本发明涉及海藻自水水热炭化优化，具体而言，涉及一种基于机器学习的海藻自水水热炭化工艺优化方法。
背景技术：
1、水热炭是一种以生物质或其组分为原料，以水为溶剂和反应介质，在一定反应温度和自生压力下，经水热反应得到的以碳为主体，含氧官能团丰富的黑色固体产物。水热炭化技术由于其经济性和环境友好型在实现生物质资源的高效转化应用方面引起越来越多的关注。
2、在现有的水热炭化工艺的应用过程中，生产厂商都是自主生产水热炭产品，自主制定产品线和产品类型，买家则根据自身购买需求在市面上的水热炭产品中进行选择。对于生产厂商而言，其生产和销售过程均是被动、盲目的，无法有效针对买家的实际需求进行水热炭产品的定制化，这就使得买家购买的产品有可能与自身实际使用需要不符，直接影响了水热炭产品在后续应用中的使用精准度，也造成了水热炭产品不必要的浪费，无法实现对买家的精准服务。
3、有鉴于此，特提出本技术。
技术实现思路
1、本发明的目的在于提供一种基于机器学习的海藻自水水热炭化工艺优化方法，其能够帮助生产厂商实现对买家的定制化生产，使得买家购买的产品与自身实际使用需要高度匹配，提高了水热炭产品在后续应用中的使用精准度，减少了水热炭产品不必要的浪费，提高了生产厂商的生产精准度，实现对买家的精准服务。
2、本发明的实施例是这样实现的：
3、一种基于机器学习的海藻自水水热炭化工艺优化方法，其包括如下步骤：
4、s1、以海藻作为原料制备水热炭，收集反应温度、反应时间、以及对应的水热炭产品理化参数，将反应温度、反应时间和水热炭产品理化参数作为训练集。
5、s2、建立机器学习模型，利用训练集对机器学习模型进行训练。
6、s3、根据买家的购买需求确定对应的需求理化参数，利用机器学习模型为需求理化参数匹配对应的需求反应温度和需求反应时间。
7、s4、以海藻为原料，按照需求反应温度和需求反应时间生产水热炭。
8、进一步的，基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
9、s5、为每个买家分别建立技术信息库，技术信息库中保存有该买家的“需求理化参数-水热炭用途”数据。
10、在s3中，基于“需求理化参数-水热炭用途”数据，根据买家的购买需求确定与之对应的需求理化参数。
11、进一步的，基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
12、s6、对全部买家的“需求理化参数-水热炭用途”数据求交集，以交集中的数据条数表征技术普及度。其中，交集中的数据条数越多，技术普及度越高。
13、s7、对全部买家的“需求理化参数-水热炭用途”数据求并集，以并集中的数据条数表征技术应用范围。其中，并集中的数据条数越多，技术应用范围越宽。
14、进一步的，基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
15、s8、根据买家的“需求理化参数-水热炭用途”数据确定买家正在使用的需求理化参数，并将其作为匹配关键词。在买家所在行业的技术论坛贴和/或技术文献中检索与匹配关键词相匹配的内容，并提取其中提到的匹配关键词所涉及到的新用途。根据该新用途对该买家的“需求理化参数-水热炭用途”数据进行补充，并将该新用途对应的数据标记为待验证数据。将待验证数据发送至对应的买家，并向该买家推送对应的技术论坛贴和/或技术文献。若该推送得到该买家的肯定回复，则将待验证数据正式纳入“需求理化参数-水热炭用途”数据。
16、进一步的，基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
17、s9、针对每个买家，根据其对应的“需求理化参数-水热炭用途”数据分别构建可视视图。在可视视图中，为需求理化参数中的每种数据分别构建一变量轴，变量轴之间并列且均匀间隔设置。变量轴的长度均相等，变量轴的两端端点分别对应相应数据的下限值和上限值。
18、s10、对于“需求理化参数-水热炭用途”数据中的每一条数据，在每个变量轴上确定对应数据的取值段。对于相邻的变量轴，在其对应的两个取值段的两个下限值之间、以及两个上限值之间均构建连接线。将由全部连接线、以及位于最两端的两变量轴围合形成的区域作为评价区域。
19、s11、以单个评价区域的面积表征买家在对应的水热炭用途中的单用途技术宽泛度，其中，单个评价区域的面积越大，单用途技术宽泛度越高。以买家全部的评价区域的面积和表征该买家在水热炭整体应用中的全用途技术宽泛度，其中，评价区域的面积和越大，全用途技术宽泛度越高。
