CN114861837A - 基于特征融合的原油凝结识别方法、装置、设备 - Google Patents
基于特征融合的原油凝结识别方法、装置、设备 Download PDFInfo
- Publication number
- CN114861837A CN114861837A CN202210785444.5A CN202210785444A CN114861837A CN 114861837 A CN114861837 A CN 114861837A CN 202210785444 A CN202210785444 A CN 202210785444A CN 114861837 A CN114861837 A CN 114861837A
- Authority
- CN
- China
- Prior art keywords
- crude oil
- feature
- coagulation
- ultrasonic
- fusion
- 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.)
- Granted
Links
- 239000010779 crude oil Substances 0.000 title claims abstract description 326
- 230000015271 coagulation Effects 0.000 title claims abstract description 158
- 238000005345 coagulation Methods 0.000 title claims abstract description 158
- 230000004927 fusion Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000005070 sampling Methods 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 60
- 210000002569 neuron Anatomy 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 25
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 7
- 238000009833 condensation Methods 0.000 description 7
- 230000005494 condensation Effects 0.000 description 7
- 239000000203 mixture Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 239000003570 air Substances 0.000 description 2
- 230000001112 coagulating effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001879 gelation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/02—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/02—Analysing fluids
- G01N29/024—Analysing fluids by measuring propagation velocity or propagation time of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/02—Analysing fluids
- G01N29/032—Analysing fluids by measuring attenuation of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2823—Raw oil, drilling fluid or polyphasic mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明公开了一种基于特征融合的原油凝结识别方法、装置、设备,涉及人工智能和原油储存和输送技术领域。其中原油凝结识别方法包括:多特征获取步骤,获取当前定长时间段内原油采样的多个特征;多特征融合步骤,基于已训练的多个特征编码器,将所述多个特征转换为相同维度的多个特征编码;拼接所述多个特征编码得到融合编码;原油凝结识别步骤,基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;基于所述原油凝结度预测值识别原油凝结程度。该方法可以更加准确地估计原油凝结程度,提高原油储存和输送的安全性。
Description
技术领域
本发明涉及人工智能和原油储存和输送技术领域,尤其涉及基于特征融合的原油凝结识别方法、装置、设备和存储介质。
背景技术
原油是一种复杂的混合物,主要由正构烷烃、芳香烃、环烷烃、沥青质、胶纸等组成。其中蜡、沥青质、胶纸对原油特性的影响较大。原油凝结又称为原油胶凝,当原油的温度低于析蜡点时,蜡分子在原油中的溶解度下降,逐渐按分子质量从大到小依次结晶析出,并以固体颗粒形式悬浮于液态原油中,原油逐渐从牛顿流体变为非牛顿流体。研究发现,当原油中析蜡量达到原油质量的2%到3%时,蜡晶可形成三维网状结构,将液态油束缚其中,导致原油整体胶凝。由于原油成分的复杂性以及原油储存和输送环节多、原油容器和管道条件复杂,无法以一个固定不变的温度来判断原油凝结。
现有技术中对于原油凝结的识别,有的现有技术仅测量温度然后根据经验来判断原油的凝结。也有的现有技术建立超声波参数随着时间变化的时变曲线,然后通过检测超声波时变曲线的突变,来判断原油凝结。然而原油凝结受多种因素影响,有时候用温度的阈值无法识别;有时候并不体现为超声波时变曲线的突变,或者突变并不明显,或者突变时凝结已发生已经为时过晚。此时就需要更加多样的特征,更加智能化的识别凝结的模型。
综合利用与原油凝结有关的多种特征的智能模型,不仅要求对于多种特征能够很好地融合,还要求对个别特征的缺漏等问题具有较好的鲁棒性。此外相比于现有技术给出原油凝结的定性的识别结果,需要通过智能模型从多种特征中根据细微的线索在原油凝结发生之前就给出定量的识别结果。
发明内容
本发明提供了一种基于特征融合的原油凝结识别方法、装置、设备和存储介质。
根据本发明的第一方面,提供了一种基于特征融合的原油凝结识别方法,包括:
多特征获取步骤,获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到;所述多个特征至少包括温度特征,还包括以下特征中的至少一种:超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征;
多特征融合步骤,基于已训练的多个特征编码器,将所述多个特征转换为多个特征编码;拼接所述多个特征编码得到融合编码;所述多个特征编码器是与一个融合解码器组成二级结构后,基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的;
原油凝结识别步骤,基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练;基于所述原油凝结度预测值识别原油凝结程度。
