CN114898818A - 一种混合原油凝点预测模型训练方法、装置及应用方法 - Google Patents
一种混合原油凝点预测模型训练方法、装置及应用方法 Download PDFInfo
- Publication number
- CN114898818A CN114898818A CN202210353836.4A CN202210353836A CN114898818A CN 114898818 A CN114898818 A CN 114898818A CN 202210353836 A CN202210353836 A CN 202210353836A CN 114898818 A CN114898818 A CN 114898818A
- Authority
- CN
- China
- Prior art keywords
- crude oil
- mixed crude
- oil
- pipeline
- training
- 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 153
- 238000012549 training Methods 0.000 title claims abstract description 81
- 238000009833 condensation Methods 0.000 title claims abstract description 70
- 230000005494 condensation Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000003921 oil Substances 0.000 claims abstract description 132
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 230000000704 physical effect Effects 0.000 claims abstract description 44
- 230000008014 freezing Effects 0.000 claims abstract description 9
- 238000007710 freezing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 87
- 238000003066 decision tree Methods 0.000 claims description 83
- 230000015654 memory Effects 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文涉及油气运输领域，尤其涉及一种混合原油凝点预测模型训练方法、装置及应用方法。该方法包括获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述历史样本混合原油所在管道的运行参数；利用所述训练样本数据集训练XGBoost初始模型，确定混合原油凝点预测模型。本方案首次建立了基于物性监测数据、管道的运行参数的混合原油凝点预测模型；且可以基于传感器传回的实时数据，便可进行多组分原油凝点实时在线预测，凝点预测精度较高，降低预测复杂度、提高了原油运输效率。
Description
技术领域
本文涉及油气运输领域，尤其是一种混合原油凝点预测模型训练方法、装置及应用方法。
背景技术
管道混合运输是进口石油天然气的主要运输方式，当混合原油的凝点高于管线沿线输送的最低温度，以及管输原油油源、输量等的变化，管道运输原油的风险会大大提升，如何保障混输原油管道可靠运行已成为关乎经济发展、社会稳定的重要课题。
现有技术通过人工取样、实验室测定混合原油的凝点进行管道原油运输，该方法无法实现全线、全时段的风险管控，且无法满足输油管道工况变化的情况。现在技术也有通过引入两个非线性修正系数建立凝点预测的经验模型，其中一个修正系数的确定需要通过复杂的试验操作获知两组分等配比混合原油的凝点，具有一定的局限性。现有技术中还包括利用BP神经网络建立由组分油凝点及配比预测混合原油凝点的模型，该种方法仍然停留在相同物性之间的预测(即，使用组分油的凝点预测混合油的凝点)阶段，且需要通过实验测定获得组分油的物性参数，所需实验室测定数据量庞大、实验室测得凝点无法实时反应管道流动参数的变化。
针对目前混合油凝点预测滞后、获取原油凝点过程复杂的问题，需要一种混合原油凝点预测模型训练方法及应用方法。
发明内容
为解决上述现有技术的问题，本文实施例提供了一种混合原油凝点预测模型训练方法、装置及应用方法。
本文实施例提供了一种混合原油凝点预测模型训练方法，包括：获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述历史样本混合原油所在管道的运行参数；利用所述训练样本数据集训练XGBoost初始模型，确定混合原油凝点预测模型。
根据本文实施例的一个方面，所述历史样本组分油物性监测数据包括：历史样本组分油的凝点、黏度及密度；所述管道运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度、黏度。