20、进一步的，基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
21、s12、对于两个买家而言，将两个买家在同一水热炭用途的评价区域置于同一可视视图中，确定该两个买家的评价区域的重叠情况，将与同一变量轴具有至少2个交点的重叠区域作为第一重叠区域，将其余重叠区域作为第二重叠区域。
22、s13、统计全部第一重叠区域的面积和、以及全部第二重叠区域的面积和。以第一重叠区域的面积和表征该两个买家的技术相关度，其中，第一重叠区域的面积和越大，该两个买家的技术相关度越高。
23、以第二重叠区域的面积和表征该两个买家的技术选择倾向性，其中，第二重叠区域的面积和越大，该两个买家的技术选择倾向性差异越大。
24、进一步的，基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
25、s14、设置技术相关度阈值，并确定与之对应的第一重叠区域面积和阈值。设置技术选择倾向性阈值，并确定与之对应的第二重叠区域面积和阈值。
26、s15、对于任一买家而言，确定该买家与其他买家之间的第一重叠区域的面积和、以及第二重叠区域的面积和，筛选出第一重叠区域的面积和大于或等于第一重叠区域面积和阈值、且第二重叠区域的面积和小于第二重叠区域面积和阈值的其他买家，作为相近买家。
27、s16、在该买家和相近买家之间建立技术关联关系，对具有技术关联关系的买家向管理者进行提示。
28、本发明实施例的技术方案的有益效果包括：
29、在本发明实施例提供的基于机器学习的海藻自水水热炭化工艺优化方法中，新鲜水藻的含水量在95%以上，即使是在运输过程中存在水分损失，其最终的含水量通常也可以保持在50%以上，完全满足水热炭化工艺的水量要求。利用海藻作为水热炭化工艺的原料，完全可以利用海藻自身含有的水（即：自水）完成水热炭化，无需额外加水。基于此，在海藻自水水热炭化的过程中，只需控制反应温度和反应时间。
30、正是利用了海藻作为水热炭化工艺的原料，精简了需要调控的生产变量（反应温度和反应时间），精简了机器学习模型的复杂度，也有助于提高机器学习模型的精度。
31、通过加入机器学习模型，实现了在买家的实际需求的基础上来定制化地生产水热炭产品，降低了生产厂家生产的盲目性，也无需买家自己在市面上众多的水热炭产品中去挑选，在提高了水热炭产品的供应精度的同时，还降低了买家的购买负担，大大提高了水热炭产品供应链的高效性、精准性，降低了水热炭产品因为产品与用途不匹配而导致的浪费，提高了资源的利用率。
32、总体而言，本发明实施例提供的基于机器学习的海藻自水水热炭化工艺优化方法能够帮助生产厂商实现对买家的定制化生产，使得买家购买的产品与自身实际使用需要高度匹配，提高了水热炭产品在后续应用中的使用精准度，减少了水热炭产品不必要的浪费，提高了生产厂商的生产精准度，实现对买家的精准服务。
1.一种基于机器学习的海藻自水水热炭化工艺优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器学习的海藻自水水热炭化工艺优化方法，其特征在于，所述基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
3.根据权利要求2所述的基于机器学习的海藻自水水热炭化工艺优化方法，其特征在于，所述基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
4.根据权利要求2所述的基于机器学习的海藻自水水热炭化工艺优化方法，其特征在于，所述基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
5.根据权利要求2所述的基于机器学习的海藻自水水热炭化工艺优化方法，其特征在于，所述基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
6.根据权利要求5所述的基于机器学习的海藻自水水热炭化工艺优化方法，其特征在于，所述基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
7.根据权利要求6所述的基于机器学习的海藻自水水热炭化工艺优化方法，其特征在于，所述基于机器学习的海藻自水水热炭化工艺优化方法还包括如下步骤：
