耦合物理信息约束和多任务机器学学习的固体燃料元素含量预测方法

本发明涉及一种耦合物理信息约束和多任务机器学习的固体燃料元素含量预测方法及系统，属于碳排放核算领域。其中，方法包括收集并建立固体燃料工业分析和元素分析数据集；基于固体燃料工业分析各项与元素分析各项的质量平衡约束，并结合梯度正则化多任务学习算法，构建物理信息约束的神经网络模型；进一步地，以工业分析数据为模型输入，实现固体燃料中C、H、O、N四种元素含量的同步快速预测。与现有的现场取样测试方法相比，本发明构建的物理信息约束的神经网络模型能够使用固体燃料日常例行检测的工业分析数据，快速准确预测C、H、O、N元素分析数据，方法操作简单，能有效规避传统燃料元素分析方法耗时费力、数据滞后等问题，服务于固体燃料元素成分快速检测与数据核查校验。