(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111404242.3 (22)申请日 2021.11.24 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区 (72)发明人 孔哲　李天宇　梁立军　张永军　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 专利代理师 尉伟敏 (51)Int.Cl. G06F 30/10(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/08(2006.01) G06F 111/04(2020.01) G06F 113/08(2020.01)G06F 119/14(2020.01) (54)发明名称 一种基于神经网络的海水淡化膜的设计方 法 (57)摘要 本发明公开了一种基于神经网络的海水淡 化膜的设计方法， 整体方案包括以下步骤： 步骤 S1： 采集海水淡化膜设计的相关信息， 训练神经 网络； 步骤S2： 计算海水淡化各项参数设置的约 束条件； 步骤S3： 建立海水淡化的参数拟合模型； 步骤S4： 根据训练完成的神经网络算法对测试集 数据进行计算和验证， 排除过拟合情况； 通过神 经网络训练， 不断完善海水淡化膜制作过程的参 数， 有利于海水淡化膜类产品的迭代更新， 降低 后续制作成本和开发成本； 在神经网络训练过程 中增加参数噪音， 针对噪音进行训练， 提高神经 网络系统的鲁棒 性。 权利要求书1页 说明书5页 附图2页 CN 114580040 A 2022.06.03 CN 114580040 A 1.一种基于神经网络的海水淡化膜的设计方法， 其特 征是， 包括以下步骤： 步骤S1： 采集海水淡化膜设计的相关信息， 训练神经网络； 步骤S2： 计算海水淡化各项参数设置的约束条件； 步骤S3： 建立海水淡化的参数拟合模型； 步骤S4： 根据训练完成的神经网络算法对测试集数据进行计算和验证， 排除过拟合情 况。 2.根据权利要求1所述的一种海水淡化膜的设计方法， 其特征是， 步骤S1包括以下步 骤： 步骤S11： 构建以神经网络为主题训练的多层前馈网络； 步骤S12： 根据训练效果确定影响因素的内容和数量以及输出层变量的数量； 步骤S13： 利用深度神经网络， 降低网络的误差平方差； 步骤S14： 根据训练集的数据进行训练优化拟合效果， 调整神经网络算法的参数。 3.根据权利要求1和2所述的一种海水淡化膜的设计方法， 其特征是， 所述神经网络包 括输入层、 隐式层和输出层。 4.根据权利要求2所述的一种 海水淡化膜的设计方法， 其特征是， 样本输入参数按照线 性排列， 单个样本表达式如下 所示： xi＝(xi1,xi2,…,xin)， 所有样本组成的举 证表达式如下 所示： 5.根据权利要求4所述的一种基于神经网络的海水淡化膜的设计方法， 其特征在于， 样 本输入参数 数据将经 过系统归一 化处理， 用作模型收敛。 6.根据权利要求1 ‑5任一项所述的一种基于神经网络的海水淡化膜的设计方法， 其特 征是， 海水淡化膜样本的参数 标准为拒盐率， 拒盐率的表达式如下 所示： 拒盐率＝1‑(通过的钠离 子+氯离子)/(总的钠离 子+氯离子) 7.根据权利要求1 ‑6任一项所述的一种基于神经网络的海水淡化膜的设计方法， 器特 征是， 海水淡化膜设计所需数据的获取方式包括但不限于基于第一性原理的分子动力学软 件GROMACS模拟以及实验数据， 所述神经网络算法是一种马尔可夫状态转移算法和卷积神 经网络算法与bp神经网络算法的融合。 8.一种计算机设备， 包括存储器和 处理器， 以及存储在所述处理器中并可在所属处理 器上运行的程序,其特征是， 所述处理器在执行所述程序时实现如1 ‑6所述基于神经网络的 海水淡化膜的设计方法。 9.一种计算机可读存储介质， 其存储有计算机程序,其特征在于， 所述计算机程序被处 理器执行时实现如1 ‑6所述基于神经网络的海水淡化膜的设计方法。权　利　要　求　书 1/1 页 2 CN 114580040 A 2一种基于神经 网络的海水 淡化膜的设计方 法 技术领域 [0001]本发明涉及海水淡化领域， 尤其是涉及一种基于神经网络的海水淡化膜的设计方 法。 背景技术 [0002]地球上有着占总面积百分之七十一的海洋面积， 海水资源是大自然给我们带来的 宝贵财富。 部 分沿海地区以及海岛经济发达， 但淡水资源相对不 足。 而海水中虽然含有很多 对人体有益的元素， 但大部 分浓度过高， 直接饮用会损害人体健康， 而且未经净化的海水中 还含有大量有害物质。 同时， 海水中盐分过多也会损坏机器， 影响机器的使用寿命。 海水淡 化可以解决淡水资源短缺的问题。 [0003]当前海水淡化技术被广泛应用于许多领域， 特别是反渗透海水淡化技术深受广大 用户的欢迎， 也为沿海地区以及海岛的用水提供了很多便利。 海水淡化技术的出现缓解了 全球淡水危机， 促进了海水淡化设备产业的发展。 目前， 各种规格的海水淡化设备层出不 穷， 与此同时， 人们也对海 水淡化的生产成本和设计成本感到担忧 。 由于海洋资源的不断开 发， 海水淡化也将成为未来重要的淡水来源。 为了降低海水淡化的能耗， 科学家在不断进 行 海水淡化膜设计方向的研究。 [0004]海水淡化技术在不断发展， 传统的基于实验数据的海水淡化膜设计制 备方法， 成 本十分昂贵， 对实验 人员及设备的要求较高， 方案验证需要较长的周期， 中途存在大量不确 定的风险， 性价比较低， 例如， 一种在中国专利文献上公开的 “一种海水淡化方法 ”， 公开号 为CN107215979A， 包括海 水淡化膜设计制作成本较高， 需要的制作资源 过多等问题， 不利于 海水淡化方面 开发的可持续发展。 发明内容 [0005]本发明是为了克服现有技术中海水淡化膜 设计制作成本较高， 需要的投入资源过 多， 不利于海水淡化方面技术的开发可持续发展的问题， 提供一种基于神经网络的海水淡 化膜的设计方法， 能有效地减少海水淡化膜设计制作成本， 且提高制作过程中数据获取 的 精确性和 神经网络训练的鲁棒 性。 [0006]为了实现上述目的， 本发明采用以下技 术方案： 一种基于神经网络的海水淡化膜的设计方法， 整体方法包括以下步骤： 步骤S1： 采集海水淡化膜设计的相关信息， 相关信息具体包括淡化膜形状、 面积、 孔周围原子电荷、 海水中的钠离子和氯离子浓度、 海水压力、 兰纳 ‑琼斯势能参数、 透过的水 分子、 钠离 子和氯离 子等信息， 用于训练神经网络； 步骤S2： 计算海水淡化各项参数设置的约束条件， 以海水淡化的模型拟合效果最 好为目标， 确定海水淡化各项参数设置的约束条件以及未满足条件下的损失； 步骤S3： 利用步骤S2所提供的数据， 建立海水淡化的参数拟合模型； 步骤S4： 根据训练完成的机器学习神经网络算法对测试集数据进行验证， 以获得说　明　书 1/5 页 3 CN 114580040 A 3