根据本发明的第二方面,提供了一种基于特征融合的原油凝结识别装置,包括:
多特征获取模块,获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到;所述多个特征至少包括温度特征,还包括以下特征中的至少一种:超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征;
多特征融合模块,基于已训练的多个特征编码器,将所述多个特征转换为多个特征编码;拼接所述多个特征编码得到融合编码;所述多个特征编码器是与一个融合解码器组成二级结构后,基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的;
原油凝结识别模块,基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练;基于所述原油凝结度预测值识别原油凝结程度。
根据本发明的第三方面,提供了一种电子设备,包括:
至少一个处理器,存储器,以及与其他电子设备通信的通信接口;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行根据第一方面所述的基于特征融合的原油凝结识别方法。
根据本发明的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的基于特征融合的原油凝结识别方法。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
与现有技术相比,本发明的有益效果是:
(1)充分利用与原油凝结有关的多种特征,避免了单一特征不能适应原油成分复杂、存储运输环境复杂的不足。
(2)利用智能模型从充足的训练样本中学习到多个特征之间的相关性,避免了单一特征人为确定特征突变阈值等方法的主观性。
(3)利用智能模型提升了多种特征综合利用的鲁棒性,避免了传统方法缺失部分特征就造成无法识别的不足。
(4)利用智能模型从多种特征中学习到原油凝结前的细微线索,从而可以给出定量的预测结果。定量结果与定性结果相比,可以较早地预报凝结,避免传统方法在凝结已发生时才得到识别结果的不足。
附图说明
附图用于更好地理解本方案,不构成对本发明的限定。其中:
图1示出了根据本发明一个实施例提供的原油凝结识别方法的示意图;
图2示出了根据本发明一个实施例提供的原油凝结识别装置的示意图;
图3示出了根据本发明一个实施例提供的电子设备的示意图;
图4示出了根据本发明一个实施例提供的原油温度与原油凝结度关系的示意图;
图5示出了根据本发明一个实施例提供的超声波声速和温度关系的示意图;
图6示出了根据本发明一个实施例提供的超声波衰减洗漱和温度关系的示意图;
图7示出了根据现有技术中的自编码器的示意图;
图8示出了根据本发明一个实施例提供的多个特征编码器的示意图;
图9示出了根据本发明一个实施例提供的融合解码器的示意图;
图10示出了根据本发明一个实施例提供的多层前馈神经网络的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
所涉及的技术术语包括:
原油储存和输送:一般指使用容器和管道来储存和输送原油。
原油凝结:原油中包含的复杂混合物有时候会使得原油具有高凝高粘性。原油凝结的原因主要是原油中的蜡晶析出,相互联结形成网络结构体,从而呈现胶凝状态。蜡晶析出的主要影响因素是温度。目前对于含蜡原油,主要采用加热原油容器和管道的方式进行输送。但由于原油成分的复杂性以及原油储存和输送环节多、原油容器和管道条件复杂,采用一刀切的凝结识别方式是不可行的。
采样点:原油储存或输送过程中进行数据采样的地点。
时序数据:是指时间序列数据。时序数据的时间间隔可以固定,也可以不固定;可以是时期数据,也可以是时点数据;前后数据的时间间隔可以相同,也可以不相同。但序列中的数据必须是同口径的,具有可比性。原油储存和输送中的时序数据,是指针对某个采样点,针对某种特征,在不同时刻采样获得的数据。
多特征数据:多特征(multiple features)数据是指包含多种特征的数据。多种特征可以按照特征组合(feature combination)或特征融合(feature fusion)的方式形成多特征数据。
温度特征:温度特征(temperature feature)可以是温度传感器获得的原始数据,也可以是进行预处理得到的数据,还可以是进一步进行特征提取获得的数据。
超声波特征:超声波特征(ultrasonic feature)是基于超声波技术获取的特征。超声波特征可以是超声波传感器获得的原始数据,也可以是进行预处理得到的数据,还可以是进一步进行特征提取获得的数据。在本发明中,超声波特征至少可以是超声波声速和/或超声波衰减系数。超声波声速(ultrasonic velocity)是指超声波在穿过介质(如空气、水、原油)时的平均速度。超声波衰减系数(ultrasonic attenuation)是指超声波在穿过介质(如空气、水、原油)后的衰减程度。
原油流速特征:原油流速特征(velocity feature)是反映原油在储存或输送容器中流动的速度。原油流速特征可以是流速传感器获得的原始数据,也可以是进行预处理得到的数据,还可以是进一步进行特征提取获得的数据。
原油密度特征:原油密度特征(density feature)是反映原油在储存或输送容器中密度的特征。原油密度特征可以是密度仪等传感器获得的原始数据,也可以是进行预处理得到的数据,还可以是进一步进行特征提取获得的数据。
原油凝结程度:原油凝结的原因主要是原油中的蜡晶析出,相互联结形成网络结构体,从而呈现胶凝状态。通过实验室检测的方法可以标定原油凝结的程度。例如用0到5、或0到10的数字来表示凝结的程度。
实施例一
图1示出了基于特征融合的原油凝结识别方法的示意图。
本发明实施例提供的基于特征融合的原油凝结识别方法,包括如下步骤:
S110多特征获取步骤,获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到;所述多个特征至少包括温度特征,还包括以下特征中的至少一种:超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征;
S120多特征融合步骤,基于已训练的多个特征编码器,将所述多个特征转换为多个特征编码;拼接所述多个特征编码得到融合编码;所述多个特征编码器是与一个融合解码器组成二级结构后,基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的;
S130原油凝结识别步骤,基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练;基于所述原油凝结度预测值识别原油凝结程度。
上述原油凝结识别方法的有益效果包括:
(1)综合利用多种特征,可以更加全面地利用与原油凝结有关的特征。
(2)多种特征在采集时可能因设备故障等原因而有部分特征的缺漏。传统的多特征分类算法要求每个特征都不能缺漏。而通过人工智能神经网络进行处理,可以有效地应对部分特征的缺漏。
(3)多种特征是在预定长度的时间段内采集的。随时间流逝采集的时序数据,可以有效地从原油特征随时间的变化中,学习到原油凝结将要发生的线索。
(4)使用原油凝结度这种定量的数值区间作为神经网络的输出结果。再根据原油凝结度和预定阈值的比较来确定原油凝结的程度。相比于传统的原油凝结是与否的定性识别结果,定量的数值作为识别结果更加精确化,可以提前预判原油凝结的发生。
(一)多特征获取步骤S110
