CN113326665B - 一种基于遗传规划的酸性天然气水合物生成温度预测方法 - Google Patents
一种基于遗传规划的酸性天然气水合物生成温度预测方法 Download PDFInfo
- Publication number
- CN113326665B CN113326665B CN202110736228.7A CN202110736228A CN113326665B CN 113326665 B CN113326665 B CN 113326665B CN 202110736228 A CN202110736228 A CN 202110736228A CN 113326665 B CN113326665 B CN 113326665B
- Authority
- CN
- China
- Prior art keywords
- natural gas
- genetic programming
- gas hydrate
- generation temperature
- normalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- NMJORVOYSJLJGU-UHFFFAOYSA-N methane clathrate Chemical compound C.C.C.C.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O NMJORVOYSJLJGU-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 230000002068 genetic effect Effects 0.000 title claims abstract description 31
- 230000002378 acidificating effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000003345 natural gas Substances 0.000 claims abstract description 26
- 239000002253 acid Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000007789 gas Substances 0.000 claims description 22
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 9
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 7
- 238000009395 breeding Methods 0.000 claims description 2
- 230000001488 breeding effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000035772 mutation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 150000004677 hydrates Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 natural gas hydrates Chemical class 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
本发明公开了一种基于遗传规划算法的酸性天然气水合物生成温度预测方法。包括以下步骤:获取文献中酸性天然气水合物生成相关数据;设定生成温度为输出变量,天然气组分、压力、摩尔质量为输入变量的遗传规划算法基本框架;将原始数据划分为训练集和测试集并对数据归一化处理;输入数据并采用遗传规划算法进行建模求得最优的显式表达式;最后反归一化得到预测模型;本发明的优点在于公式模型可以简单得计算即可精准得到15MPa下酸气的水合物的生成温度,解决了传统预测模型在天然气水合物生成温度预测精度低的缺陷,又避免了传统机器学习模型结构复杂、可解释性差问题。
Description
技术领域
本发明属于天然气输送管道的流动保障领域,尤其涉及一种基于遗传规划的酸性天然气生成温度预测方法。
背景技术
天然气水合物生成温度预测是提供天然气管道设计规划的基础依据。而目前天然气水合物,尤其是酸性天然气水合物生成温度的精准预测是一个重要问题。因为酸性天然气的酸性组分不同于普通天然气,酸性组分,包括二氧化碳和硫化氢,易促进天然气水合物的生成,因此酸性天然气水合物的生成温度预测的难度也大于普通天然气水合物。
目前学者们对酸性天然气水合物的生成温度预测也有了十数年的研究,很多有效的方法被一一提出。目前常见的酸性天然气水合物生成温度预测方法包括实验方法、热力学方法以及机器学习算法。其中实验方法和热力学方法操作困难,需要的仪器昂贵、知识储备量大。因此近年来热门的简单易用机器学习方法被人们青睐。
神经网络算法、支持向量机算法、模糊森林算法等机器学习算法都可以结合影响水合物生成温度的各种因素对酸性天然气水合物生成温度进行预测,但由于这些方法在结构上是一个黑箱模型,如神经网络算法,不同于拟合式方法,人们难以解释这种模型的内在关系,并且计算相对繁琐,必须每次计算都在已经训练好的模型基础上运行。
因此,十分有必要研究一种可以精准预测酸性天然气水合物的生成温度的显式表达式计算方法。
发明内容
