本發(fā)明涉及環(huán)保，尤其涉及一種基于多任務(wù)學(xué)習(xí)建模的廢舊鋰電池中多種金屬浸出率預(yù)測方法、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、廢舊動力電池中含有大量的金屬資源，以三元系材料為例，每回收100g三元動力電池，可以回收12g鎳、5g鈷、1.2g鋰和7g錳，其有色金屬含量遠超于原生礦；傳統(tǒng)的選擇性回收中同時浸出過程是非常重要的一步，浸出過程需要考慮浸出劑種類、浸出劑濃度、溫度、ph、時間等多個因素，這些條件因素之間往往具有復(fù)雜的非線性關(guān)系，條件因素之間的相互影響大大增加了試驗的難度，傳統(tǒng)的試驗只能針對特定樣品進行精細(xì)化實驗，無法從零散式的研究中提取共性規(guī)律指導(dǎo)工藝過程。

2、傳統(tǒng)的機器學(xué)習(xí)模型通常只能對單一金屬浸出率進行預(yù)測，而忽略了四種金屬之間的相關(guān)性，并且缺少必要的數(shù)據(jù)泄露管理步驟，無法可靠指導(dǎo)四種金屬同時浸出過程。

3、因此，亟需一種廢舊鋰電池中多種金屬浸出率預(yù)測方法、設(shè)備及存儲介質(zhì)，能夠快速、可靠地預(yù)測出廢舊鋰電池中多種金屬的浸出率。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種廢舊鋰電池中多種金屬浸出率預(yù)測方法、設(shè)備及存儲介質(zhì)，旨在解決傳統(tǒng)的機器學(xué)習(xí)模型通常只能對單一金屬浸出率進行預(yù)測，以及預(yù)測結(jié)果可靠性較差的技術(shù)問題。

2、為實現(xiàn)上述目的，第一方面，本發(fā)明提供一種廢舊鋰電池中多種金屬浸出率預(yù)測方法，其步驟包括：

3、s1：收集相關(guān)數(shù)據(jù)，利用rdkit生成有機酸的描述符，獲得多任務(wù)學(xué)習(xí)的基礎(chǔ)數(shù)據(jù)集；

4、s2：對步驟s1獲得基礎(chǔ)數(shù)據(jù)集進行預(yù)處理，獲得與浸出率最具代表性的特征子集；定義待浸出的多種金屬的浸出任務(wù)，構(gòu)建多任務(wù)學(xué)習(xí)的基本架構(gòu)；

5、s3：對預(yù)處理后的數(shù)據(jù)集進行劃分，并在劃分的測試集上進行指標(biāo)評估；根據(jù)評價指標(biāo)確定合適的數(shù)據(jù)劃分范圍，并調(diào)整多任務(wù)學(xué)習(xí)的基本構(gòu)架，獲得多任務(wù)學(xué)習(xí)的優(yōu)化框架；

6、s4：對所述多任務(wù)學(xué)習(xí)的優(yōu)化框架進行超參數(shù)優(yōu)化，獲得最佳的多任務(wù)學(xué)習(xí)超參數(shù)；

7、s5：基于所述最佳的多任務(wù)學(xué)習(xí)超參數(shù)訓(xùn)練多任務(wù)學(xué)習(xí)模型，獲得基于多任務(wù)學(xué)習(xí)的多種金屬浸出率預(yù)測模型；

8、將未知的廢舊鋰電池浸出數(shù)據(jù)輸入所述基于多任務(wù)學(xué)習(xí)的多種金屬浸出率預(yù)測模型，同時獲得多種金屬的浸出率。

9、作為上述方案進一步的改進，在步驟s1中，獲得多任務(wù)學(xué)習(xí)的基礎(chǔ)數(shù)據(jù)集的方法步驟具體如下所示：

10、s11：獲取待收集數(shù)據(jù)的文獻資料；

11、s12：使用origin-圖像數(shù)字化工具獲取文獻資料中多種金屬的浸出率數(shù)據(jù)，并記錄文獻資料中相關(guān)廢舊鋰電池性質(zhì)、有機酸種類和實驗條件信息；優(yōu)選的，獲得鋰、鈷、錳和鎳四種金屬的浸出率數(shù)據(jù)；

12、s13：使用rdkit將有機酸轉(zhuǎn)化為摩根指紋，作為有機酸的描述符。

13、作為上述方案進一步的改進，在步驟s2中，對步驟s1獲得基礎(chǔ)數(shù)據(jù)集進行預(yù)處理的方法步驟具體如下所示：

14、s31：將單一變量實驗數(shù)據(jù)歸于一組數(shù)據(jù)，對處理后的數(shù)據(jù)進行重復(fù)值剔除、異常值刪減；

15、s32：對處理后的數(shù)據(jù)中有機酸描述符進行pca降維，選擇解釋變量95％的主成分作為降維后的特征，并進行相關(guān)性檢驗，獲得與浸出率最具代表性的特征子集。

16、作為上述方案進一步的改進，在步驟s2中，在構(gòu)建多任務(wù)學(xué)習(xí)的基本架構(gòu)時，設(shè)置多任務(wù)學(xué)習(xí)模型的共享層和任務(wù)特定層，并初始化共享層的層數(shù)和每層神經(jīng)元的數(shù)量和激活函數(shù)的種類；

17、特征任務(wù)層則設(shè)置與待浸出的多種金屬分別對應(yīng)的輸出層；

18、優(yōu)選的，特征任務(wù)層設(shè)置4個輸出層，分別對應(yīng)表示鋰浸出率、鈷浸出率、錳浸出率和鎳浸出率。

19、作為上述方案進一步的改進，在步驟s2中，采用平均絕對誤差(mean?absoluteerror,mae)、均方誤差(mean?squared?error,mse)、均方根誤差(root?mean?squarederror，rmse)、決定系數(shù)(coefficient?ofdetermination，r2)或全精度指標(biāo)(overallaccuracy?index，oai)中的一種來評價構(gòu)建的所述多任務(wù)學(xué)習(xí)的基本架構(gòu)的模型效果；

20、優(yōu)選的，采用全精度指標(biāo)(overallaccuracy?index，oai)來評價構(gòu)建的所述多任務(wù)學(xué)習(xí)的基本架構(gòu)的模型效果。

21、作為上述方案進一步的改進，所述平均絕對誤差的計算公式如下式所示：

22、

23、所述均方誤差的計算公式如下式所示：

24、

25、所述均方根誤差的計算公式如下式所示：

26、

27、所述決定系數(shù)的計算公式如下式所示：

28、

29、所述全精度指標(biāo)的計算公式如下式所示：

30、

31、其中，n為樣本數(shù)量，y是輸出的預(yù)測值，是輸出的真實值，yi和為第i個樣本的真實值和預(yù)測值。

32、作為上述方案進一步的改進，在步驟s3中，獲得多任務(wù)學(xué)習(xí)的優(yōu)化框架的方法步驟具體如下所示：

33、s31：按照預(yù)設(shè)比例將特征子集數(shù)據(jù)按組劃分為訓(xùn)練集、驗證集和測試集，優(yōu)選的，所述預(yù)設(shè)比例為6:2:2；

34、s32：挑選預(yù)設(shè)個數(shù)的符合比例劃分的隨機種子進行篩選，將訓(xùn)練集和驗證集合為總訓(xùn)練集，在測試集上進行全精度指標(biāo)(overallaccuracy?index，oai)評估，選擇oai中位數(shù)水平的隨機種子進行后續(xù)的數(shù)據(jù)劃分；優(yōu)選的，所述預(yù)設(shè)個數(shù)為100；