为获取原油凝结相关的训练数据和实时数据,在原油储存或输送的容器或管道上设置了采样点。
(1)多种特征的传感器
获取所述温度特征具体包括:在原油容器或管道内设置温度传感器,在所述定长时间段内根据预设温度采样频率进行多次采样,得到所述温度特征;
获取所述超声波声速特征具体包括:在原油容器或管道内的两侧分别设置超声波发射器和接收器,以超声波到达接收器的时刻作为采样时刻;使用超声波发射器和接收器之间的距离除以超声波在发射器和接收器之间传播的时间,在所述定长时间段内根据预设超声波采样频率进行多次计算,得到所述超声波声速特征;
获取所述超声波衰减系数特征具体包括:在原油容器或管道内的两侧分别设置超声波发射器和接收器,以超声波到达接收器的时刻作为采样时刻;使用超声波到达接收器时转化的电信号的电压值除以发射器发射超声波时的电信号的电压值,再除以超声波发射器和接收器之间的距离,在所述定长时间段内根据预设超声波采样频率进行多次计算,得到所述超声波衰减系数特征;
获取所述原油流速特征具体包括:在原油容器或管道内设置流速传感器,在所述定长时间段内根据预设原油流速采样频率进行多次计算,得到所述原油流速特征;
获取所述原油密度特征具体包括:在原油容器或管道内设置密度传感器,在所述定长时间段内根据预设原油密度采样频率进行多次计算,得到所述原油密度特征。
(2)采样的时间段
首先,上述多特征的采集,在同一个时间段Δt内进行。在一个时间段Δt内可以进行多次采样,多次采样的数据根据采样时间的先后组成时序数据。
其次,各特征的采样原理的不同,会导致各特征的采样频率不同。即在相同的时间段Δt内,各特征的采样次数可能相同。也即各特征的维度可能不同。因此需要将不同维度的各特征映射为相同维度的特征编码。
具体地以温度特征C的获取为例。在某个时间段Δt中,假设温度传感器进行了nc次采样;则多次采样的时序数据,温度特征C构成了一个维度为nc的向量。通过将其映射为维度为n的特征编码,可以将温度特征在同一个时间段Δt内“对齐”。
(3)温度特征作为主要特征
原油凝结度作为原油凝结的重要指标,温度与其有着密切的关系。如附图4所示,温度越低,原油的粘稠度越高,从而凝结的风险也就越高。因此将温度特征作为主要特征。
为预防原油凝结,原油常常加热输送。然而简单地设定一个固定温度来预防原油凝结,这种方法存在一些弊端:如果温度过高,会导致能量浪费;此外,不同成分的原油的温度无法“一刀切”。因此,温度特征虽然是主要特征,但无法单独使用,而是应当与其他特征一起综合考虑。
(4)超声波声速特征
所述超声波声速V的获取,是利用超声波发射器和超声波接收器,按照一定的间距置入原油中。信号发生器产生第一电信号,超声波发射器将第一电信号转换为超声波并发射到原油中,穿过原油到达超声波接收器。超声波接收器将接收到的超声波信号转换为第二电信号并进行记录。记录超声波发射的时间t1、超声波被接收到的时间t2。假设超声波发射器到超声波接收器的间距为r1。则超声波在原油中的声速v为:
上述v是相对于采样时刻t2获得的超声波声速。t2即为采样时刻。在某个时间段Δt中,假设超声传感器进行了nv次采样;则多次采样构成的时序数据,超声波声速V则构成了一个维度为nc的向量。
在原油中的超声波声速会在一定区间内上下浮动,超声波声速会受到超声波介质本身特性的影响。超声波声速在均匀介质中是不变的;但原油由于成分复杂,常常表现为复杂的非牛顿流体特性;在对超声波声速采样时,超声波发射器和接收器设置的并不远,二者之间的这一小部分原油可以认为是近似于均匀分布;通过测量超声波经过这段原油的平均速度,可以反映这部分原油的局部特性。
超声波声速特征与温度特征具有一定的关系。在其他因素不变的条件下,超声波声速与温度呈现负相关性(如附图5所示);但在原油不断流动的过程中,在温度不变时,超声波声速又会随着原油的运动而发生变化。这些复杂的参数关系,更适合使用人工智能模型去学习。
(5)超声波衰减系数特征
所述超声波衰减系数A的获取,是根据所述第一电信号的电压值为u1,所述第二电信号的电压值为u2,则超声波在原油中传播距离d1的衰减系数a为:
上述a是相对于采样时刻t2获得的超声波衰减系数。在某个时间段Δt中,假设超声传感器进行了na次采样;而多次采样构成的时序数据,超声波衰减系数A则构成了一个维度为na的向量。
超声波衰减系数特征与温度特征具有一定的关系。当温度越高时,超声波衰减越小(如附图6所示)。这些复杂的参数关系,更适合使用人工智能模型去学习。
(6)原油流速特征
所述原油流速特征S的获取,是利用流速仪等传感器对采样时刻的原油流速进行采样。在某个时间段Δt中,假设流速传感器进行了ns次采样;而多次采样构成的时序数据,原油流速特征S则构成了一个维度为ns的向量。
(7)原油密度特征
具体地,所述原油密度特征D的获取,是利用密度仪等传感器对采样时刻的原油密度进行采样。在某个时间段Δt中,假设密度传感器进行了nd次采样;而多次采样构成的时序数据,原油流速特征D则构成了一个维度为nd的向量。
所述步骤S110的有益效果包括:
由于原油成分的复杂性以及原油储存和输送环节多、原油容器和管道条件复杂,单独选择一种指标来判定原油凝结的程度并不现实。综合利用多种特征可以适应复杂的原油成分和原油环境。
(二)多特征融合步骤S120
在前述多特征获取步骤中,各个特征在相同的时间段Δt中,采样次数可能不同,因而获得的各个特征的维度可能不同。
多特征融合步骤构建的“多个特征编码器-融合解码器”解决了两个问题:(1)将各个特征映射到相同维度的特征编码;(2)在特征映射的过程中考虑了各个特征之间的相关性。其中“多个特征解码器”对各个特征提取特征编码;“融合解码器”仅用于训练阶段,“融合解码器”可以确保“多个特征解码器”中的参数反映各特征之间的相关性。
(1)现有技术中的自编码器
在多特征融合步骤中的“多个特征编码器-融合解码器”,改进自现有技术中的“自编码器”,具有类似自编码器的结构特点。
如附图7所示是现有技术中的自编码器的结构。这是一个前馈神经网络,自编码器至少包括以下几个神经网络层:输入层、隐藏层、输出层。自编码器可以分为“编码器”和“解码器”两级结构。从输入层到隐藏层属于自编码器中的编码器;在隐藏层和输出层之间也可以存在其他隐藏层。从隐藏层到输出层属于自编码器中的解码器;在隐藏层和输出层之间也可以存在其他隐藏层。
待编码向量输入所述输入层;所述隐藏层输出隐藏向量(即编码);所述输出层输出重建的待编码向量。自编码器的训练目标是使得输入的待编码向量与重建的待编码向量之间的误差最小。
使用如附图7所示意的自编码器,可以分别对温度特征等各特征进行编码,将温度编码等各特征编码直接拼接成融合编码。然而这种实现方式没有考虑到各特征之间的相关性,特征融合的效果较差。
(2)多个特征编码器
基于已训练的多个特征编码器,将所述多个特征转换为多个特征编码;拼接所述多个特征编码得到融合编码;
每个所述特征编码器包括第一输入层、第一隐藏层;所述第一隐藏层输出相同维度的特征编码;每个所述特征编码器的神经网络层之间采取全连接的网络结构。
附图8示意了基于多个特征编码器进行多特征融合的步骤。
在一种实施方式中,假设温度特征之外的其余特征包括以下全部特征:超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征。
假设前述多特征获取步骤中,温度特征的维度为nc,超声波声速特征的维度为nv,超声波衰减系数的维度为na,原油流速特征的维度为ns,原油密度特征的维度为nd。
附图8中示例性地包括了五种特征的编码器。每个特征编码器包括第一输入层到第一隐藏层的网络结构;
