一种危险废物资源化产物暴露度评估方法与流程

本发明涉及环境保护与废物资源化利用，尤其涉及一种危险废物资源化产物暴露度评估方法。

背景技术：

1、随着工业的快速发展，危险废物的产量日益增加，其对环境和人类健康构成严重威胁。危险废物的资源化利用成为重要的解决途径，但在此过程中，资源化产物的暴露度评估至关重要。然而，现有的暴露度评估方法存在诸多不足，如精度低、可解释性差等，难以有效满足实际需求。因此，亟需一种更为精确且具有良好可解释性的危险废物资源化产物暴露度评估方法，以确保资源化产物的安全使用，降低其对环境和人体的潜在风险，促进危险废物的合理资源化利用。

技术实现思路

1、本发明的目的是要提供一种危险废物资源化产物暴露度评估方法。

2、为达到上述目的，本发明是按照以下技术方案实施的：

3、本发明包括以下步骤：

4、采集危险废物资源化产物的生产工艺、应用场景和全过程理化检测数据；

5、将所述全过程理化检测数据输入毒性预测模型得到毒性数据，对所述生产工艺和所述应用场景进行分类得到影响数据；

6、根据所述影响数据对于暴露度的关联度得到影响因子，根据所述毒性数据和所述暴露度建立风险指数；

7、基于所述毒性数据、所述影响因子和所述风险指数构建暴露度评估模型，优化所述暴露度评估模型的参数，将待评估数据输入所述暴露度评估模型，输出评估结果。

8、进一步地，采集危险废物资源化产物的生产工艺、应用场景和全过程理化检测数据的方法，包括：

9、全过程理化检测数据为危险废物、危险废物资源化产物、在危险废物资源化产物的应用场景中的副产物的理化检测数据，理化检测数据包括重金属及有机污染物的含量。

10、进一步地，将所述全过程理化检测数据输入毒性预测模型得到毒性数据的方法，包括：

11、预训练的毒性预测模型通过污染物字典获取污染物的半致死剂量、致癌风险和致畸性，计算毒性系数：

12、

13、其中t为毒性系数，ld50为半致死剂量，cp为致癌风险，j为致畸性，w1、w2和w3分别为ld50、cp和j的权重，毒性数据包括污染物的毒性系数和浓度。

14、进一步地，对所述生产工艺和所述应用场景进行分类得到影响数据的方法，包括：

15、采用独热编码将生产工艺和应用场景转换为数值向量，随机选择类簇中心对生产工艺和应用场景进行聚类，类簇中心的初始更新公式：

16、

17、其中vi为类簇i的类簇中心，ωl和ωb分别为下近似集和边界区域的权重，ωll和ωlb为在加入不均衡度调整参数后的下近似集和边界区域的权重，xj为第j个数据点，hij为数据点j对于类簇i的隶属度，m为模糊系数，ci为类簇i，ci为类簇i的下近似集，为边界区域，为类簇i的上近似集，为空集，

18、新增数据点对于类簇i的隶属度公式：

19、

20、其中，为新增数据点的邻域数据中属于类簇i的数据点数量，是的邻域半径ζ范围内的邻域数据点数量，为和vi的间距，表示数据点的局部密度，k为类簇的数量，

21、新增数据点后类簇中心的更新公式：

22、

23、其中，为中数据点的数量，为新增数据点的数量。

24、进一步地，根据所述影响数据对于暴露度的关联度得到影响因子的方法，包括：

25、根据影响数据得到暴露途径，计算暴露度的公式：

26、

27、其中κ为暴露度，为暴露途径的数量，为污染物的数量，为第l种暴露途径中污染物的浓度，fl为第l种暴露途径的暴露频率，dl为第l种暴露途径的暴露持续时间，为第l种暴露途径的暴露效率，bl为第l种暴露途径的生物利用度，atl为第l种暴露途径的平均暴露时间，为第l种暴露途径的污染物环境浓度，

28、采用暴露度作为目标值，毒性数据和影响数据作为输入向量，训练svr模型，

29、采用贝叶斯优化算法优化svr模型的超参数，svr模型的目标函数为：

30、

31、其中f为目标函数，v为svr模型的权重向量，b为偏置项，m为样本数量，ai为第i个输入向量，ei为第i个目标值，∈是不敏感损失的阈值，∈∈(0,0.01)，λ是正则化系数，ρ是正则化项的权重，ρ∈[0,1]，‖·‖表示欧氏距离，