本发明主要目的是设计一种基于遗传规划的酸性天然气水合物生成温度预测方法,避免传统机器学习模型解释性差的黑箱模型缺点,建立类似公式模型的显式表达式预测模型,并实现对于酸性天然气生成温度的精确预测,为天然气管道进行投产设计、沿程工艺设计、运行优化等工作的提供基础和依据。该发明整体结构如图1所示。本发明采取的技术方案如下:提供基于遗传规划的酸性天然气水合物生成温度预测方法,该方法包括以下步骤:
步骤一,收集各种不同组分下的酸性天然气生成水合物的温度、压力等基础数据;
步骤二,增加变量气体摩尔质量M,将数据进一步划分为训练集和测试集,并将全部数据归一化处理;
步骤三,利用遗传规划回归模型进行建模训练,设定输出变量为水合物生成温度,多次训练后,通过调整迭代遗传参数,最终获得显式表达式模型,建立关键参数和水合物生成温度之间的关系式;
步骤四,将验证集中输入参数输入显式表达式模型中,预测水合物生成温度,并通过预测得到的水合物生成温度与验证集中水合物生成温度的实验值进行对比,计算均方误差MSE和拟合度R2,验证显式表达式模型的精度;
步骤五,得到最优的显式表达式模型,输入不同工况下酸性天然气组分、压力参数,预测酸性天然气水合物生成温度。
所述的获取水合物生成条件数据是指从各已发表的文献中获取的真实实验数据。
所述的气体摩尔组分指酸性天然气中包含的甲烷组分以及二氧化碳、硫化氢这些其他气体组分的不同摩尔分数。
所述摩尔质量计算公式为:
M=16*x1+44*x2+38*x3 (1)
式中x1——气体中甲烷摩尔分数,%;
x2——气体中二氧化碳摩尔分数,%;
x3——气体中硫化氢摩尔分数,%;
所述的遗传规划算法是一种可解释性强的显式表达式生成算法,是一种基于生物基因结构和功能发明的一种新型自适应演化算法,可以在全局搜索空间内高效的进行有效的随机搜索,寻优能力、发现规律和公式的能力强。在因子寻优的过程中,通过树形结构和操作符(sqrt等)对因子进行组合,生成大量的因子表达式种群集合,通过误差、拟合度等目标函数评估中种群中每个表达式的适应度。通过表达式树结构的剪枝、交叉和叶节点的突变实现表达式的更新迭代,最终寻找最优的因子组合方式。
所述遗传规划算法如图2所示,包括以下步骤:
1)初始化种群:随机生成多个个体,初始化种群,并设置终止集合函数集;
2)评价:采用适当的适应度函数,评价所有个体;
3)选择:采用适应度函数计算得到的适应度,排列全部个体,在个体中选择下一代个体;
4)交换:在两个选择的个体中,通过随机交换因子,随机选中两个个体的子树,进行交换操作;
5)突变:通过随机突变因子,随机选中个体中的某个节点,将以节点为根的子树用随机生成的突变树替换;
6)终止:重复步骤2~5,直至满足终止条件。
所述的遗传规划算法的基本函数组包括{+,-,×,÷,exp,sqrt,ln,arctan,tanh,pow,ln,log10,^(-1),^2},表达树以加法连接。
所述遗传规划算法的种群大小、初始树深度、树深度上限分别为500、5、6,算法将生成具有基本函数组的种群大小的初代种群。
所述适应度函数为均方误差MSE:
式中n——样本数,个;
HFTreal,i——酸性天然气水合物生成温度实验数据,K;
HFTprediction,i——酸性天然气水合物生成温度预测数据,K;
所述选择操作采用轮盘算法,考虑生物的多样性和繁殖竞争的优胜劣汰现象。
所述交换因子、变异因子的概率为0.9,0.05。
所述终止条件为满足以下条件即为终止:
1.达到预定的训练代数;
2.最大连续相邻两代的最大适应度值之差小于预定阈值的次数达到规定次数。
所述最优的遗传规划的个体,其结构为树状,如图3所示:
式中HFTnormal——归一化后的酸性天然气水合物生成温度,K;
x1——归一化后的气体中甲烷摩尔分数;
x2——归一化后的气体中二氧化碳摩尔分数;
x3——归一化后的气体中硫化氢摩尔分数;
P——归一化后的压力;
M——归一化后的摩尔质量;
所述的显式表达式常数项为:
表1显式表达式常数项
与现有方案相比,本发明具有如下优势:
本发明设计了一种用于酸性天然气水合物生成温度预测的模型,该模型通过遗传规划算法寻优能力、发现规律和公式的能力强的特点,生成显式表达式,其相比传统模型预测酸性天然气水合物生成温度具有更好的预测精度,又有易读性的特点,避免了神经网络等算法的黑箱缺陷,能直观揭示酸性水合物生成温度和气体组分、压力等影响因素之间的动态规律。能够为天然气管道设计规划方面提供酸性天然气水合物生成温度范围数据,保障天然气管道安全流动。
附图说明
图1基于遗传规划算法的酸性天然气水合物生成温度预测流程图
图2遗传规划算法流程图
图3遗传规划算法个体树结构图
具体实施方法本发明基于遗传规划算法,实现了酸性天然气水合物生成温度的精准预测。为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供酸性天然气水合物生成温度的预测方法,该方法包括以下步骤:
步骤一,采集酸性天然气水合物生成时的详细摩尔组分、压力等基础数据;
步骤二,计算摩尔质量M,数据预先归一化处理,并划分训练集和测试集;
步骤三,利用遗传规划回归模型进行建模训练,设定输出变量为水合物生成温度,多次训练后,通过调整迭代遗传参数,最终获得显式表达式模型,建立关键参数和水合物生成温度之间的关系式;
步骤四,将验证集中输入参数输入显式表达式模型中,预测水合物生成温度,并通过预测得到的水合物生成温度与验证集中水合物生成温度的实验值进行对比,计算均方误差MSE和拟合度R2,验证显式表达式模型的精度;
步骤五,得到最优的显式表达式模型并反归一化,输入不同工况下酸性天然气组分、压力参数,预测酸性天然气水合物生成温度。