(a)温度特征C输入第一输入层;所述第一输入层和第一隐藏层之间可以有其他隐藏层;所述第一隐藏层可以输出温度编码XC;
(b)超声波声速特征V输入第一输入层;所述第一输入层和第一隐藏层之间可以有其他隐藏层;所述第一隐藏层可以输出超声波声速编码XV;
(c)超声波衰减系数特征A输入第一输入层;所述第一输入层和第一隐藏层之间可以有其他隐藏层;所述第一隐藏层可以输出超声波衰减系数编码XA;
(d)原油流速特征S输入第一输入层;所述第一输入层和第一隐藏层之间可以有其他隐藏层;所述第一隐藏层可以输出原油流速编码XS;
(e)原油密度特征D输入第一输入层;所述第一输入层和第一隐藏层之间可以有其他隐藏层;所述第一隐藏层可以输出原油密度编码XD。
将温度特征、超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征分别输入附图8中的温度特征编码器的第一输入层、超声波声速特征编码器的第一输入层、超声波衰减系数特征编码器的第一输入层、原油流速特征编码器的第一输入层、原油密度特征编码器的第一输入层。
各特征编码器的第一输入层的神经元数量等于各特征的维度。例如,温度特征nc维,则温度特征编码器的第一输入层具有nc个神经元。超声波声速特征nv维,则超声波声速特征编码器的第一输入层具有nv个神经元。超声波衰减系数特征na维,则超声波衰减系数特征编码器的第一输入层具有na个神经元。原油流速特征ns维,则原油流速特征编码器的第一输入层具有ns个神经元。原油密度特征nd维,则原油密度特征编码器的第一输入层具有nd个神经元。
各个特征编码器的第一隐藏层将分别输出温度编码、超声波声速编码、超声波衰减系数编码、原油流速编码、原油密度编码。各特征编码器的第一隐藏层的神经元数量则是相同的。假设各特征编码的维度都是n,则各特征编码器的第一隐藏层均具有n个神经元。
各个特征编码器的第一隐藏层的神经元依次相邻,因而输出的各个特征编码也按照相邻的顺序自然拼接,从而组成了多个特征的融合编码。
(3)融合解码器
所述多个特征编码器是与一个融合解码器组成二级结构后,基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的;
所述融合解码器包括第二隐藏层,第二输出层;第二隐藏层和第二输出层之间可以包括其他隐藏层;所述第二隐藏层输出多个特征的重建值;所述融合解码器的神经网络层之间采取全连接的网络结构。
附图9示意了与多个特征编码器前后连接的“融合解码器”结构的示意图:
(a)第二隐藏层:由各个特征编码器的第一隐藏层的神经元依次相邻而组成。得到的融合编码X,即由温度编码XC、超声波声速编码XV、超声波衰减系数编码XA、原油流速编码XS、原油密度XD拼接而成。由于各特征编码器的第一隐藏层均具有n个神经元,假设一共由5个特征,则第二隐藏层的神经元总数是5*n个。
(b)其他隐藏层。其他隐藏层的层数与每个特征编码器中其他隐藏层的层数是一致的。
(c)第二输出层。第二输出层输出各个特征的重建值。第二输出层的神经元数量nn等于各特征编码器的第一输入层的神经元数量之和。即nn=nc+nv+na+ns+nd。按照各个特征的维度来拆分所述重建值,可以得到重建的温度特征、重建的超声波声速特征、重建的超声波衰减系数特征、重建的原油流速特征和重建的原油密度特征。网络的训练目标是使得各个特征与其重建值的误差最小。
综合附图8和附图9所示意,附图8中的温度特征编码器、超声波声速特征编码器、超声波衰减系数特征编码器、原油流速特征编码器、原油密度特征编码器和附图9中的融合解码器,总体上具有“多个特征编码器-融合解码器”的二级结构特点,共同构成一个类似自编码器的神经网络。
综上所述,所述步骤S120的有益效果包括:
(1)在获取到了反映原油凝结程度的多种特征之后,通过人工智能神经网络进行学习,可以有效地将维度不同的多个特征融合在一起。
(2)多个特征编码器之间并没有神经元的互相连接,但多个特征编码器是与一个融合解码器组合进行训练的,因此已训练的多个特征编码器之间的参数考虑了多个特征之间的相关性。
(3)由“多个特征编码器、一个融合解码器”的神经网络,结构更加合理,参数数量更少;从而提高了计算效率。
(三)原油凝结识别步骤S130
所述原油凝结识别步骤S130包括:
基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练;基于所述原油凝结度预测值识别原油凝结程度。
(1)预测粘稠度的多层前馈神经网络
所述多层前馈神经络的结构如附图10所示。所述多层前馈神经网络包括:第三输入层、至少一个第三隐藏层、第三输出层。
所述第三输入层可以接收所述融合编码的输入。所述第三输入层、多个所述第三隐藏层、所述第三输出层之间是全连接结构。所述第三输出层输出预测得到的所述原油凝结度。
(2)判定原油凝结的程度
所述基于所述原油凝结度预测值识别原油凝结程度包括,将所述原油凝结度预测值作为原油凝结程度的定量表示,或,根据所述原油凝结度预测值是否超过预设阈值,判断原油是否凝结。
具体地,设定多个原油凝结程度,例如未凝结,轻度凝结,中度凝结,重度凝结,完全凝结等五个程度。
其次,分别设定多个凝结程度对应的粘稠度阈值。当原油凝结度预测值超过各个粘稠度阈值时,则识别原油凝结程度已经达到该程度。
所述步骤S130的有益效果包括:
(1)选定原油凝结度标定值来作为原油凝结的判断依据。原油凝结度标定值在实验室条件下可以测定,在现场工作环境下难以实时测量。而温度等多种特征是在现场工作环境下容易测量的。在现场工作环境下通过人工智能方法基于温度等多种特征进行预测得到原油凝结度预测值。使得该方法简便可靠,降低了成本,提高了效率。
(2)原油凝结的过程是一个持续变化的过程。通过对原油凝结发生之前的特征的细微变化进行学习,可以提前预判原油凝结程度的发生。
本实施例并不限定应用场景和具体实现,其可以根据实际情况确定,此处不再赘述。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例二
在前述实施例的基础上,本实施例对原油凝结识别所涉及模型的训练过程进行说明。在本实施例中的实施方案的其余部分参照前述实施例。
本发明实施例提供的基于特征融合的原油凝结识别方法,包括如下步骤:
S110多特征获取步骤;
S120多特征融合步骤;
S130原油凝结识别步骤。
其中需要训练的是步骤S120中的“多个特征编码器”和步骤S130中的“多层前馈神经网络”。
(一)多个特征编码器的训练过程
该训练过程采用非监督的训练过程,通过收集足够多的原油多特征训练数据,对“多个特征编码器-融合解码器”结构进行训练,训练好的网络参数保存在神经网络中。
所述基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练包括,
预先在预定数量的定长时间段进行原油采样并计算每个所述定长时间段的多个特征;
将每个所述定长时间段的多个特征,分别输入到多个所述第一输入层;
对所述多个特征编码器进行编码训练、对所述融合解码器进行解码训练;所述融合解码器的第二输出层输出所述多个特征的重建值;所述编码训练和解码训练使得输入的多个特征和所述重建值的误差达到最小。
预先进行多次采样,每次采样在一个定长时间段内完成,各个特征在该时间段内可以根据各自的采样频率进行多次采样。根据各个特征可以计算得到一个融合编码。则多次采样,可以多个融合编码。
多个特征编码器与一个融合解码器的神经网络各层之间分别设置有神经网络参数。通过神经网络的参数训练过程,使得融合解码器的输出层输出的重建数据无限接近于输入多个编码器的原始数据。具体来说,输出层输出的重建数据可以拆分为各特征的重建数据,分别无限接近于各特征编码器的输入数据。
