物剩余浓度动力学曲线。
54.其中，不同反应条件，具体是指，利用预设污染物处理工艺下的多种不同药剂投加方案对待处理液体进行污染物处理所需的不同反应条件。
55.可选的，预设污染物处理工艺为芬顿氧化工艺，待处理液体可以为污染水，如废水、污水等，待处理液体中的污染物为有机污染物。实际应用中，可根据需求确定预设污染物处理工艺、待处理液体、污染物的类型。
56.反应条件包括污染水中有机污染物的浓度、种类以及相应药剂投加方案。
57.针对芬顿氧化工艺，模型训练以及使用阶段的药剂投加方案，包括fe
2+
浓度以及h2o2浓度。
58.本技术实施例设定多种不同的有机污染物种类、浓度，并基于多种不同浓度的fe
2+
与h2o2形成不同的药剂投加方案，以此为基础，构造包含有机污染物浓度、种类以及相应药剂投加方案的多组反应条件。
59.在构造上述反应条件时，优选的：
60.有机污染物种类以苯酚、对苯二酚、对甲酚、对硝基苯酚、对氯苯酚、对羟基苯甲醇、对羟基苯甲醛、对羟基苯乙酮、对羟基苯甲酸、对羟基苯甲酸甲酯、对羟基苯乙酰胺、对羟基苯甲醚为备选；
61.有机污染物浓度以10、50、100mg/l为备选；
62.fe
2+
浓度以1、2.5、5、7.5、10、15、20mg/l为备选；
63.h2o2浓度以5、7.5、10、12.5、15、20、30、40、50、70mg/l为备选。
64.其中，对于构造的每组反应条件，通过实验，确定芬顿氧化工艺在该反应条件下进行废水处理所对应的污染物剩余浓度动力学曲线。
65.以下提供通过实验确定污染物剩余浓度动力学曲线的一可选示例。
66.该示例中，芬顿反应在含有20ml设定浓度的有机污染物溶液(如污染水)的25ml烧杯中进行，使用循环水冷却器将溶液的温度控制在20℃，使用0.1mh2so4(指一升硫酸溶液中硫酸的物质的量为0.1摩尔)将溶液的ph值调节至3.0
±
0.2。之后，根据设定的反应条件，向溶液中加入一定体积的h2o2和feso4储备液以引发反应，分别在给定的多个不同时间点取出0.5ml反应溶液，用0.5ml抗坏血酸溶液(5g/l)终止反应，并使用具有c18柱的超高效液相色谱分析有机污染物的浓度。
67.示例性的，取样时间点为开始反应后2、5、9、15、22、30分钟。之后，利用各时间点的浓度测试结果，构造对应反应条件下的污染物剩余浓度动力学曲线，该曲线由溶液中不同取样时间点的有机污染物剩余浓度组成。
68.通过实验，得到多组反应条件分别对应的有机污染物剩余浓度动力学曲线。
69.步骤102、构建包含样本数据的数据集；每条样本数据包括反应条件和所述预设污染物处理工艺在相应反应条件下对应的污染物剩余浓度动力学曲线。
70.在通过实验得到多组反应条件分别对应的有机污染物剩余浓度动力学曲线之后，基于实验结果构造数据集，数据集包括多条样本数据，每条样本数据包括一组反应条件及其对应的污染物剩余浓度动力学曲线。
71.可选的，数据集按一定比例划分为训练集和测试集，分别用于模型的训练和评估。例如，数据集共包括300组反应条件及其对应的有机污染物动力学曲线，并以8:2的比例划分为训练集和测试集。
72.步骤103、基于机器学习算法和自回归算法，以所述数据集所包含样本数据中的反应条件为输入、污染物剩余浓度动力学曲线为输出构建自回归机器学习模型，得到所述预测模型。
73.本实施例结合机器学习算法和自回归算法，以训练集中样本数据包含的反应条件为输入、样本数据包含的污染物剩余浓度动力学曲线为输出，训练自回归机器学习模型，完成训练后得到所述预测模型。
74.优选的，机器学习算法为xgboost算法。
75.其中，对于有机污染物种类，采用拓扑分子指纹算法将其编码为向量。
76.优选的，拓扑分子指纹为morgan指纹。
77.对有机污染物种类进行编码所得的向量为数值型向量，具体可利用morgan分子指纹算法将有机污染物分子的化学式编码转化为数值型向量。
78.数值型向量可以为数学矩阵形式。
79.相应的，模型训练中，具体可以以利用morgan分子指纹算法将有机污染物分子的化学式转化得到的数值型向量以及污染物、fe
2+
和h2o2浓度为输入，样本数据中的污染物剩余浓度动力学曲线为输出，结合自回归算法以及xgboost算法，训练得到对应的预测模型，模型架构具体可参见图2所示。
