基于DNN的活性炭吸附预测及性能评价

传统机器学习在处理有限样本数据时,容易出现过拟合和梯度消失等问题。为解决该类问题,文中以生物质活性炭亚甲基蓝吸附作为研究对象,构建了一种基于深度学习的DNN预测模型。使用Adam算法动态调整学习率、加速网络收敛;采用Dropout函数缓解过拟合;使用ReLU函数作为激活函数解决梯度消失问题。所搭建的DNN模型预测精度和稳健性均显著高于传统的人工神经网络模型,在面对单一来源数据时,预测平均准确率达到99.9%,面对来自不同实验室的多重来源数据时,依然拥有99.8%的平均预测准确率。搭建好的DNN模型以较强的鲁棒性保证了自身的安全性和容错能力,符合数据庞杂且复杂多变的实际应用情况,同时可进行关键影响因子的非线性定量关系预测,从而辅助制备工艺的决策优化。