CN115758163A - 石油馏分组成的检测方法、装置、设备和存储介质 - Google Patents
石油馏分组成的检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115758163A CN115758163A CN202211232851.XA CN202211232851A CN115758163A CN 115758163 A CN115758163 A CN 115758163A CN 202211232851 A CN202211232851 A CN 202211232851A CN 115758163 A CN115758163 A CN 115758163A
- Authority
- CN
- China
- Prior art keywords
- similarity
- composition
- petroleum
- physical property
- detected
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种石油馏分组成的检测方法、装置、设备和存储介质,涉及炼油工业领域。根据待检测石油的物性数据和参比数据,对待检测石油对应的石油馏分组成进行初始化处理,得到预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围;在取值范围内选择目标值赋值给对应概率密度函数参数;基于预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,确定石油馏分组成的分子含量;根据分子含量与物性数据确定宏观物性相似度,根据分子含量与参比数据确定组成相似度;确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,以更符合实际油品中的石油分子含量分布。
Description
技术领域
本申请涉及炼油工业领域,尤其涉及一种石油馏分组成的检测方法、装置、设备和存储介质。
背景技术
随着炼油工业的发展,以集总模型为基础的炼油加工过程模型已经难以满足过程单元控制及优化的需求,石油产品质量规格的提高,环境保护压力的增大,以及多装置联合优化的需求,促使了分子层次过程模型的发展。分子层次过程模型相比于集总模型具有更强的预测能力,为分子炼油及炼油新工艺的研发提供了研发基础。构建分子层次过程模型的前提是得到石油馏分组成,石油馏分组成的准确性也直接决定了分子层次过程模型的准确性。
相关技术中,石油分析技术通常仅能给出有限的石油宏观物性,因此,石油分子重构技术也仅能采用石油宏观物性反演石油馏分组成,从而导致得到石油馏分组成的分子含量分布不符合实际油品中的分子含量分布。
发明内容
本申请提供一种石油馏分组成的检测方法、装置、设备和存储介质,用以解决石油馏分组成的分子含量分布不符合实际油品中的分子含量分布的问题。
第一方面,本申请提供一种石油馏分组成的检测方法,包括:获取待检测石油的物性数据和参比数据;根据物性数据和参比数据,对待检测石油对应的石油馏分组成进行初始化处理,得到初始化数据,初始化数据包括预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围,预置分子库包含待检测石油可能包含的分子结构;在取值范围内选择目标值赋值给对应概率密度函数参数;基于预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,确定石油馏分组成的分子含量;根据分子含量与物性数据,确定宏观物性相似度,并根据分子含量与参比数据,确定组成相似度;确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成。
一种可能的实施方式中,确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:确定宏观物性相似度是否小于待检测石油的参考宏观物性相似度,参考宏观物性相似度为当前确定的最优宏观物性相似度;若宏观物性相似度不小于待检测石油的参考宏观物性相似度,则确定宏观物性相似度为待检测石油的参考宏观物性相似度;确定组成相似度是否小于待检测石油的参考组成相似度,参考组成相似度为当前确定的最优组成相似度;若组成相似度不小于待检测石油的参考组成相似度,则确定组成相似度为待检测石油的参考组成相似度;确定待检测石油的石油馏分组成为参考组成相似度和参考宏观物性相似度满足相似度要求的石油馏分组成。
一种可能的实施方式中,确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,还包括:
若宏观物性相似度小于待检测石油的参考宏观物性相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若组成相似度小于待检测石油的参考组成相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若参考组成相似度和参考宏观物性相似度不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
一种可能的实施方式中,确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,还包括:确定组成相似度和宏观物性相似度的加权和;确定待检测石油的石油馏分组成为加权和满足相似度要求的石油馏分组成;若加权和不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
一种可能的实施方式中,在取值范围内选择目标值赋值给对应概率密度函数参数,包括:基于双目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,双目标优化算法包括带精英策略的非支配排序的遗传算法;和/或,基于单目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,单目标优化算法包括遗传算法。
一种可能的实施方式中,根据分子含量与物性数据,确定宏观物性相似度,包括:宏观物性相似度的表达式可为:
Prop Sim=-mean(δ|Pref-Ppred|)
其中,Pref是物性数据的石油性质,Ppred是石油馏分组成的石油性质,δ是物性数据的权重因子。
一种可能的实施方式中,根据分子含量与参比数据,确定组成相似度,包括:组成相似度的表达式可为:
其中,COS表示石油馏分组成的分子含量与参比数据的分子含量之间的余弦相似度数值,mref,i是参比数据的分子含量,mpred,i是石油馏分组成的分子含量。