80.通过上述的模型训练过程，实现对芬顿氧化工艺中有机污染物全过程浓度变化的准确模拟，以基于训练得到的预测模型，进行芬顿氧化工艺药剂投加方案的准确优选，克服以往依赖人工经验的选取模式，有效提升芬顿氧化工艺的废水处理效率和质量，保障出水稳定达标，大幅度降低废水处理成本。
81.可选的，在通过自回归机器学习训练得到预测模型后，进一步对预测模型进行性能评估和/或模型解释，以验证模型可用性。
82.其中，从准确度、鲁棒性、模型基于包含低于预设数量的时间点与有机污染物剩余浓度数据对的动力学曲线进行训练的能力以及模型基于低于预设尺寸的数据集进行训练的能力中的至少之一，对预测模型进行性能评估。
83.即，评估内容可以包括但不限于模型准确度、鲁棒性、模型基于包含少量时间-浓度点的动力学曲线进行训练的能力以及基于小尺寸数据集进行训练的能力中的任意一种
或多种。
84.优选的，评估指标包括模型的平均绝对误差(mean absolute error，mae)、均方根误差(root mean square error，rmse)以及决定系数(determination coefficient，r2)。
85.本实施例采用所构建的测试集，对预测模型进行评估，评估结果参见图3，其中(a)表示准确度评估结果，(b)表示鲁棒性评估结果，(c)表示“基于包含少量时间-浓度点的动力学曲线进行训练的能力”评估结果；(d)表示“基于小尺寸数据集进行训练的能力”评估结果。
86.根据评估结果可知，预测模型在测试集上误差小、准确度高，mae、rmse、r2分别为4.015％、5.326％和0.935。为评估模型鲁棒性，人为向训练数据中引入高斯误差，在引入标准差为2％的随机误差后模型仍保持较高准确度，mae、rmse、r2分别为4.511％、6.012％和0.904，说明模型具有良好的鲁棒性。另外，减少训练集中动力学曲线所包含时间-污染物浓度数据点的数量，当数据点数量为3时，模型仍保持良好的准确度，mae、rmse、r2分别为5.346％、7.135％和0.897，说明模型能够适用于含有少量数据点的动力学曲线。此外，不断缩减训练集的尺寸，当训练集所包含输入输出数据对的数量达到40时，模型仍保持良好的准确度，mae、rmse、r2分别为8.357％、10.549％和0.735，说明模型在小数据集上能够保持良好性能。
87.另外，本技术利用建模后解释算法对预测模型进行模型解释。在模型解释中，具体可以但不限于采用ale(accumulated localeffect，累计局部效应)算法，估计反应条件与反应速率的相关性。
88.其中，利用ale算法估计反应条件与反应速率的相关性的结果如图4所示，(a)表示fe
2+
浓度与反应速率的相关关系，(b)表示h2o2浓度与反应速率的相关关系，(c)表示fe
2+
与h2o2浓度比例与反应速率的相关关系，(d)表示有机污染物浓度与反应速率的相关关系。根据图4可知，反应速率随着fe
2+
和h2o2浓度增加而加快，这是由于反应产生更多的活性物质加快了有机污染物的降解。fe
2+
浓度与h2o2浓度比例过高会导致降解速率降低，这是由于过量的fe
2+
导致h2o2无效分解的比例增加。此外，随着有机污染物浓度的上升，反应速率同样加快。以上分析都符合对芬顿反应的化学认知，说明预测模型具有良好的可信度。
89.本实施例通过模型评估与解释，确认了预测模型的性能以及可信度，实现了对预测模型可用性的验证。
90.基于训练并通过验证的预测模型，参见图5，本技术所公开的药剂投加方案的选取方法包括：
91.步骤501、获取利用预设污染物处理工艺下的待测药剂投加方案对待处理液体进行污染物处理对应的反应条件。
92.如上文所述，预设污染物处理工艺可以是芬顿氧化工艺，待处理液体可以为污染水，如废水、污水等，待处理液体中的污染物为有机污染物。
93.针对待测药剂投加方案，具体可获取其对应的反应条件，示例性的，包括水中有机污染物的浓度和种类，以及该待测药剂投加方案提供的fe
2+
浓度、h2o2浓度。
94.步骤502、将所述反应条件输入预测模型，由所述预测模型预测在所述待测药剂投加方案的反应条件下进行污染物处理对应的污染物剩余浓度动力学曲线；所述预测模型为预先基于所述预设污染物处理工艺在不同反应条件下的工艺运行状况信息，构建的自回归
机器学习模型。
95.之后，将获得的反应条件输入预测模型，其中，对于有机污染物种类采用拓扑分子指纹算法将其编码为向量。
