本发明涉及吸附能预测领域，尤其涉及一种预测吸附能的方法。
背景技术：
1、吸附能是表面科学中的一个重要物理量，它经常决定材料在催化、传感器和储能材料中的应用。如果吸附能过高，会产生负面影响，如果吸附能过低，会导致反应障碍。而现有技术中对吸附能的预测方式有两种，第一种是通过实验测量，具体是进行热重分析、差热分析、原子力显微镜等技术手段。另一种是通过理论计算，具体是通过计算分子与固体表面的相互作用能、电子结构、晶体结构等来预测吸附能的数值。然而现有技术存在很多弊端，其中，第一种方式实验成本高，需要昂贵的化学材料成本、实验仪器及复杂的实验操作，不仅效率低，而且需要一系列复杂的实验操作且试验周期长。第二种方式对于wi ndows系统存在计算时间长、速度慢的弊端；对于l inux系统存在计算成本高、不易获得的弊端。
2、因此，本发明提供了一种既不通过实验也不通过计算，只通过该机器学习模型预测得到吸附能的方法。
技术实现思路
1、有鉴于此，本发明提供了一种预测吸附能的方法。
2、为解决上述技术问题，本发明采取了如下技术方案：
3、一种预测吸附能的方法，包括以下步骤：
4、(1)数据获取：
5、在数据库中，选取“一维过渡金属卤化物上气体原子的化学吸附”的吸附能数据作为训练机器学习模型的输出数据，在数据库中选取功函数、覆盖率、最大应力、总磁矩、单元格长度这5组数据再加上自行查询过渡金属、卤原子、吸附质原子的电负性这3组数据共8组数据作为训练机器学习模型的输入数据；
6、(2)归一化处理：
7、对所获取的数据进行归一化处理，将数据代公式处理到[0，1]范围内；
8、(3)机器学习模型：
9、基于python-jupyternotebook构建模型；然后，不断调整参数，直至找到误差最小时对应的参数作为最终的参数设置，将吸附能数据作为输出；
10、(4)预测吸附能：
11、通过该机器学习模型预测得到吸附能。
12、优选的，所述步骤(1)中，所述数据库为cmr(computational materialsrepository)数据库。
13、优选的，所述步骤(2)中，利用python-jupyter notebook的脚本对所获取的数据进行归一化处理。
14、优选的，所述步骤(2)中，归一化公式为：
15、
16、其中，xi是输入数据，xmin是输入数据的最小值，xmax是输入数据的最大值。
17、优选的，所述步骤(3)中，参数设置为n_estimators＝100,random_state＝42，随机划分数据80％为训练集，20％为测试集，
18、优选的，所述步骤(3)中，作为输入特征/描述符的数据指的是：功函数、覆盖率、最大应力、总磁矩、单元格长度这5组数据再加上自行查询过渡金属、卤原子、吸附质原子的电负性这3组数据共8组数据。
19、优选的，所述步骤(3)中，所述模型为随机森林模型。
20、优选的，所述步骤(4)中，进行模型指标衡量的公式为：
21、
22、其中，r2为决定系数，反应模型的拟合程度，范围是[0，1]，值越接近1说明拟合越好；yi是真实值，是预测值，是真实值的平均值，y是吸附能；
23、
24、其中，mse为均方误差，值越小越好；yi是真实值，是预测值。
25、优选的，所述步骤(4)，利用80％的数据构成训练集训练的rf机器学习模型，再用于测试20％的数据构成的测试集进行测试，其r2分数达到了0.85，mse达到了0.30，说明该模型对于预测吸附能具有一定的可行性，未来可以既不通过实验也不通过计算，在已知这8组输入特征描述符数据的情况下，只通过该机器学习模型即可输出预测得到吸附能。
26、本发明相对于现有技术取得了以下技术效果：
27、本发明不需要昂贵的实验设备和复杂的实验操作，也不需要软件计算，避免了计算时间长计算成本高的问题，只需要运行代码即可实现，不仅耗时短，而且成本低。
1.一种预测吸附能的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(1)中，所述数据库为cmr(computational materials repository)数据库。
3.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(2)中，利用python-jupyter notebook的脚本对所获取的数据进行归一化处理。
4.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(2)中，归一化公式为：
5.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(3)中，参数设置为n_estimators＝100,random_state＝42，随机划分数据80％为训练集，20％为测试集。
6.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(3)中，作为输入特征/描述符的数据指的是：功函数、覆盖率、最大应力、总磁矩、单元格长度这5组数据再加上自行查询过渡金属、卤原子、吸附质原子的电负性这3组数据共8组数据。
7.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(3)中，所述模型为随机森林模型。
8.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(4)中，进行模型指标衡量的公式为：
9.根据权利要求1所述的一种预测吸附能的方法，其特征在于，所述步骤(4)，利用80％的数据构成训练集训练的rf机器学习模型，再用20％的数据构成的测试集进行测试，其r2分数达到了0.85，mse达到了0.30，说明该模型对于预测吸附能具有一定的可行性，未来可以既不通过实验也不通过计算，在已知这8组输入特征描述符数据的情况下，只通过该机器学习模型即可输出预测得到吸附能。
