[发明专利]用于分析生物油品质的模型训练方法及分析方法

说明书

本发明提出了一种用于分析生物油品质的模型训练方法及分析方法。其中，该模型训练方法包括：根据生物油常见组分范围配置N组不同配比的生物油模型化合物样本，获取样本的生物油品质数据，其中，N为正整数；采集N组样本的光谱图数据；将光谱图数据输入信息处理模块模型，进行光谱图数据预处理，获得处理后的样本数据；采用处理后的样本数据训练回归模块模型，得到训练完成的用于分析生物油品质的回归模块模型。

技术领域

本发明涉及能源与环境交叉领域，具体地，涉及一种用于分析生物油品质的模型训练方法及分析方法。

背景技术

生物质作为唯一能够直接转化为液体燃料的一种可再生能源，其有着产量巨大、可循环和碳循环等优点，而且能够大幅度减少污染物和温室气体的排放，改善环境，保护生态。

通过多种热化学技术，可将生物质转化为生物油产品。生物质转化为具有高附加值的航空燃油，其中就需要合成航空燃油中的芳烃组分，而热解、水热液化制油是由生物质制备芳烃类化合物最高效的方式。

但是生物油的品质会随着原料和制油工艺的变化而变化，因此，许多现有研究会以提高生物油品质为目标对原料和工艺进行优化，在这个过程中，就需要经常检测分析实验制备的生物油的品质。而且，在实际生产中，由于生物质原料不稳定，会导致最后生产出的生物油的品质会上下波动，这也需要技术人员实时对生物油产品进行品质检测分析。因此，无论从科学研究还是工程生产的角度来看，对生物油品质进行经常性检测分析是非常有必要的。

目前，用于检测分析生物油品质的测试方法有很多，例如，氧弹量热仪(测热值)、卡氏含水量分析仪(测含水量)、元素分析仪(测H、O元素含量和C/H比等)等。但是，需要这些测试方法结合起来才能得到与生物油品质相关的所有测试结果，这也是目前用来检测分析生物油品质的最常见的方式。但是，这种检测分析方式会存在检测分析时间长，检测分析周期往往长达数小时，而且步骤很复杂，需要多种仪器手段配合才能够得出可靠结果。

发明内容

有鉴于此，为了能够实现生物油品质的快速、便捷、无样品损失的分析方法，本发明提出一种用于分析生物油品质的模型训练方法及分析方法。

为了实现上述目的，本发明提出了一种用于分析生物油品质的模型训练方法及分析方法。其中，该模型训练方法包括：根据生物油常见组分范围配置N组不同配比的生物油模型化合物样本，获取样本的生物油品质数据，其中，N为正整数；采集N组样本的光谱图数据；将光谱图数据输入信息处理模块模型，进行光谱图数据预处理，获得处理后的样本数据；采用处理后的样本数据训练回归模块模型，得到训练完成的用于分析生物油品质的回归模块模型。

根据本发明的实施例，其中，获取样本的生物油品质数据，包括：调研收集多个生物油组分范围，将多个生物油组分范围按照不同配比配置N组生物油模型化合物样本；根据每组生物油模型化合物样本的组分含量，利用生物油品质的相关计算公式，得出生物油品质数据。

根据本发明的实施例，其中，采用处理后的样本数据训练回归模块模型，包括：将N组样本的光谱图数据划分为训练集、验证集和测试集；根据训练集和验证集对回归模块模型进行迭代训练；根据测试集对迭代训练后的回归模块模型进行性能测试。

根据本发明的实施例，其中，根据训练集和验证集对回归模块模型进行迭代训练，包括：将训练集输入到回归模块模型中进行训练；根据验证集，对训练后的回归模块模型进行验证，若验证结果不符合迭代停止条件，则继续对回归模块模型进行迭代训练和验证；若验证结果复合迭代停止条件，则输出迭代训练好的回归模块模型。

根据本发明的实施例，其中，生物油品质包括以下至少之一：不饱和度、有效碳氢比、热值、溶液的C、H、O的质量分数。

根据本发明的实施例，其中，每种生物油品质分别对应于一种回归模块模型。

根据本发明的实施例，其中，信息处理模块模型的学习算法包括以下至少之一：主成分分析算法、局部线性嵌入算法、拉普拉斯特征映射算法。