96.预测模型接收输入的反应条件，并输出与之匹配的污染物剩余浓度动力学曲线。针对多个待测药剂投加方案，最终可得到预测模型以每个待测药剂投加方案的反应条件为输入，对应输出的污染物剩余浓度动力学曲线。
97.步骤503、获取所述预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线。
98.步骤504、根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。
99.所述预设选取规则，可以但不限于为如下的任意一种：
100.规则一：由设定的污染物去除效果条件形成的规则；
101.规则二：由设定的污染物去除效果条件以及成本条件形成的规则。
102.实际应用中，可优选规则二。
103.示例性的，将选取规则设定为：30分钟时有机污染物去除率至少达到80％，且药剂成本最低。
104.在基于预测模型，得到多个待测药剂投加方案分别对应的污染物剩余浓度动力学曲线之后，进一步以所得的污染物剩余浓度动力学曲线为依据，利用上述预设选取规则，从各个待测药剂投加方案中进行药剂投加方案的优选。
105.以预设选取规则为上述的规则二为例，具体可以预测得到的污染物剩余浓度动力学曲线为依据，首先选取污染物去除效果满足效果条件的各个待测药剂投加方案，之后从满足效果条件的各个待测药剂投加方案中选择满足成本条件的方案，作为对待处理液体进行污染物处理的优选方案。
106.优选的，药剂投加成本通过如下公式计算：
[0107][0108]
其中，cost指药剂投加成本，cf、ch、c
p
分别指fe
2+
、h2o2和有机污染物的浓度，pf和ph分别指单位质量fe
2+
和h2o2的价格，如具体为400元/吨和600元/吨。
[0109]
实际应用中，可基于构建的预测模型及设定的选取规则，遍历所有可能方案以选择全局最优结果。
[0110]
以下提供本技术方法的一应用示例：
[0111]
设定有机污染物种类为苯酚、污染物浓度为10mg/l，遍历所有备选fe
2+
和h2o2浓度所组成的芬顿试剂投加方案，fe
2+
备选浓度为1、2.5、5、7.5、10mg/l，h2o2备选浓度为5、7.5、10、12.5mg/l，共形成5*4即20种待测药剂投加方案，基于预测模型及选取规则，首先得出可以在反应30分钟时使污染物去除率达到80％的芬顿试剂投加方案，之后从得到的芬顿试剂投加方案中，选取药剂成本最低的一种作为优选方案。例如针对10mg/l的苯酚污染物，优选的方案为2.5mg/l的fe
2+
和10mg/l的h2o2。
[0112]
综上所述，本技术提供的药剂投加方案的选取方法，预先基于预设污染物处理工艺在不同反应条件下对应的工艺运行状况信息，构建自回归机器学习模型作为预测模型；
在此基础上，获取利用预设污染物处理工艺下的待测药剂投加方案对待处理液体进行污染物处理所需的反应条件，输入预测模型，由模型预测待测药剂投加方案在所需反应条件下对应的污染物剩余浓度动力学曲线，之后，进一步基于预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线，及预设选取规则，进行药剂投加方案的优选。
[0113]
本技术通过机器学习方法能够准确的从数据中发现污染物处理工艺的反应条件与反应动力学曲线之间的映射关系，并利用通过机器学习构建的预测模型结合选取规则实现了对污染物处理工艺药剂投加方案的准确、智能化优选，从而能够保障废水/污水等待处理液体的处理效果。
[0114]
对应于上述的方法，本技术还提供一种药剂投加方案的选取装置，该装置的组成结构如图6所示，包括：
[0115]
第一获取模块601，用于获取利用预设污染物处理工艺下的待测药剂投加方案对待处理液体进行污染物处理对应的反应条件；
[0116]
预测模块602，用于将所述反应条件输入预测模型，由所述预测模型预测在所述待测药剂投加方案的反应条件下进行污染物处理对应的污染物剩余浓度动力学曲线；所述预测模型为预先基于所述预设污染物处理工艺在不同反应条件下的工艺运行状况信息，构建的自回归机器学习模型；
[0117]
第二获取模块603，用于获取所述预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线；
[0118]
