[发明专利]一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法

权利要求书

1.一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于包括以下内容：

步骤一：采用随机试验法设计含添加三种助剂元素Re, W, Cs的多个试验组构成初始催化剂库；

步骤二：创建人工神经网络ANN，BP神经网络是其中的一种，确定三个输入和三个输出，分别对应于输入层和输出层中的神经元；所述三个输入为：添加助剂中Re元素的摩尔量—x，W元素的摩尔量—y和Cs元素的摩尔量—z；三个输出为：CO转换率为50%时的转化温度—T50，Ni的晶粒尺寸增长百分比Increase Rate和积碳百分比—ω1；

步骤三：通过上述两个步骤进行的训练和测试，构建出多输入多输出的BP神经网络的预测模型，并将其作为NSGA-II优化中的适应度函数评价模型；

步骤四：对实验所需的总的试验组数据先进行归一化处理，然后对归一化数据中的86%作为训练集，用于神经网络的训练和权重计算；剩余14%作为测试集，被用于模型预测能力的检验；采用ANN-NSGA-II计算得到第一代优化结果，进行实验室制备、催化剂评价表征，然后作为新的输入样本数据，加入到构建神经网络的数据集中，重新开始训练，得到新一代的Ni基甲烷化催化剂多目标优化ANN模型，提高适应度近似评价的精度；

步骤五：当利用ANN-NSGA-II优化算法迭代产生下一代种群后，储备在第一代催化剂库中的领域知识开始进行预筛选，将催化剂综合性能优于第一代催化剂性能的样本作为候选样本，送入多目标ANN模型中计算适应度评价值；随后挑选出的催化剂作为第二代催化剂库中的样本，更新第一代催化剂库，生成第二代催化剂库；重复上面的步骤，直至发现新的最优甲烷化镍基催化剂配方。

2.根据权利要求1所述的基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于：所述的甲烷化镍基催化剂是负载于Al2O3上的Ni基催化剂，包含助剂W、Re及Cs。

3.根据权利要求1所述的基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于：步骤一的具体操作方法为：通过调变Ni与三种添加助剂Re, W, Cs总量的摩尔比、三种助剂之间的配比来获取不同条件下的试验数据；分别选取Ni与助剂总量的摩尔比为3:1、2:1和3:2；为保证选取数据的均匀性，在添加少量助剂的试验数据中选取5组数据；添加量适中助剂的试验数据中选取7组数据；在添加较多助剂的试验数据中选取9组数据；

外加1组不添加任何助剂元素的试验作为空白对照，一共22组试验数据。

4.根据权利要求1或3所述的基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于：步骤二的具体操作方法为：根据输入层和输出层创建结构为3-8-3的BP神经网络；BP 神经网络训练用非线性函数输入输出数据训练神经网络，使训练后的网络能够预测非线性函数输出；从非线性函数中随机得到 22 组输入输出数据，从中随机选择数据的86%，即19组作为训练数据，用于网络训练，剩余14%，即3 组作为测试数据，用于测试网络的拟合性能；神经网络预测用训练好的网络预测函数输出，并通过 BP 神经网络预测输出和期望输出分析 BP 神经网络的拟合能力。

5.根据权利要求4所述的基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于：把预测输出和期望输出之间的误差绝对值之和作为个体适应度值 F ，F（x）为定义的适应度函数，计算公式如下：

其中，n 为网络输出节点数， Yi为 BP 神经网络第 i 个节点的期望输出；Oi为第i个节点的预测输出，通过计算该函数，可以得到输入的每个个体对应的适应度值；通过不断更新神经网络的权值与阈值，不断更新模型的参数设置，直到达到最大迭代次数或适应度值满足误差精度则停止该优化过程；在测试过程中，选取均方误差MSE和拟合度R²作为神经网络预测性能的评价指标；当MSE和R²的值分别接近于0和1时，意味着ANN的性能也越好。