(二)多层前馈神经网络的训练
该训练过程采用监督的训练过程。
所述基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练包括,
预先在预定数量的定长时间段进行原油采样并计算每个所述定长时间段的多个特征,获取该定长时间段的原油凝结度标定值;
基于所述多个特征编码器将每个定长时间段的多个特征转换为融合编码;
将每个定长时间段的所述融合编码输入所述多层前馈神经网络,将所述第三输出层的输出与该定长时间段的原油凝结度标定值进行比较,根据比较得到的误差对所述多层前馈神经网络进行反向传播参数训练,直到所述误差满足预设结束条件。
所述预设结束条件可以是所述误差小于预定阈值;还可以是训练迭代到预定次数。
实施例三
在前述实施例的基础上,本实施例以实际的例子示例了原油凝结识别的训练过程和使用过程进行说明。在本实施例中的实施方案的其余部分参照前述实施例。
(一)采样点和传感器
在实验室条件下在某原油存储容器中设置采样点。
采用温度特征作为原油凝结识别时的主要特征;采用以下四种特征来辅助识别原油凝结:超声波声速、超声波衰减系数、原油流速、原油密度。
分别在采样点设置温度、超声波、流速、密度传感器。传感器的设置方法参见前述实施例。在采样点设置实验室条件,在每次多特征采样的时间,获取原油样本进行原油凝结度的测量。原油凝结度可以采用实验室显微镜观察等多种可行方法在实验室条件下进行测定;在本实施例中采用0到10的数字来标定各采样样本的原油凝结度,其中0为完全没有凝结,10为完全凝结。
每次多特征采样的定长时间段为10分钟。在某些实施例中,时间段可以根据原油运输或存储的实际情况来设定,例如以1分钟、10分钟、1小时、2小时等作为时间段。
在定长时间段内,温度传感器每5秒测量1次,得到nc=120维的温度特征C。在定长时间段内,超声波传感器每30秒测量1次,得到nv=20维的超声波声速特征V和na=20维的超声波衰减系数特征A。在定长时间段内,原油流速特征每10秒测量1次,得到ns=60维的原油流速特征S。在定长时间段内,原油密度特征每20秒测量1次,得到nd=30维的原油密度特征D。
因此每组多特征数据包括120维温度特征C、20维超声波声速特征V、20维超声波衰减系数特征、60维原油流速特征、30维原油密度特征。在某些实施例中,采样频率可以根据实际情况来设定;当原油凝结的风险较低时,各种特征的采样频率可以适当降低;当采样成本较高时,采样频率可以适当降低。
将十批次原油样本分别存储在同样的原油存储容器中,每批次原油样本存储十天,期间改变实验条件使得每批次原油样本均出现多次非凝结和凝结状态的转换。并在每天的六点、十点、十三点、十八点、二十四点分别进行五次原油多特征采样和五次原油凝结度测量。一共获得500组原油多特征数据、500个对应的原油凝结度标定值。
每组原油多特征数据包括5个特征向量,分别是:(1)温度特征向量;(2)超声波声速特征向量;(3)超声波衰减系数特征向量;(4)原油流速特征向量;(5)原油密度特征向量。
将500组多特征数据和对应的粘稠度标定值,随机选择400组作为训练样本,剩余的100组作为测试样本。
为模拟生产环境中传感器故障等问题,从400组多特征数据包含的2000个特征向量中,随机丢弃5%的特征值。即2000个特征值向量,有100个特征向量为空。
(二)“多个特征编码器-融合解码器”的设置和训练
设置温度特征编码器包含3层,第1层为所述第一输入层,包括120个神经元,第2层包括20个神经元,第3层为所述第一隐藏层,包括5个神经元;各层之间采用全连接结构,采用tanh的激活函数。
设置超声波声速特征编码器包含3层,第1层为所述第一输入层,包括20个神经元,第2层包括10个神经元,第3层为所述第一隐藏层,包括5个神经元;各层之间采用全连接结构,采用tanh的激活函数。
设置超声波衰减系数特征编码器包含3层,第1层为所述第一输入层,包括20个神经元,第2层包括10个神经元,第3层为所述第一隐藏层,包括5个神经元;各层之间采用全连接结构,采用tanh的激活函数。
设置原油流速特征编码器包含3层,第1层为所述第一输入层,包括60个神经元,第2层包括20个神经元,第3层为所述第一隐藏层,包括5个神经元;各层之间采用全连接结构,采用tanh的激活函数。
设置原油密度特征编码器包含3层,第1层为所述第一输入层,包括30个神经元,第2层包括10个神经元,第3层为所述第一隐藏层,包括5个神经元;各层之间采用全连接结构,采用tanh的激活函数。
与各特征编码器的网络层数相同,融合解码器也包含3层。第1层为所述第二隐藏层,包括上述各个特征编码器的第3层的神经元,共25个神经元。第2层神经元的数量与上述各个特征编码器的第2层的神经元数量之和相同,即70个神经元。第3层神经元的数量与上述各个特征编码器的第1层的神经元数量之和相同,即250个神经元。融合解码器的第1层和第2层采用tanh激活函数,第3层采用sigmoid激活函数。
将400组特征向量输入“多个特征编码器-融合解码器”网络,进行无监督训练;每组5个向量分别输入对应的特征编码器:(1)温度特征向量输入温度特征编码器;(2)超声波声速特征向量输入超声波声速特征编码器;(3)超声波衰减系数特征向量输入超声波衰减系数特征编码器;(4)原油流速特征向量输入原油流速特征编码器;(5)原油密度特征向量输入原油密度特征编码器。
预设迭代次数为5000次;学习率LR根据经验设置为0.05,或采用adadelta、adagrad等自适应动态调整的方式设置。最终得到训练好的“多个特征编码器-融合解码器”,其权重和偏置等参数已经内置在上述编码器和解码器中。
基于已训练的“多个特征编码器”,得到400个融合编码向量,每个编码向量的维度都是25。
(三)“多层前馈神经网络”的设置和训练
基于前述步骤中获得的400个融合编码向量,以及400个原油凝结度标定值,对多层前馈神经网络进行训练。
多层前馈神经网络包括3层。第1层为所述第三输入层,包括的神经元数量为25个,第2层为所述第三隐藏层,包括的神经元数量为5个,第3层为所述第三输出层,包括的神经元数量为1个。
“多层前馈神经网络”的训练过程如下:
(1)初始化各层的权重和偏置参数;
(2)将第i个融合编码向量依次输入第1层,第3层输出原油凝结度预测值;
(3)将所述原油凝结度预测值与该融合编码对应的原油凝结度标定值对比,计算误差;反向传播该误差并更新网络的权重和偏置参数;
(4)经过多轮训练,直到达到预设迭代次声或误差小于预设误差阈值,训练结束。
预设误差阈值可以设置为0.01,预设迭代次数为5000次。学习率LR根据经验设置为0.1,或采用adadelta、adagrad等自适应动态调整的方式设置。
(四)实验结果
由于现有技术中并没有利用温度、超声波、流速、密度等多种特征进行原油凝结分类的技术。在实验阶段,我们提出了三种方法来对比采用多特征融合进行原油凝结识别的效果、以及采用人工智能模型进行原油凝结识别的效果,这三种方法均不属于现有技术。
方法A:采用本实施例所述的五种特征作为输入特征;采用原油凝结度标定值作为预期输出;采用“多个特征编码器-融合解码器”、“多层前馈神经网络”进行原油凝结识别。所述方法A即本发明权利要求中请求保护的方法。
方法B:只采用温度特征作为输入特征;采用原油凝结度标定值作为预期输出;采用“多个特征编码器-融合解码器”、“多层前馈神经网络”进行原油凝结识别。
方法C:采用本实施例所述的五种特征作为输入特征;采用原油凝结度标定值作为预期输出;采用最近邻分类器进行原油凝结识别。
从预先准备的500组多特征数据和对应的粘稠度标定值中,随机选择400组作为训练样本,分别使用方法A、方法B、方法C进行模型训练。注意:方法B仅使用500组多特征数据中的温度特征。
剩余的100组作为测试样本。三种方法均根据原油凝结度预测值与原油凝结度标定值的误差在0.01范围内作为预测正确的标准。最终得到方法A的准确率为97.21%,方法B的准确率为82.45%,方法C的准确率为87.69%。
根据实验结果可以看出,采取多种特征进行综合判断的方法(方法A、方法C)要优于单独采用温度特征进行判断的方法(方法B)。采取人工智能方法进行判断的方法(方法A)要优于采用传统机器学习方法进行判断的方法(方法C)。
本实施例并不限定应用场景和具体实现,其可以根据实际情况确定,此处不再赘述。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例四
图2示出了基于特征融合的原油凝结识别装置的示意图。
本发明实施例提供的基于特征融合的原油凝结识别装置100,包括如下模块:
多特征获取模块110,获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到;所述多个特征至少包括温度特征,还包括以下特征中的至少一种:超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征;
多特征融合模块120,针对各个特征构建自编码器,将各个特征转换为对齐的各个特征编码;将所述各个特征编码输入融合编码器,获得融合编码;
原油凝结识别模块130,基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练;基于所述原油凝结度预测值识别原油凝结程度。
上述各个模块的功能、构成、有益效果参见前述实施例。
本实施例并不限定应用场景和具体实现,其可以根据实际情况确定,此处不再赘述。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例五
如图3所示,在本实施例中,一种电子设备600,包括:
至少一个处理器601,存储器608,以及与其他电子设备通信的通信接口609;所述存储器608存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行前述实施例中的基于特征融合的原油凝结识别方法。
电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。该电子设备可以是上述的第一设备,也可以是车辆控制设备,或者车辆上的控制中心,对此本方案不做限制。
如图3所示,该电子设备还包括:一个或多个ROM602、RAM603、总线604、I/O接口605、输入单元606、输出单元607等,以及用于连接各部件的接口,包括高速接口和低速接口,以及与其他电子设备进行通信的通信接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上 以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。本实施例中以一个处理器601为例。
存储器608即为本发明所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本发明所提供的方法。本发明的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本发明所提供的方法。存储器608作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、 非瞬时计算机可执行程序以及模块,如本发明实施例中的方法对应的程序指令/模块。处理器601通过运行存储在存储器608中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器608可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据自动驾驶车辆的控制的电子设备的使用所创建的数据等。此外,存储器608可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器608可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至数据处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备的各个部件可以通过总线或者其他方式连接,本实施例中以通过总线连接为例。
输入单元606可接收输入的数字或字符信息,以及产生与数据处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出单元607可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例六
根据本实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据前述实施例所述的基于特征融合的原油凝结识别方法。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本发明在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于特征融合的原油凝结识别方法,包括:
多特征获取步骤,获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到;所述多个特征至少包括温度特征,还包括以下特征中的至少一种:超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征;
多特征融合步骤,基于已训练的多个特征编码器,将所述多个特征转换为相同维度的多个特征编码;拼接所述多个特征编码得到融合编码;所述多个特征编码器是与一个融合解码器组成二级结构后,基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的;
原油凝结识别步骤,基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练;基于所述原油凝结度预测值识别原油凝结程度。
2.如权利要求1所述的方法,所述多特征获取步骤中,
获取所述温度特征具体包括:在原油容器或管道内设置温度传感器,在所述定长时间段内根据预设温度采样频率进行多次采样,得到所述温度特征;
获取所述超声波声速特征具体包括:在原油容器或管道内的两侧分别设置超声波发射器和接收器,以超声波到达接收器的时刻作为采样时刻;使用超声波发射器和接收器之间的距离除以超声波在发射器和接收器之间传播的时间,在所述定长时间段内根据预设超声波采样频率进行多次计算,得到所述超声波声速特征;
获取所述超声波衰减系数特征具体包括:在原油容器或管道内的两侧分别设置超声波发射器和接收器,以超声波到达接收器的时刻作为采样时刻;使用超声波到达接收器时转化的电信号的电压值除以发射器发射超声波时的电信号的电压值,再除以超声波发射器和接收器之间的距离,在所述定长时间段内根据预设超声波采样频率进行多次计算,得到所述超声波衰减系数特征;
获取所述原油流速特征具体包括:在原油容器或管道内设置流速传感器,在所述定长时间段内根据预设原油流速采样频率进行多次计算,得到所述原油流速特征;
获取所述原油密度特征具体包括:在原油容器或管道内设置密度传感器,在所述定长时间段内根据预设原油密度采样频率进行多次计算,得到所述原油密度特征。
3.如权利要求1所述的方法,所述多特征融合步骤中,
每个所述特征编码器包括一个第一输入层、一个第一隐藏层;所述第一输入层的神经元数量与所述特征的维度相同;所有所述第一隐藏层具有相同的神经元数量,输出相同维度的特征编码;每个所述特征编码器的神经网络层之间采取全连接的网络结构;
所述融合解码器包括一个第二隐藏层,一个第二输出层;所述融合解码器的神经网络层之间采取全连接的网络结构;
所述二级结构中,所有所述第一隐藏层的神经元排列在同一神经网络层,作为所述第二隐藏层。
4.如权利要求3所述的方法,所述基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练包括,
预先在预定数量的定长时间段进行原油采样并计算每个所述定长时间段的多个特征;
将每个所述定长时间段的多个特征,分别输入到多个所述第一输入层;
对所述多个特征编码器进行编码训练、对所述融合解码器进行解码训练;所述融合解码器的第二输出层输出所述多个特征的重建值;所述编码训练和解码训练使得输入的多个特征和所述重建值的误差达到最小。
5.如权利要求1所述的方法,所述原油凝结识别步骤中,
所述多层前馈神经网络包括一个第三输入层,至少一个第三隐藏层,一个第三输出层;所述多层前馈神经网络的神经网络层之间采取全连接的网络结构;
所述第三输入层的神经元数量与所述融合编码的维度相同;
所述第三输出层输出所述原油凝结度预测值。
6.如权利要求5所述的方法,所述基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练包括,
预先在预定数量的定长时间段进行原油采样并计算每个所述定长时间段的多个特征,获取该定长时间段的原油凝结度标定值;
基于所述多个特征编码器将每个定长时间段的多个特征转换为融合编码;
将每个定长时间段的所述融合编码输入所述多层前馈神经网络,将所述第三输出层的输出与该定长时间段的原油凝结度标定值进行比较,根据比较得到的误差对所述多层前馈神经网络进行反向传播参数训练,直到所述误差满足预设结束条件。
7.如权利要求1所述的方法,所述基于所述原油凝结度预测值识别原油凝结程度包括,
将所述原油凝结度预测值作为原油凝结程度的定量表示,或,根据所述原油凝结度预测值是否超过预设阈值,判断原油是否凝结。
8.一种基于特征融合的原油凝结识别装置,包括:
多特征获取模块,获取当前定长时间段内原油采样的多个特征;所述多个特征按照各自测量频率测量得到;所述多个特征至少包括温度特征,还包括以下特征中的至少一种:超声波声速特征、超声波衰减系数特征、原油流速特征、原油密度特征;
多特征融合模块,基于已训练的多个特征编码器,将所述多个特征转换为多个特征编码;拼接所述多个特征编码得到融合编码;所述多个特征编码器是与一个融合解码器组成二级结构后,基于预定数量的定长时间段的多个特征对所述二级结构进行编码解码训练得到的;
原油凝结识别模块,基于已训练的多层前馈神经网络,将所述融合编码转换为原油凝结度预测值;所述多层前馈神经网络的训练是基于所述预定数量的定长时间段的融合编码和每个定长时间段内的原油凝结度标定值进行反向传播训练;基于所述原油凝结度预测值识别原油凝结程度。
9.一种电子设备,其特征在于,包括:
至少一个处理器,存储器,以及与其他电子设备通信的通信接口;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210785444.5A CN114861837B (zh) | 2022-07-06 | 2022-07-06 | 基于特征融合的原油凝结识别方法、装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210785444.5A CN114861837B (zh) | 2022-07-06 | 2022-07-06 | 基于特征融合的原油凝结识别方法、装置、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861837A true CN114861837A (zh) | 2022-08-05 |
CN114861837B CN114861837B (zh) | 2022-09-13 |
Family
ID=82625711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210785444.5A Active CN114861837B (zh) | 2022-07-06 | 2022-07-06 | 基于特征融合的原油凝结识别方法、装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861837B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991000516A1 (fr) * | 1989-07-03 | 1991-01-10 | Total Compagnie Française Des Petroles | Procede et dispositif de mesure de la gelification de produits petroliers paraffiniques, notamment bruts |
CN104155245A (zh) * | 2014-07-31 | 2014-11-19 | 中国科学院自动化研究所 | 一种基于模式识别与谱图映射的油品多类性质的检测方法 |
CN105588852A (zh) * | 2016-01-23 | 2016-05-18 | 东北石油大学 | 基于超声技术的原油凝点测量装置及其测量方法 |
CN107255672A (zh) * | 2017-07-31 | 2017-10-17 | 中国石油大学(华东) | 基于超声波测量原油压缩系数实验系统及方法 |
CN109255134A (zh) * | 2017-07-12 | 2019-01-22 | 中国石油天然气股份有限公司 | 一种抽油机井故障情况的获取方法 |
CN111179334A (zh) * | 2019-11-14 | 2020-05-19 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 |
CN113642199A (zh) * | 2021-10-18 | 2021-11-12 | 德仕能源科技集团股份有限公司 | 一种基于人工智能的原油凝结识别方法及设备 |
-
2022
- 2022-07-06 CN CN202210785444.5A patent/CN114861837B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991000516A1 (fr) * | 1989-07-03 | 1991-01-10 | Total Compagnie Française Des Petroles | Procede et dispositif de mesure de la gelification de produits petroliers paraffiniques, notamment bruts |
US5247828A (en) * | 1989-07-03 | 1993-09-28 | Total Compagnie Francaise Des Petroles | Procedure and device for measurement of the gelling of paraffinic petroleum products, especially crude products |