选取模块604，用于根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。
[0119]
在一实施方式中，上述装置还包括模型构建模块，用于：
[0120]
通过实验确定所述预设污染物处理工艺在不同反应条件下对应的污染物剩余浓度动力学曲线；
[0121]
构建包含样本数据的数据集；每条样本数据包括反应条件和所述预设污染物处理工艺在相应反应条件下对应的污染物剩余浓度动力学曲线；
[0122]
基于机器学习算法和自回归算法，以所述数据集所包含样本数据中的反应条件为输入、污染物剩余浓度动力学曲线为输出构建自回归机器学习模型，得到所述预测模型。
[0123]
在一实施方式中，所述预设污染物处理工艺为芬顿氧化工艺，所述污染物为有机污染物；
[0124]
所述待处理液体为污染水；所述污染物剩余浓度动力学曲线由污染水中不同取样时间点的有机污染物剩余浓度组成；
[0125]
所述反应条件包括污染水中有机污染物的浓度、种类以及相应药剂投加方案。
[0126]
在一实施方式中，药剂投加方案包括fe
2+
浓度以及h2o2浓度。
[0127]
在一实施方式中，模型构建模块在以所述数据集所包含样本数据中的反应条件为输入，构建自回归机器学习模型时，具体用于：采用拓扑分子指纹算法，将所述数据集的样本数据所包含反应条件中的有机污染物种类编码为向量，以编码得到的向量作为输入之一，构建自回归机器学习模型。
[0128]
在一实施方式中，上述装置还包括模型验证模块，用于：在使用所述预测模型之
前，对构建的所述预测模型进行性能评估和/或模型解释，以验证所述预测模型的可用性。
[0129]
在一实施方式中，模型验证模块在对构建的所述预测模型进行性能评估和/或模型解释时，具体用于：
[0130]
从准确度、鲁棒性、模型基于包含低于预设数量的时间点与有机污染物剩余浓度数据对的动力学曲线进行训练的能力以及模型基于低于预设尺寸的数据集进行训练的能力中的至少之一，对所述预测模型进行性能评估；
[0131]
利用建模后解释算法，对所述预测模型进行模型解释。
[0132]
在一实施方式中，选取模块604，具体用于：
[0133]
根据获取的污染物剩余浓度动力学曲线，选取污染物去除效果满足效果条件的各个待测药剂投加方案；
[0134]
从选取的所述各个待测药剂投加方案中选择满足成本条件的目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。
[0135]
对于本技术实施例提供的药剂投加方案的选取装置而言，由于其与上文方法实施例提供的药剂投加方案的选取方法相对应，所以描述的比较简单，相关相似之处请参见上文方法实施例的说明即可，此处不再详述。
[0136]
本技术还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序包含用于执行如上文任一方法实施例提供的药剂投加方案的选取方法的程序代码。
[0137]
在本技术的上下文中，计算机可读介质(机器可读介质)可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0138]
需要说明的是，本技术上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述
的任意合适的组合。
[0139]
上述计算机可读介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
[0140]
需要说明，尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
[0141]
虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本技术的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0142]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种药剂投加方案的选取方法，其特征在于，包括：获取利用预设污染物处理工艺下的待测药剂投加方案对待处理液体进行污染物处理对应的反应条件；将所述反应条件输入预测模型，由所述预测模型预测在所述待测药剂投加方案的反应条件下进行污染物处理对应的污染物剩余浓度动力学曲线；所述预测模型为预先基于所述预设污染物处理工艺在不同反应条件下的工艺运行状况信息，构建的自回归机器学习模型；获取所述预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线；根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。