在步骤二中,酸性贡献因子C和摩尔质量M的计算公式为:
M=16*x1+44*x2+34*x3 (4)
式中x1——气体中甲烷摩尔分数,%;
x2——气体中二氧化碳摩尔分数,%;
x3——气体中硫化氢摩尔分数,%;
在步骤二中归一化的操作为:
式中xnormal,i——某个变量归一化后的第i个值;
xraw,i——某个变量原始的第i个值;
xmax——某个变量序列的最大值;
xmin——某个变量序列的最小值;
对于每个变量的归一化参数如下:
表2归一化参数
在步骤三中,采用遗传规划算法进行训练,设定酸性天然气生成温度基本函数关系为:
HFT=f(x1,x2,x3,C,M,P) (6)
将原始数据分为训练集和测试集,分别占据70%和30%。输出变量为归一化后的HFT,利用训练集进行迭代训练回归,得到的最优适应度的个体的显式表达式为:
式中HFTnormal——归一化后的酸性天然气水合物生成温度,K;
x1——归一化后的气体中甲烷摩尔分数;
x2——归一化后的气体中二氧化碳摩尔分数;
x3——归一化后的气体中硫化氢摩尔分数;
P——归一化后的压力;
M——归一化后的摩尔质量;
所述的反归一化的预测模型为:
HFT=HFTnormal*26.2+273.5 (8)
下面结合具体应用实例对本发明的应用作进一步描述。
例:几条天然气管道管输酸性天然气,在已知此酸性天然气组分和压力的条件下,求得天然气水合物的生成温度。
第一步:天然气的组分数据和压力数据已知,结果如下表:
表3酸气基础数据
第二步:使用遗传规划算法得到的显式表达式公式,计算指定压力、组分下,酸性天然气水合物生成温度HFT;
将公式计算结果与实验结果进行了对比,如表4所示。
表4水合物生成温度HFT对比结果
由表2可以看到,公式计算结果和仿真结果十分相近,绝对误差较小且均在1K内。该实例证明,本发明提出基于遗传规划算法的显式表达式能够实现酸性天然气水合物生成温度的高精度预测。
本发明提供了一种酸性天然气水合物生成温度的预测方法。可计算不同组分下的酸性天然气在不同压力下的水合物生成温度。对公式计算的结果进行了误差分析,计算得到相对误差最大不超过1%,误差较小,说明提出的公式可以精准计算酸气的水合物生成温度。本发明解决了传统预测模型在天然气水合物生成温度预测精度低的缺陷,又避免了传统机器学习模型的黑箱问题。基于遗传规划得到的显式表达式计算公式可以在各种编程语言中应用,甚至可以简单的手算完成天然气投产中酸性水合物生成温度的问题,为保证酸性天然气管道顺利投产提供支持。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于遗传规划算法的酸性天然气水合物生成温度预测方法,其特征在于,包括以下步骤:
步骤一,采集酸性天然气的详细摩尔组分,包括酸性天然气中包含的甲烷、二氧化碳、硫化氢的摩尔分数和生成水合物时的压力;
步骤二,计算新变量气体摩尔质量M,划分原始数据为训练集和测试集为70%和30%,并对数据归一化处理;
步骤三,设定遗传规划算法基础参数,其中基本函数组包括{+,-,×,÷,exp,sqrt,ln,arctan,tanh,pow,log10,^(-1),^2},终止集为常数项或变量,种群大小、初始树深度、树深度上限分别为500、5、6,算法将生成具有基本函数组的种群大小的初代种群,交换因子、变异因子为0.9,0.05,适应度函数为均方误差MSE,选择操作采用轮盘算法,考虑生物的多样性和繁殖竞争的优胜劣汰现象,满足以下条件即为终止遗传算法:
1)达到预定的训练代数500;
2)连续30次相邻两代的最大适应度值之差小于预定阈值;
步骤四,采用遗传规划算法对训练集进行训练寻找关系式,最优的预测显式表达式:
式中HFTnormal——归一化后的酸性天然气水合物生成温度,K;
x1——归一化后的气体中甲烷摩尔分数;
x2——归一化后的气体中二氧化碳摩尔分数;
x3——归一化后的气体中硫化氢摩尔分数;
P——归一化后的压力;
M——归一化后的摩尔质量;
其中常数项为:
表1显式表达式常数项
这样得到最优的显式表达式;
步骤五,反归一化处理,采用测试集进行测试,确定最优的显式表达式。
2.如权利要求1所述的基于遗传规划算法的酸性天然气水合物生成温度预测方法,其特征在于对显式表达式反归一化处理:
HFT=HFTnormal*26.2+273.5 (2)
其特征在于适用于酸性天然气在15MPa下的水合物生成温度预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736228.7A CN113326665B (zh) | 2021-06-30 | 2021-06-30 | 一种基于遗传规划的酸性天然气水合物生成温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736228.7A CN113326665B (zh) | 2021-06-30 | 2021-06-30 | 一种基于遗传规划的酸性天然气水合物生成温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326665A CN113326665A (zh) | 2021-08-31 |
CN113326665B true CN113326665B (zh) | 2022-06-14 |
Family