35、s33：按照步驟s31和步驟s32對不同多任務(wù)學(xué)習(xí)的框架進行評估，評估出共享層的層數(shù)和神經(jīng)元的數(shù)量，根據(jù)全精度指標(biāo)的最佳值確定多任務(wù)學(xué)習(xí)的優(yōu)化框架。

36、作為上述方案進一步的改進，在步驟s4中，在得到的所述多任務(wù)學(xué)習(xí)的優(yōu)化框架上，利用總訓(xùn)練集進行超參數(shù)優(yōu)化；

37、超參數(shù)優(yōu)化方法采用網(wǎng)格搜索、隨機搜索、粒子群優(yōu)化方法中的任一種，同時進行五折交叉驗證，獲得最佳的多任務(wù)學(xué)習(xí)超參數(shù)。

38、第二方面，本發(fā)明還提供一種設(shè)備，包括用于存儲計算機程序指令的存儲器和用于執(zhí)行計算機程序指令的處理器，其中，當(dāng)該計算機程序指令被所述處理器執(zhí)行時，觸發(fā)所述設(shè)備執(zhí)行第一方面提供的一種廢舊鋰電池中多種金屬浸出率預(yù)測方法。

39、第三方面，本發(fā)明還提供一種存儲介質(zhì)，其上存儲有計算機程序，其中，在所述程序運行時控制所述存儲介質(zhì)所在設(shè)備執(zhí)行第一方面提供的一種廢舊鋰電池中多種金屬浸出率預(yù)測方法。

40、由于本發(fā)明采用了以上技術(shù)方案，使本技術(shù)具備的有益效果在于：

41、本發(fā)明提供一種廢舊鋰電池中多種金屬浸出率預(yù)測方法，包括：利用rdkit生成有機酸的描述符，獲得多任務(wù)學(xué)習(xí)的基礎(chǔ)數(shù)據(jù)集；對基礎(chǔ)數(shù)據(jù)集進行預(yù)處理，獲得與浸出率最具代表性的特征子集；定義待浸出的多種金屬的浸出任務(wù)并構(gòu)建多任務(wù)學(xué)習(xí)的基本架構(gòu)；對預(yù)處理后的數(shù)據(jù)集進行劃分和指標(biāo)評估，獲得多任務(wù)學(xué)習(xí)的優(yōu)化框架；進行超參數(shù)優(yōu)化，獲得最佳的多任務(wù)學(xué)習(xí)超參數(shù)；基于最佳的多任務(wù)學(xué)習(xí)超參數(shù)訓(xùn)練多任務(wù)學(xué)習(xí)模型，獲得基于多任務(wù)學(xué)習(xí)的多種金屬浸出率預(yù)測模型；將未知的廢舊鋰電池浸出數(shù)據(jù)輸入基于多任務(wù)學(xué)習(xí)的多種金屬浸出率預(yù)測模型，同時獲得多種金屬的浸出率；本發(fā)明能夠快速、可靠地同時預(yù)測出廢舊鋰電池中多種金屬的浸出率；在本發(fā)明基于有機酸同時浸出廢舊鋰電池的數(shù)據(jù)，利用構(gòu)建的基于多任務(wù)學(xué)習(xí)的多種金屬浸出率預(yù)測模型同時預(yù)測多種金屬的浸出率；相比于傳統(tǒng)實驗化學(xué)分析測試，本發(fā)明提供的預(yù)測方法可以節(jié)省大量人力和物力，具有工作量小，成本低，精度高，可靠性高等優(yōu)點，且可以同時獲得多種金屬的浸出率；

42、另外本發(fā)明將數(shù)據(jù)泄露管理建模和多任務(wù)學(xué)習(xí)模型算法結(jié)合在一起，建立出的比單一建模和數(shù)據(jù)隨機劃分更具可靠性和便捷性，并且魯棒性會更優(yōu)，對于未知原料的廢舊鋰電池種類和有機酸預(yù)測的結(jié)果更具合理性和穩(wěn)定性。