CN104155245A (zh) * | 2014-07-31 | 2014-11-19 | 中国科学院自动化研究所 | 一种基于模式识别与谱图映射的油品多类性质的检测方法 |
CN105588852A (zh) * | 2016-01-23 | 2016-05-18 | 东北石油大学 | 基于超声技术的原油凝点测量装置及其测量方法 |
CN109255134A (zh) * | 2017-07-12 | 2019-01-22 | 中国石油天然气股份有限公司 | 一种抽油机井故障情况的获取方法 |
CN107255672A (zh) * | 2017-07-31 | 2017-10-17 | 中国石油大学(华东) | 基于超声波测量原油压缩系数实验系统及方法 |
CN111179334A (zh) * | 2019-11-14 | 2020-05-19 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 |
CN113642199A (zh) * | 2021-10-18 | 2021-11-12 | 德仕能源科技集团股份有限公司 | 一种基于人工智能的原油凝结识别方法及设备 |
Non-Patent Citations (4)
Title |
---|
A. TRIPATHY 等: "Experimental and artificial neural network based analysis of solvent blends for dewaxing of crude oil", 《EGYPTIAN JOURNAL OF PETROLEUM》 * |
侯磊等: "BP神经网络在混合原油凝点预测中的应用", 《石油化工高等学校学报》 * |
张帆等: "声速和衰减系数与含蜡原油特性的关系", 《应用声学》 * |
王江萍: "基于神经网络的信息融合故障诊断技术", 《机械科学与技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114861837B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khalifelu et al. | Comparison and evaluation of data mining techniques with algorithmic models in software cost estimation | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
Rengasamy et al. | Deep learning approaches to aircraft maintenance, repair and overhaul: A review | |
Wu et al. | Network intrusion detection based on a general regression neural network optimized by an improved artificial immune algorithm | |
CN110413775A (zh) | 一种数据打标签分类方法、装置、终端及存储介质 | |
Shin-ike | A two phase method for determining the number of neurons in the hidden layer of a 3-layer neural network | |
CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
Suryo et al. | Improved time series prediction using LSTM neural network for smart agriculture application | |
Kaushik et al. | An adaptive learning approach to software cost estimation | |
Zhang et al. | Timber damage identification using dynamic broad network and ultrasonic signals | |
Jiang et al. | Combining dynamic XFEM with machine learning for detection of multiple flaws | |
He et al. | A systematic method of remaining useful life estimation based on physics-informed graph neural networks with multisensor data | |
Krishna et al. | Realization of deep learning based embedded soft sensor for bioprocess application | |
Guo et al. | A transformer with layer-cross decoding for remaining useful life prediction | |
CN114861837B (zh) | 基于特征融合的原油凝结识别方法、装置、设备 | |
WO2022098601A1 (en) | Autonomous fluid management using fluid digital twins | |
CN113486926A (zh) | 一种自动化码头设备异常检测系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Li et al. | Predicting Software Quality by Optimized BP Network Based on PSO. | |
Noever-Castelos et al. | Model updating of a wind turbine blade finite element Timoshenko beam model with invertible neural networks | |
CN115238394B (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN115963788A (zh) | 多采样率工业过程关键质量指标在线预测方法 | |
Duthé et al. | Modeling and monitoring erosion of the leading edge of wind turbine blades. Energies 2021, 14, 7262 | |
Aldosari et al. | Generative adversarial neural network and genetic algorithms to predict oil and gas pipeline defect lengths |
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 |