根据本文实施例的一个方面，利用所述训练样本数据集训练XGBoost初始模型，得到混合原油凝点预测模型包括：根据XGBoost初始模型中的所有决策树对训练样本数据集的预测值之和，建立所述XGBoost初始模型的目标函数，所述目标函数如下：
其中，
为所述XGBoost初始模型的损失函数，i为决策树的序号，yi表示第i个决策树的真实值，
表示第i个决策树的预测值，∑kΩ(fk)为初始模型中的第k个决策树对应的正则惩罚项之和，Ω(fk)为第k个决策树对应的正则惩罚项；将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式，确定混合原油凝点预测模型。
根据本文实施例的一个方面，将所述目标函数中的所有决策树进行分割之前，对所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：
其中，
为所述损失函数
的一阶导；
为所述损失函数
的二阶导，
为所述损失函数，t表示决策树的序号，ft(xi)为第t个决策树。
根据本文实施例的一个方面，将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式包括：利用如下公式表示所述目标函数中的正则惩罚项：
其中，Ω(ft)为正则惩罚项，ft为进行了t次迭代的目标函数，T为所述叶子节点的个数，γ为所述树的个数，λ为所述叶子节点的得分，wj为所述叶子节点分支的分支j的分数；通过对所述正则惩罚项中的wj求偏导，最小化所述目标函数：
其中，Gj为所述决策树划分后某一个叶子区域gi之和，Hj为所述决策树划分后某一叶子区域所有hi之和，gi为损失函数
的一阶导，hi为损失函数
的二阶导；根据增益划分方式，对所述叶子节点的特征进行划分，并利用如下公式计算叶子节点的分数值：
其中，
为不分割叶子节点的特征可以得到的分数值，
表示左子树的分数值，
表示右子树的分数值；所述增益划分公式Lsplit用于划分叶子节点并计算所述叶子节点的分数值，GL为对决策树进行分割后的左分支所有gi之和，GR为对决策树进行分割后的右分支所有gi之和，HL为对决策树进行分割后的左分支所有hi之和，HR为对决策树进行分割后的右分支所有hi之和；根据所述叶子节点的分数值，选择所述损失函数结果最小值对应的XGBoost模型，确定所述混合原油凝点预测模型。
根据本文实施例的一个方面，所述训练样本数据集进一步包括至少一种历史样本组分油之间的配比。
本文实施例还提供了一种混合原油凝点预测方法，所述方法包括使用混合原油凝点预测模型：将至少一种组分油输入至管道中混合形成混合原油；获取所述组分油的物性监测数据、所述组分油所在管道的运行参数、所述组分油混合后形成的混合原油的物性监测数据及所述混合原油所在管道的运行参数；根据所述组分油的物性监测数据、所述管道的运行参数、所述混合原油的物性监测数据及所述混合原油所在的管道的运行参数，利用所述混合原油凝点预测模型预测所述混合原油的凝点。
本文实施例还提供了一种混合原油凝点预测模型训练装置，所述混合原油由至少一种组分油输入至管道中混合形成，所述装置包括：训练样本数据集获取单元，用于获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；混合原油凝点预测模型确定单元，用于利用所述训练样本数据集训练XGBoost初始模型，得到混合原油凝点预测模型。
本文实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本文实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述的方法。
本方案首次建立了基于物性监测数据、管道的运行参数的混合原油凝点预测模型；且可以基于传感器传回的实时数据，无需组分油凝点便可进行多组分原油凝点实时在线预测，预测精度较高，降低预测复杂度、提高了原油运输效率。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1所示为本文实施例一种混合原油凝点预测模型训练方法的流程图；
图2所示为本文实施例一种确定混合原油凝点预测模型的方法流程图；
图3所述为本文实施例一种将目标函数转化为关于树的叶子节点的迭代公式的方法流程图；
图4为本文实施例一种预测混合原油凝点的方法流程图；
图5所示为本文实施例一种混合原油凝点预测模型训练装置的结构示意图；
图6所示为本文实施例混合原油凝点预测模型训练装装置的具体结构示意图；
图7所示为本文实施例一种混合原油凝点预测系统的示意图；
图8所示为本文实施例一种计算机设备的结构示意图。
附图符号说明：
501、训练样本数据集获取单元；
502、混合原油凝点预测模型确定单元；
5021、混合原油凝点预测模型训练模块；
5022、目标函数转化模块；
802、计算机设备；
804、处理器；
806、存储器；
808、驱动机构；
810、输入/输出模块；
812、输入设备；
814、输出设备；
816、呈现设备；
818、图形用户接口；
820、网络接口；
822、通信链路；