32、贝叶斯优化中采用的高斯过程为：

33、

34、其中为目标函数在超参数点处的值，gp为高斯过程的概率分布，为核函数，和为超参数搜索空间中的超参数点，高斯过程均值为0，其中核函数为高斯核函数，

35、采集函数：

36、

37、其中为预测均值，是预测标准差，θ是svr模型的超参数搜索空间，β是控制采集策略的控制系数，预测分布的更新规则为：

38、

39、其中为根据d1:t和得到目标函数在处的预测分布，是均值和方差分别为和的高斯分布，为第t次迭代中目标函数在处的预测方差，d1:t为第1～t次迭代的超参数点集合，t为当前迭代次数，f1:t为d1:t对应的目标函数为在第t次迭代给定新超参数点时的预测均值，为使用高斯过程预测的期望值，k为第1～t次迭代的t个超参数点的核矩阵，k-1为k的逆矩阵，k为第t+1次迭代的超参数点的核向量；

40、迭代优化，直到目标函数值小于0.05，计算输入向量对于目标值的shap值作为关联度，将影响数据的关联度作为对应的危险废物资源化产物的影响因子。

41、进一步地，根据所述毒性数据和所述暴露度建立风险指数的方法，包括：

42、计算风险指数的公式：

43、

44、其中，c风险为风险指数，为污染物的数量，为第种污染物的毒性系数，κ为暴露度，为第种污染物的暴露浓度，为总危害商，为第种污染物在所有暴露途径的非致癌危害，包括腐蚀性、神经毒性和生态毒性，为第种暴露途径的致癌风险，e为自然对数的底数。

45、进一步地，基于所述毒性数据、所述影响因子和所述风险指数构建暴露度评估模型的方法，包括：

46、将毒性数据、影响因子和风险指数划分为训练集、测试集和验证集，基于xgboost算法采用训练集学习毒性数据和影响因子对于风险指数的预测模式，建立暴露度评估模型，采用测试集优化暴露度评估模型的超参数，通过验证集验证暴露度评估模型的准确率。

47、进一步地，优化所述暴露度评估模型的方法，包括：

48、采用暴露度评估模型的超参数作为粒子，暴露度评估模型的均方误差作为粒子的适应度值，将粒子按照适应度值从小到大进行排名，根据排名计算粒子质量和惯性质量：

49、

50、其中mi(t)和mj(t)分别为第t次迭代中第i个粒子和第j个粒子的质量，ranki(t)是粒子i在第t次迭代的排名，n是粒子总数，

51、粒子间的引力计算公式：

52、

53、其中为第t次迭代中第i个粒子受到的引力合力，ωj为第j个粒子的权重，取值范围为[0,1]，为第t次迭代中在第d维上第i个粒子受到第j个粒子的引力，g(t)为第t次迭代的引力常数，e为自然对数的底数，α(t)是第t次迭代的衰减系数，t为最大迭代次数，mi(t)和mj(t)分别为第t次迭代中第i个粒子和第j个粒子的惯性质量，rij(t)为第t次迭代中第i个粒子和第j个粒子的欧式距离，ε为容许误差，和分别为第t次迭代中在第d维上第i个粒子和第j个粒子的位置，

54、根据迭代次数动态调整引力常数的衰减系数和初始引力常数：

55、

56、

57、其中，α0是初始衰减系数，β是调整参数，g0(t)为第t次迭代的初始引力常数，gmax和gmin分别是初始引力常数的最大值和最小值，

58、粒子的速度更新公式和位置更新公式：

59、

60、

61、其中和分别为第t次迭代和第t+1次迭代在d维上第i个粒子的速度，为在[0,1]之间的随机数，为第t次迭代在d维上第i个粒子的加速度，fi(t)为粒子i在第t次迭代的适应度值，kv是速度调整系数，fbest(t)和fworst(t)分别是在第t次迭代中最小和最大的适应度值，是在第t次迭代中最优解在第d维上的位置，最优解为最小的适应度值对应的粒子，为第t+1次迭代在d维上第i个粒子的位置，n(t)是随机噪声项，是均值为零且方差随时间变化的高斯噪声，达到预设最大迭代次数后输出最优解。

62、第二方面，本技术实施例还提供一种电子设备，包括：

63、处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。

64、第三方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。

65、本发明的有益效果是：

66、本发明是一种危险废物资源化产物暴露度评估方法，与现有技术相比，本发明具有以下技术效果：

67、本发明通过综合考虑毒性数据、生产工艺和应用场景，能够更准确地评估危险废物资源化产物的暴露度，为危险废物的资源化利用提供更可靠的依据。该方法可以直接应用于危险废物资源化产物暴露度评估系统中，为相关决策提供科学支持，有助于提高危险废物资源化利用的安全性和合理性