2.根据权利要求1所述的方法，其特征在于，所述预测模型的构建过程，包括：通过实验确定所述预设污染物处理工艺在不同反应条件下对应的污染物剩余浓度动力学曲线；构建包含样本数据的数据集；每条样本数据包括反应条件和所述预设污染物处理工艺在相应反应条件下对应的污染物剩余浓度动力学曲线；基于机器学习算法和自回归算法，以所述数据集所包含样本数据中的反应条件为输入、污染物剩余浓度动力学曲线为输出构建自回归机器学习模型，得到所述预测模型。3.根据权利要求1或2所述的方法，其特征在于，所述预设污染物处理工艺为芬顿氧化工艺，所述污染物为有机污染物；所述待处理液体为污染水；所述污染物剩余浓度动力学曲线由污染水中不同取样时间点的有机污染物剩余浓度组成；所述反应条件包括污染水中有机污染物的浓度、种类以及相应药剂投加方案。4.根据权利要求3所述的方法，其特征在于，药剂投加方案包括fe
2+
浓度以及h2o2浓度。5.根据权利要求2所述的方法，其特征在于，以所述数据集所包含样本数据中的反应条件为输入，构建自回归机器学习模型，包括：采用拓扑分子指纹算法，将所述数据集的样本数据所包含反应条件中的有机污染物种类编码为向量，以编码得到的向量作为输入之一，构建自回归机器学习模型。6.根据权利要求2所述的方法，其特征在于，在使用所述预测模型之前，还包括：对构建的所述预测模型进行性能评估和/或模型解释，以验证所述预测模型的可用性。7.根据权利要求6所述的方法，其特征在于，所述对构建的所述预测模型进行性能评估和/或模型解释，包括：从准确度、鲁棒性、模型基于包含低于预设数量的时间点与有机污染物剩余浓度数据对的动力学曲线进行训练的能力以及模型基于低于预设尺寸的数据集进行训练的能力中的至少之一，对所述预测模型进行性能评估；利用建模后解释算法，对所述预测模型进行模型解释。8.根据权利要求1所述的方法，其特征在于，所述根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案，包括：
根据获取的污染物剩余浓度动力学曲线，选取污染物去除效果满足效果条件的各个待测药剂投加方案；从选取的所述各个待测药剂投加方案中选择满足成本条件的目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。9.一种药剂投加方案的选取装置，其特征在于，包括：第一获取模块，用于获取利用预设污染物处理工艺下的待测药剂投加方案对待处理液体进行污染物处理对应的反应条件；预测模块，用于将所述反应条件输入预测模型，由所述预测模型预测在所述待测药剂投加方案的反应条件下进行污染物处理对应的污染物剩余浓度动力学曲线；所述预测模型为预先基于所述预设污染物处理工艺在不同反应条件下的工艺运行状况信息，构建的自回归机器学习模型；第二获取模块，用于获取所述预测模型针对不同待测药剂投加方案分别预测并输出的污染物剩余浓度动力学曲线；选取模块，用于根据获取的污染物剩余浓度动力学曲线及预设选取规则，选取目标待测药剂投加方案，作为对所述待处理液体进行污染物处理的优选方案。10.一种计算机可读介质，其特征在于，其上存储有计算机程序，所述计算机程序包含用于执行如权利要求1-8任一项所述的方法的程序代码。

技术总结
本申请公开一种药剂投加方案的选取方法、装置和计算机可读介质，该方法基于预设污染物处理工艺在不同反应条件下的运行状况信息，构建自回归机器学习模型；在此基础上，以不同待测药剂投加方案对应的反应条件作为模型输入，由模型预测对应的污染物剩余浓度动力学曲线，并根据预设选取规则，进行药剂投加方案的优选。本申请通过机器学习方法能够准确地从数据中发现污染物处理工艺反应条件与反应动力学曲线之间的映射关系，并利用预测模型结合选取规则实现了污染物处理工艺药剂投加方案的准确、智能化优选。智能化优选。智能化优选。


技术研发人员：俞汉青 花添伟 黄贵祥
受保护的技术使用者：中国科学技术大学
技术研发日：2023.06.29
技术公布日：2023/10/8