824、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是，本文的混合原油凝点预测模型训练方法及应用方法可用于油气勘探领域，也可用于除油气勘探领域之外的领域，本文对混合原油凝点预测模型训练方法及应用方法的应用领域不做限定。
如图1所示为本文实施例一种混合原油凝点预测模型训练方法的流程图，其中具体包括如下步骤：
步骤101，获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述历史样本混合原油所在管道的运行参数。
在油气勘探技术领域，管道混合运输过程需要准确获知混合运输的原油的凝点，其中凝点是含蜡原油管道输送的关键参数。通常情况下，按照一定比例将多种具有不同凝点的组分原油进行混合，可以得到混合的混合原油。混合原油的凝点通常介于多种不同组分原油的凝点之间。在本申请中，可以通过多种组分原油的物性参数进行模型训练，进一步预测混合原油的凝点。具体的，使用样本数据集对模型进行训练。在本说明书的一些实施例中，训练样本数据集中的历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数由凝点预测系统检测获取，凝点预测系统可以见图7描述。
在本说明书的一些实施例中，历史样本组分油物性监测数据包括：历史样本组分油的凝点、黏度及密度；所述管道运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度、黏度。例如，历史样本组分油包括油品A、油品B和油品C，历史样本组分油的物性监测数据为：油品A的凝点、黏度及密度分别为：凝点为-11至-3℃、15℃下的黏度为20至80mPa·s、20℃下密度为855至875kg/m3；油品B的凝点、黏度和密度分别为：2至14℃、15℃下的黏度为10至250mPa·s、20℃下密度为830至890kg/m3；油品C的凝点、黏度和密度分别为：-4至19℃、15℃下的黏度为5至450mPa·s、20℃下密度为800至860kg/m3；油品D的凝点、黏度和密度分别为：-12至22℃、15℃下的黏度为5至500mPa·s、20℃下密度为810至870kg/m3。详见表1组分油物性监测数据表中的数据。
表1组分油物性监测数据表
在本说明书的一些实施例中，历史样本组分油物性监测数据包括：历史样本组分油的黏度及密度；所述管道运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度、黏度。当历史样本组分油物性监测数据仅包含黏度及密度时，
在本步骤中，历史样本组分油包括至少一种组分油。每一种组分油由单独的管道进行运输，并在首站油罐混合后向外输出。因此，训练样本数据集还包括历史样本组分油所在管道的运行参数。进一步的，历史样本组分油所在管道的运行参数为运输油品A的管道的运行参数、运输油品B的管道的运行参数、运输油品C的管道的运行参数及运输油品D的管道的运行参数。在本说明书的一些实施例中，管道的运行参数包括管道内的压力、管道温度、管道内流量等。例如，运输油品A的管道的温度为9.0至48.2℃、压力为0.1至0.23Mpa、流量为199.3至2131m3/h；运输油品B的管道的温度为5.6至34.1℃、压力为0.09至7.77Mpa、流量为17至1399.2m3/h；运输油品C的管道的温度为8.3至25.7℃、管道压力为0.23至5.3Mpa、流量为52至1658m3/h；运输油品D的管道的温度为7.5至26.7℃、压力为0.03至2.5Mpa、流量为10至2591m3/h。详见表2管道的运行参数数据表中的数据。
表2管道的运行参数表
在本说明书的一些实施例中，历史样本组分油混合后形成的历史样本混合原油的物性监测数据包括混合原油的黏度和密度；混合原油所在管道的参数包括管道温度、管道内压力及管道内流量。在本说明书的一些实施例中，混合原油的黏度和密度可以由监测传感器检测获取，混合原油所在管道的参数也可以由传感器直接检测获取得到。
在本说明书的一些实施例中，训练样本数据集进一步包括至少一种历史样本组分油之间的配比。例如，油品A、油品B、油品C、油品D之间的配比为1:1:3:1，或，油品A、油品B、油品C、油品D之间的配比为1:2:2:1等。在本说明书的一些实施例中，历史样本组分之间的配比是可以预先设置的，也可以根据实际情况进行调整。本申请对历史样本组分油之间的配比值不作限定。
步骤102，利用所述训练样本数据集训练XGBoost初始模型，确定混合原油凝点预测模型。在本步骤中，XGBoost模型为一种决策树集成模型，使用K个决策树中每一个决策树对训练样本数据集的预测值之和作为训练样本数据集在XGBoost模型中的预测。
本步骤使用历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数训练XGBoost模型，得到训练好的混合原油凝点预测模型。
如图2所述为本文实施例一种确定混合原油凝点预测模型的方法流程图。具体包括如下步骤：
步骤201，根据XGBoost初始模型中的所有决策树对训练样本数据集的预测值之和，建立所述XGBoost初始模型的目标函数，所述目标函数如下：
其中，