ID=77423502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110736228.7A Active CN113326665B (zh) | 2021-06-30 | 2021-06-30 | 一种基于遗传规划的酸性天然气水合物生成温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326665B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854626A (zh) * | 2024-01-09 | 2024-04-09 | 西南石油大学 | 一种天然气水合物的预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378075A (zh) * | 2019-08-19 | 2019-10-25 | 西南石油大学 | 一种酸性和非酸性天然气含水量预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8802741B1 (en) * | 2013-01-25 | 2014-08-12 | Chevron U.S.A. Inc. | Hybrid fischer-tropsch catalysts and processes for use |
CN107229972A (zh) * | 2017-03-10 | 2017-10-03 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
-
2021
- 2021-06-30 CN CN202110736228.7A patent/CN113326665B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378075A (zh) * | 2019-08-19 | 2019-10-25 | 西南石油大学 | 一种酸性和非酸性天然气含水量预测方法 |
Non-Patent Citations (3)
Title |
---|
New predictive method for estimation of natural gas hydrate formation temperature using genetic programming;Danial Abooali 等;《Neural Computing and Applications》;20171017;第31卷(第7期);第1-10页 * |
深水天然气水合物及其管道输送技术;李长俊 等;《科学通报》;20160810;第61卷(第22期);第2449-2462页 * |
预测天然气水合物生成条件回归公式的评价;邱鹏 等;《石油与天然气化工》;20160415;第45卷(第2期);第47-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113326665A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102323906B (zh) | 一种基于遗传算法的mc/dc测试数据自动生成方法 | |
CN110532674B (zh) | 一种燃煤电站锅炉炉膛温度测量方法 | |
CN107516135A (zh) | 一种支持多源数据的自动化监督性学习方法 | |
CN109241601B (zh) | 一种基于改进型拉开档次法的数控机床综合性能评价方法 | |
CN109902340B (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN113326665B (zh) | 一种基于遗传规划的酸性天然气水合物生成温度预测方法 | |
CN109829244A (zh) | 算法优化深度网络和三代遗传算法的风机优化设计方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
CN107016239B (zh) | 一种汽轮机阀门流量特性分析方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN114021432A (zh) | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 | |
CN115407053B (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
CN116488151A (zh) | 一种基于条件生成对抗网络的短期风电功率预测方法 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN113536669A (zh) | 一种基于多项式神经网络的天然气水合物生成条件预测方法 | |
CN111915077B (zh) | 基于机器学习的配煤炼焦热态预测方法和系统 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
CN114187977B (zh) | 一种设备材料球化程度预测方法及系统 | |
CN113343589B (zh) | 一种基于遗传-随机常数的基因表达式编程的酸性天然气水合物生成条件预测方法 | |
CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
CN118248222A (zh) | 一种计算机对空间转录组数据特征选择及聚类方法 | |
CN117973509A (zh) | 聚类约束的遗传算法用于选择温度敏感点的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |