基于WLOF-DENS融合算法的NaCl-Na2SO4-H2O三元体系溶解度精准预测模型研究

针对传统热力学模型在宽温域(-20~150°C)溶解度预测中的局限性，中国科学院团队创新性提出结合加权局部离群因子(WLOF)和深度集成神经网络(DENS)的数据驱动方法。该研究通过异常值检测优化数据集质量，采用贝叶斯超参数优化构建预测模型，最终在NaCl-Na2SO4-H2O体系中获得0.989的决定系数，为盐湖资源开发和废水处理提供新工具。

　　

在西北地区热循环法盐硝联产技术中，NaCl-Na₂SO₄-H₂O三元体系作为核心原料系统，年产量可达130万吨芒硝，广泛应用于医药、相变储热等领域。然而该体系溶解度呈现特殊温度依赖性：Na₂SO₄在32.38°C以下溶解度骤增，之后随温度升高逐渐降低，这种非线性变化使传统Pitzer模型面临巨大挑战。虽然Pitzer模型通过参数回归能实现局部预测，但需要复杂温度修正参数，且在宽温域预测时精度显著下降。

针对这一难题，青海大学联合研究团队在《Chinese Journal of Chemical Engineering》发表创新成果。研究采用多源实验数据整合策略，首先运用加权局部离群因子(WLOF)算法进行局部异常值检测，相比传统Z-score和IQR方法，能更好保留数据分布特征；随后构建深度集成神经网络(DENS)架构，集成多个DNN子模型以降低个体偏差；最终通过贝叶斯优化(BO)调参，建立覆盖-20~150°C的溶解度预测模型。

关键技术包括：1) 整合273.15-423.15K多源实验数据；2) 对比Z-score/IQR/WLOF三种异常检测方法；3) 构建含注意力机制的DENS框架；4) 贝叶斯超参数优化。

【数据预处理】
通过WLOF算法识别局部密度异常点，相比全局检测方法更适应实验条件差异导致的分布不均问题，使模型R²从0.878提升至0.958。

【模型构建】
深度集成神经网络整合LSTM和CNN特征提取优势，各子模型采用不同初始化权重和dropout率(0.2-0.5)，通过Bagging策略降低方差。

【超参数优化】
贝叶斯优化确定关键参数：学习率(1×10^-4)、批量大小(64)、隐藏层数(5)，使DENS模型R²进一步提升至0.989。

【结论与意义】
该研究突破传统热力学模型依赖特定参数的局限，证明数据驱动方法在复杂体系溶解度预测中的优越性。模型对芒硝结晶工艺优化、煤化工高盐废水处理具有直接指导价值，其WLOF-DENS框架可扩展至其他多元水盐体系预测。研究数据与代码已在GitHub开源，促进领域内方法学创新。