为所述XGBoost初始模型的损失函数，i为决策树的序号，yi表示第i个决策树的真实值，
表示第i个决策树的预测值，k表示决策树的数量，∑kΩ(fk)为初始模型中的k个决策树对应的正则惩罚项之和，Ω(fk)为第k个决策树对应的正则惩罚项，fk表示第k个决策树。
在本步骤中，XGBoost初始模型为基于决策树的模型，该模型将所有决策树对训练样本数据集的预测值之和为初始模型的最终输出结果，通过构建XGBoost模型的输入输出层，初始化XGBoost模型的权重参数，根据初始化后的权重参数训练XGBoost模型中的第一个决策树，训练完成后根据目标函数更新权重参数，进行新一轮决策树的训练。当所有训练样本的权重之和小于设定的阈值或迭代次数达到设定值时停止建模。其中，XGBoost初始模型由以下公式表示：
F＝{f(x)＝wq(x)}(q：Rm→T，w∈RT) (2)；
其中，
为XGBoost模型的模型预测值；xi为第i个样本；fk为第k个决策树的模型；F为决策树的空间；m为特征数量；T为每个决策树的叶子节点数量；q为每个决策树的结构映射每个训练样本到相应的叶子节点的分数，wq(x)表示决策树q的所有叶子节点的分数组成集合。
通过对上述公式(1)采用正则化方法控制过拟合，可以建立XGBoost初始模型的目标函数为：
其中，
为损失函数项，为模型的训练误差。该损失函数项为一个可微分的凸函数；∑kΩ(fk)为初始模型的复杂度函数，也是初始模型的惩罚项，表示初始模型中k个树中每一个决策树的复杂度之和，该项的目的是控制XGBoost初始模型的复杂度，防止模型过拟合。在本说明书的另外一些实施例中，还可以通过在XGBoost模型中引入缩减系数，降低每个决策树和叶子节点对结果的影响防止模型过拟合。
步骤202，将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式，确定混合原油凝点预测模型。
在本说明书的一些实施例中，将所述目标函数中的所有决策树进行分割之前，对所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：
其中，
为所述损失函数
的一阶导；
为所述损失函数
的二阶导，
为所述损失函数，t表示树的序号，ft(xi)为第t个决策树。关于对目标函数进行变形的具体描述详见图3描述。
在本说明书的一些实施例中，通过将目标函数转化为关于叶子节点的迭代公式，再使用贪心算法从单个叶子节点开始迭代分裂以给模型中的决策树添加节点。可以列举模型中所有特征的所有可能划分，以寻找最优分割点，进一步确定预测效果最佳的混合原油凝点预测模型。
图3所示为本文实施例一种将目标函数转化为关于决策树的叶子节点的迭代公式的方法流程图。具体包括如下步骤：
步骤301，利用如下公式表示所述目标函数中的正则惩罚项：
其中，T为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，wj为所述叶子节点分支的分支j的分数。在本说明书的一些实施例中，对正则惩罚项进行变形，得到下列公式：
其中，Ω(ft)为正则惩罚项，ft为进行了t次迭代的目标函数，T为一个决策树中的叶子节点的惩罚系数；γ为正则惩罚项，叶子节点个数越多，惩罚力度越大；λ为决策树的叶子节点权重的正则化系数，为叶子节点的得分w的L2模平方，相当于针对每个叶子节点的得分增加L2平滑，目的是避免模型训练时过拟合。
在本说明书的一些实施例中，采用additive training方式学习模型，保留原有模型不变，每进行一次新的训练时将一个新的函数fi(xi)加入到原有模型中，使得目标函数的值尽量降低。第0轮、第1轮、第2轮及第t轮的目标函数公式如下所示：
进一步使用平方误差将目标函数(4)转换成如下形式：
进一步使用泰勒公式进行近似展开的核心目标是就是对目标函数进行化简，将常数项抽离出来，得到目标函数(4)的展开公式如下：
其中，gi为
为损失函数项目的一阶导数；hi为
为损失函数项的二阶导数。
在本步骤中，定义叶子结点j的实例集Ij＝{i|q(xi)＝j}(9)，重写关于决策树模型的迭代公式(8)，得到关于决策树的叶子节点的迭代公式，如下所示：
其中，T为一个决策树中的叶子节点的惩罚系数；γ为正则惩罚项，叶子节点个数越多，惩罚力度越大；λ为树的叶子节点权重的正则化系数；wj为每个树的叶子节点的分数。
求每个决策树的叶子节点j的分数wj，求出wj后，将每个决策树的wj相加，即可得到最终的预测分数。在本说明书的一些实施例中，为了得到最优的wj的值，需要最小化的目标函数。
步骤302，通过对所述正则惩罚项中的wj求偏导，最小化所述目标函数：
其中，T为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，Gj为所述决策树划分后某一个叶子区域gi之和，Hj为所述决策树划分后某一叶子区域所有hi之和，gi为损失函数
的一阶导，hi为损失函数
的二阶导。
在本步骤中，对上式叶子节点迭代公式(10)中的wj求偏导，并令偏导数为0，得到wj的偏导
为：
其中，gi为损失函数
的一阶导，hi为损失函数
的二阶导。令wj等于0，并定义
得到
将
代入目标函数的叶子节点迭代公式(10)中，得到最小化后的目标函数的公式为：
其中，Gj为决策树划分后某一叶子区域所有g的和，是一阶导数；Hj为决策树划分后某一叶子区域所有h的和，为二阶导数。
步骤303，根据增益划分方式，对所述叶子节点的特征进行划分，并根据如下公式计算叶子节点的分数值：
其中，
为不分割叶子节点的特征可以得到的分数值，
表示左子树的分数值，
表示右子树的分数值，GL为对树进行分割后的左分支所有gi之和，GR为对树进行分割后的右分支所有gi之和，HL为对树进行分割后的左分支所有hi之和，HR为对树进行分割后的右分支所有hi之和；所述增益划分公式Lsplit用于划分叶子节点并计算所述叶子节点的分数值。
在本说明书的一些实施例中，切分节点后的损失函数为：
步骤304，根据所述叶子节点的分数值，选择所述损失函数结果最小值对应的XGBoost模型，确定所述混合原油凝点预测模型。在本步骤中，根据步骤303中的节点切分后的损失函数(10)，使用贪心算法列举初始模型中所有k个树可能划分结果，从k个决策树中选取结果最优的分割点。具体的，采用贪心算法从单个叶子节点开始，迭代分裂给对应的决策树增加节点。从树深度为0开始，遍历每一个树的每一个叶子节点所有的特征，例如：密度、黏度等等，再对某个特征，利用公式(13)对该特征对应的叶子节点的分数值进行排序，然后线性扫描该特征进而确定最好的分割点，最后对所有特征进行分割后，选择增益Lsplit最高划分方式。进而确定损失函数最小值对应的树，进一步确定训练好的XGBoost模型，即为混合原油凝点预测模型。
图4所示为本文实施例一种预测混合原油凝点的方法流程图。具体包括如下步骤：
步骤401，将至少一种组分油输入至管道中混合形成混合原油。在本步骤中，至少一种组分油由不同的管道运输至首站管道中，在首站管道进行混合后形成混合原油。例如，将组分油1、组分油2、组分油3、组分油4输入至管道中，形成混合原油。其中，这四种组分油分别具有不同的凝点、密度和黏度。
步骤402，获取所述组分油的物性监测数据、所述组分油所在管道的运行参数、所述组分油混合后形成的混合原油的物性监测数据及所述混合原油所在管道的运行参数。
在本说明书的一些实施例中，利用监测传感器监测并获取组分油的物性监测数据，包括：组分油的密度、黏度和凝点中的一种或其任意组合。利用监测传感器监测并获取组分油混合后的混合原油的物性监测数据，包括：混合原油的密度、黏度中的一种或其任意组合。在本说明书的一些实施例中，还可以获取来油的配比。
例如，获取来油(即，上文所述组分油)的密度、黏度、凝点、混合原油的密度、来油的配比，作为混合原油凝点预测模型的输入。又例如，获取来油的密度、黏度、混合原油的密度、黏度、来油的配比作为混合原油凝点预测模型的输入。再例如，获取混合原油的密度、黏度、来油的配比作为混合原油凝点预测模型的输入。
由表3可知，当混合原油凝点预测模型的输入特征包括组分油的凝点时，模型的预测精度更高，模型的平均绝对误差可以达到0.7；当混合原油凝点预测模型的输入特征不包括来油凝点时，模型的平均绝对误差也可以达到0.8，实现混合原油的凝点预测；当混合原油凝点预测模型的输入特征不包括来油物性时，也可以实现混油凝点的预测。
表3模型不同输入对应的凝点预测结果
步骤403，根据所述组分油的物性监测数据、所述管道的运行参数、所述混合原油的物性监测数据及所述混合原油所在的管道的运行参数，利用所述混合原油凝点预测模型预测所述混合原油的凝点。在本步骤中，使用图2及前文描述的混合原油凝点预测模型，将步骤402中的数据输入至混合原油凝点预测模型，可以预测得到混合原油的凝点。
如图5所示为本文实施例一种混合原油凝点预测模型训练装置的结构示意图，在本图中描述了混合原油凝点预测模型训练装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现，实现混合原油凝点预测，该装置具体包括：
训练样本数据集获取单元501，用于获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；
混合原油凝点预测模型确定单元502，用于利用所述训练样本数据集训练XGBoost初始模型，得到混合原油凝点预测模型。
本方案首次建立了基于物性监测数据、管道的运行参数的混合原油凝点预测模型；且可以基于传感器传回的实时数据，无需组分油凝点便可进行多组分原油凝点实时在线预测，预测精度较高，降低预测复杂度、提高了原油运输效率。
作为本文的一个实施例，还可以参考如图6所示为本实施例混合原油凝点预测模型训练装置的具体结构示意图。
作为本文的一个实施例，所述混合原油凝点预测模型确定单元502进一步包括：
混合原油凝点预测模型训练模块5021，用于利用训练样本数据集训练XGBoost初始模型；
目标函数转化模块5022，用于将目标函数转化为关于决策树的叶子节点的迭代公式。
如图7所示为本文实施例一种凝点预测系统的示意图。其主要描述了组分油经过管道混合后形成混合后的混合原油的过程。其中，组分油包括至少一种组分油。如图7所示，组分油包括油品1、油品2、油品3、油品4。在每一种来油的运输管道上设置有监测传感器，监测传感器可以监测每一种来油的运输管道的运行参数，也可以监测每一种来油的黏度、密度物性数据。相对应的，组分油进罐混合后形成混合原油，在混合原油向外输出的管道上设置有SCADA监测传感器，SCADA监测传感器可以监测混合原油所在的运输管道的管道运行参数，也可以监测混合原油的黏度、密度物性数据。
如图8所示，为本文实施例提供的一种计算机设备，所述计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出模块810(I/O)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814)。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口(GUI)818。在其他实施例中，还可以不包括输入/输出模块810(I/O)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1至图5中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图5所示的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。
Claims (10)
1.一种混合原油凝点预测模型训练方法，其特征在于，所述混合原油由至少一种组分油输入至管道中混合形成，所述方法包括：
获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述历史样本混合原油所在管道的运行参数；
利用所述训练样本数据集训练XGBoost初始模型，确定混合原油凝点预测模型。
2.根据权利要求1所述的混合原油凝点预测模型训练方法，其特征在于，所述历史样本组分油物性监测数据包括：历史样本组分油的凝点、黏度及密度；所述管道的运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度、黏度。
3.根据权利要求1所述的混合原油凝点预测模型训练方法，其特征在于，利用所述训练样本数据集训练XGBoost初始模型，得到混合原油凝点预测模型包括：
根据XGBoost初始模型中的所有决策树对训练样本数据集的预测值之和，建立所述XGBoost初始模型的目标函数，所述目标函数如下：
其中，L(φ)为模型的目标函数，
为所述XGBoost初始模型的损失函数，i为决策树的序号，yi表示第i个决策树的真实值，
表示第i个决策树的预测值，k表示决策树的数量，∑kΩ(fk)为初始模型中的第k个决策树对应的正则惩罚项之和，Ω(fk)为第k个决策树对应的正则惩罚项；
将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式，确定混合原油凝点预测模型。
4.根据权利要求3所述的混合原油凝点预测模型训练方法，其特征在于，将所述目标函数中的所有决策树进行分割之前，对所述目标函数执行如下处理：
利用如下公式对所述目标函数进行变形：
5.根据权利要求3所述的混合原油凝点预测模型训练方法，其特征在于，将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式包括：
利用如下公式表示所述目标函数中的正则惩罚项：
其中，Ω(ft)为正则惩罚项，ft为进行了t次迭代的决策树，T为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，wj为所述叶子节点j的分数；
通过对所述正则惩罚项中的wj求偏导，最小化所述目标函数：
其中，Gj为所述决策树划分后某一个叶子区域gi之和，Hj为所述树划分后某一叶子区域所有hi之和，gi为损失函数
的一阶导，hi为损失函数
的二阶导；
根据增益划分方式，对所述叶子节点的特征进行划分，并根据如下公式计算叶子节点的分数值：
其中，
为不分割叶子节点的特征可以得到的分数值，
表示左子树的分数值，
表示右子树的分数值；所述增益划分公式Lsplit用于划分叶子节点并计算所述叶子节点的分数值，GL为对决策树进行分割后的左分支所有gi之和，GR为对决策树进行分割后的右分支所有gi之和，HL为对决策树进行分割后的左分支所有hi之和，HR为对决策树进行分割后的右分支所有hi之和；
根据所述叶子节点的分数值，选择所述损失函数结果最小值对应的XGBoost模型，确定所述混合原油凝点预测模型。
6.根据权利要求1所述的混合原油凝点预测模型训练方法，其特征在于，所述训练样本数据集进一步包括至少一种历史样本组分油之间的配比。
7.一种混合原油凝点预测应用方法，其特征在于，所述方法包括利用权利要求1至6中任意一项所述的混合原油凝点预测模型：
将至少一种组分油输入至管道中混合形成混合原油；
获取所述组分油的物性监测数据、所述组分油所在管道的运行参数、所述组分油混合后形成的混合原油的物性监测数据及所述混合原油所在管道的运行参数；
根据所述组分油的物性监测数据、所述管道的运行参数、所述混合原油的物性监测数据及所述混合原油所在的管道的运行参数，利用所述混合原油凝点预测模型预测所述混合原油的凝点。
8.一种混合原油凝点预测模型训练装置，其特征在于，所述混合原油由至少一种组分油输入至管道中混合形成，所述装置包括：
训练样本数据集获取单元，用于获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；
混合原油凝点预测模型确定单元，用于利用所述训练样本数据集训练XGBoost初始模型，得到混合原油凝点预测模型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7的任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7的任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210353836.4A CN114898818B (zh) | 2022-04-06 | 2022-04-06 | 一种混合原油凝点预测模型训练方法、装置及应用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210353836.4A CN114898818B (zh) | 2022-04-06 | 2022-04-06 | 一种混合原油凝点预测模型训练方法、装置及应用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114898818A true CN114898818A (zh) | 2022-08-12 |
| CN114898818B CN114898818B (zh) | 2024-06-18 |
Family
ID=82716471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210353836.4A Active CN114898818B (zh) | 2022-04-06 | 2022-04-06 | 一种混合原油凝点预测模型训练方法、装置及应用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114898818B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110726830A (zh) * | 2019-10-23 | 2020-01-24 | 汉谷云智(武汉)科技有限公司 | 一种多进多出混合油性质预测方法及装置 |
| CN110910277A (zh) * | 2019-11-26 | 2020-03-24 | 燕山大学 | 一种基于XGBoost的水泥磨系统电耗指标预测方法 |
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| CN111898088A (zh) * | 2020-08-03 | 2020-11-06 | 中国石油大学(华东) | 一种原油的全粘温曲线确定方法及系统 |
| CN112613536A (zh) * | 2020-12-08 | 2021-04-06 | 燕山大学 | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
| CN112749469A (zh) * | 2019-10-31 | 2021-05-04 | 中国石油天然气股份有限公司 | 原油管道监控方法和装置、计算机可读存储介质 |
| CN112990284A (zh) * | 2021-03-04 | 2021-06-18 | 安徽大学 | 一种基于XGBoost算法的个体出行行为预测方法、系统及终端 |
| CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
| US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
-
2022
- 2022-04-06 CN CN202210353836.4A patent/CN114898818B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110726830A (zh) * | 2019-10-23 | 2020-01-24 | 汉谷云智(武汉)科技有限公司 | 一种多进多出混合油性质预测方法及装置 |
| CN112749469A (zh) * | 2019-10-31 | 2021-05-04 | 中国石油天然气股份有限公司 | 原油管道监控方法和装置、计算机可读存储介质 |
| CN110910277A (zh) * | 2019-11-26 | 2020-03-24 | 燕山大学 | 一种基于XGBoost的水泥磨系统电耗指标预测方法 |
| US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| CN111898088A (zh) * | 2020-08-03 | 2020-11-06 | 中国石油大学(华东) | 一种原油的全粘温曲线确定方法及系统 |
| CN112613536A (zh) * | 2020-12-08 | 2021-04-06 | 燕山大学 | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
