[发明专利]纳米粒子运移的预测方法、其影响因子分析方法及系统

说明书

本发明提供一种纳米粒子运移的预测方法、其影响因子分析方法及系统，包括：从多孔介质中纳米粒子运移实验中提取参数与结果数据，得到训练特征与目标特征；使用独热编码和随机森林的方法对数据预处理，编码类别型特征的同时填充缺失值；使用SMOTE技术进行数据平衡，结合支持分类特征梯度提升机建立并训练模型，对表征纳米粒子运移的指标进行回归或分类预测。最后通过沙普利累积解释方法分析不同特征对纳米粒子运移的影响的方向和大小。本发明节约了纳米粒子运移实验成本的同时提高了预测的泛化性；通过对不平衡数据进行数据处理，提高了样本数据质量和预测精度；将模型解释方法用于特征分析，使纳米粒子运移行为具有可解释性。

技术领域

本发明属于纳米粒子参数预测和分析领域，更具体地，涉及纳米粒子运移的预测方法、其影响因子分析方法及系统。

背景技术

工程纳米粒子作为纳米技术的应用工具之一，被广泛应用于生物医学、催化、电子、能源、环境、医药等领域。然而随着纳米粒子在消费产品中被广泛使用，它也不可避免地通过各种传播途径进入到土壤等多孔介质中，进而对环境造成污染。此外，纳米颗粒在石油工业应用中也显示出巨大的潜力，例如钻探和完井改善，储层传感成像和许多其他场景。因此，对纳米粒子在多孔介质中的运移行为进行预测，以降低纳米粒子对环境的影响或者运用纳米粒子进行采油，并对影响纳米粒子运移的各种环境因素做出评估，是实现和推广纳米粒子应用和管理的关键。

表征和描述纳米粒子的运移行为的方法可以分为三种类型：直接测量、数学模型和机器学习方法。最为准确的方法是通过直接测量的方法直接或间接的计算出描述纳米粒子运移行为的参数。传统的方法是建立数学模型，选取合适的经验参数，通过统计回归的方法得到纳米粒子运移参数，可以结合物理化学理论意义对影响纳米粒子运移的环境因素做出解释。与数学模型相比，机器学习的输出不依赖于经验参数的选择，直接利用样本数据与目标参数之间的非线性建立预测模型，具有一定的泛化能力。

以上三种方法虽然都可以表征和描述纳米粒子的运移，但各自都有一定的局限性：(1)直接测量方法没有预测性，只能用于分析影响纳米粒子运移的环境因素，而且耗时长、成本高；(2)通过数学模型描述纳米粒子的运移在理想情况下能够有效，但在复杂的环境中无法建立较为准确的纳米粒子运移预测模型；(3)机器学习方法作为一种黑箱模型，对纳米粒子运移参数的解释性不足。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种纳米粒子运移的预测方法、其影响因子分析方法及系统，旨在解决现有纳米粒子预测模型不准确，且对运移参数解释不足的问题。

为实现上述目的，第一方面，本发明提供了一种纳米粒子运移的预测方法，包括如下步骤：

确定纳米粒子在多孔介质中运移的相关历史参数；所述相关历史参数包括：数值型特征、类别型特征以及目标特征；所述数值型特征包括：多孔介质参数、纳米粒子溶液的物理化学参数、纳米粒子运移实验收集器参数以及纳米粒子参数；所述类别型特征包括：纳米粒子类别、纳米粒子溶液中离子的类别、纳米粒子表面涂层情况以及纳米粒子表面活性剂类别；所述目标特征包括：纳米粒子保留率和纳米粒子保留曲线类别；

通过CatBoost构建纳米粒子运移预测模型，所述运移预测模型的输入为纳米粒子的数值型特征和类别型特征，输出为预测的目标特征；基于所述相关历史参数训练所述运移预测模型，得到训练后的运移预测模型；

将纳米粒子当前时刻在多孔介质中运移的数值型特征和类别型特征输入到所述训练后的运移预测模型，预测得到纳米粒子的目标特征，从而基于所述目标特征评估纳米粒子的运移情况。

在一个可选的实施例中，所述基于所述相关历史参数训练所述运移预测模型之前，还包括如下步骤：

对纳米粒子的类别型特征进行独热编码，将独热编码后的类别型特征和所述数值型特征组合成训练特征；