| CN112990284A (zh) * | 2021-03-04 | 2021-06-18 | 安徽大学 | 一种基于XGBoost算法的个体出行行为预测方法、系统及终端 |
| CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 聂超飞 等: "混合原油凝点预测方法对比研究", 石油、天然气储存于运输, 23 October 2016 (2016-10-23), pages 344 - 350 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114898818B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amar et al. | Applying hybrid support vector regression and genetic algorithm to water alternating CO2 gas EOR | |
| CN114898819A (zh) | 一种混合原油黏度预测模型训练方法、装置及应用方法 | |
| CN110837602B (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
| CN110503251B (zh) | 一种基于Stacking算法的非节假日负荷预测方法 | |
| CN112364908A (zh) | 一种面向决策树的纵向联邦学习方法 | |
| CN110515931B (zh) | 一种基于随机森林算法的电容型设备缺陷预测方法 | |
| Deming et al. | Exploratory Data Analysis and Visualization for Business Analytics | |
| CN111967972A (zh) | 理财产品推荐方法及装置 | |
| CN105894183A (zh) | 项目评价方法及装置 | |
| CN115358809A (zh) | 一种基于图对比学习的多意图推荐方法及装置 | |
| WO2021108603A1 (en) | Resolution preserving methodology to generate continuous log scale reservoir permeability profile from petrographic thin section images | |
| Rashid et al. | An efficient procedure for expensive reservoir-simulation optimization under uncertainty | |
| CN115936159A (zh) | 基于自动特征挖掘的可解释信贷违约率预测方法、系统 | |
| CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及系统 | |
| CN116235158A (zh) | 实施自动化特征工程的系统和方法 | |
| CN114898818B (zh) | 一种混合原油凝点预测模型训练方法、装置及应用方法 | |
| CN112241785B (zh) | 一种基于深度强化学习的图书采访方法 | |
| Wang et al. | Label specificity attack: Change your label as I want | |
| Li et al. | Machine learning estimation of crude oil viscosity as function of API, temperature, and oil composition: Model optimization and design space | |
| Sarafanov et al. | Automated data-driven approach for gap filling in the time series using evolutionary learning | |
| CN111309848A (zh) | 一种梯度提升树模型的生成方法及系统 | |
| Maarouf et al. | Deep-Learning-Based Surrogate Reservoir Model for History-Matching Optimization | |
| Deumah et al. | Prediction of gas viscosity of Yemeni gas fields using machine learning techniques | |
| CN115578205A (zh) | 一种基于glm及机器学习算法的车险纯风险保费预测方法及装置 | |
| CN115564373A (zh) | 项目信息数据处理方法、系统、设备及介质 |
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 |