第二方面,本申请提供一种石油馏分组成的检测装置,包括:获取模块,用于获取待检测石油的物性数据和参比数据;初始化模块,用于根据物性数据和参比数据,对待检测石油对应的石油馏分组成进行初始化处理,得到初始化数据,初始化数据包括预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围,预置分子库包含待检测石油可能包含的分子结构;参数赋值模块,用于在取值范围内选择目标值赋值给对应概率密度函数参数;确定分子含量模块,用于基于预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,确定石油馏分组成的分子含量;相似度计算模块,用于根据分子含量与物性数据,确定宏观物性相似度,并根据分子含量与参比数据,确定组成相似度;石油馏分组成确定模块,用于确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成。
一种可能的实施方式中,石油馏分组成确定模块可以具体用于:确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:确定宏观物性相似度是否小于待检测石油的参考宏观物性相似度,参考宏观物性相似度为当前确定的最优宏观物性相似度;若宏观物性相似度不小于待检测石油的参考宏观物性相似度,则确定宏观物性相似度为待检测石油的参考宏观物性相似度;确定组成相似度是否小于待检测石油的参考组成相似度,参考组成相似度为当前确定的最优组成相似度;若组成相似度不小于待检测石油的参考组成相似度,则确定组成相似度为待检测石油的参考组成相似度;确定待检测石油的石油馏分组成为参考组成相似度和参考宏观物性相似度满足相似度要求的石油馏分组成。
一种可能的实施方式中,石油馏分组成确定模块还可以具体用于:确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:若宏观物性相似度小于待检测石油的参考宏观物性相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若组成相似度小于待检测石油的参考组成相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若参考组成相似度和参考宏观物性相似度不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
一种可能的实施方式中,石油馏分组成确定模块还可以具体用于:确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:确定组成相似度和宏观物性相似度的加权和;确定待检测石油的石油馏分组成为加权和满足相似度要求的石油馏分组成;若加权和不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
一种可能的实施方式中,参数赋值模块具体用于:在取值范围内选择目标值赋值给对应概率密度函数参数,包括:基于双目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,双目标优化算法包括带精英策略的非支配排序的遗传算法;和/或,基于单目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,单目标优化算法包括遗传算法。
一种可能的实施方式中,相似度计算模块可以具体用于:根据分子含量与物性数据,确定宏观物性相似度,包括:根据如下公式确定宏观物性相似度:
Prop Sim=-mean(δ|Pref-Ppred|)
其中,PropSim表示宏观物性相似度,Pref是根据物性数据确定的宏观物性,Ppred是根据分子含量确定的石油馏分组成的宏观物性,δ是物性数据的权重因子,mean表示求均值符号。
一种可能的实施方式中,相似度计算模块还可以具体用于:根据分子含量与参比数据,确定组成相似度,包括:根据如下公式确定组成相似度:
其中,COS表示组成相似度,mref,i表示参比数据中分子i的分子含量,mpred,i表示石油馏分组成中分子i的分子含量,∑表示求和符号。
第三方面,本申请提供一种石油馏分组成的检测设备,包括:存储器和处理器。存储器用于存储程序指令;处理器用于调用存储器中的程序指令执行第一方面的石油馏分组成的检测方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当计算机执行指令被执行时用于实现第一方面的石油馏分组成的检测方法。
第五方面,本申请提供一种计算机程序产品,计算机程序产品包含计算机程序,计算机程序被处理器执行时用于实现第一方面的石油馏分组成的检测方法。
本申请提供的石油馏分组成的检测方法、装置、设备和存储介质,通过获取待检测石油的物性数据和参比数据;根据物性数据和参比数据,对待检测石油对应的石油馏分组成进行初始化处理,得到预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围;在取值范围内选择目标值赋值给对应概率密度函数参数;基于预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,确定石油馏分组成的分子含量;根据分子含量与物性数据确定宏观物性相似度,并根据分子含量与参比数据确定组成相似度;确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成。由于本申请根据组成相似度和宏观物性相似度反演石油馏分组成,使得确定的待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,因此,可使得到的石油馏分组成的分子含量分布符合实际油品中的石油分子含量分布;另外,当石油分子含量分布确定后,还可以解决石油馏分组成优化多解的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一实施例提供的石油馏分组成的检测方法的应用场景示意图;
图2是本申请一实施例提供的石油馏分组成的检测方法的流程示意图;
图3是本申请一实施例提供的柴油核心分子结构的示意图;
图4是本申请一实施例提供的概率密度函数组合形式的示意图;
图5是本申请另一实施例提供的石油馏分组成的检测方法的流程示意图;
图6是本申请一实施例提供的柴油馏分组成的检测方法的流程示意图;
图7是本申请一实施例提供的以GC-FI TOF MS数据为参比数据的柴油馏分组成的检测结果;
图8是本申请一实施例提供的以GC-FI TOF MS数据为参比数据检测柴油馏分组成的重复性测试结果;
图9是本申请一实施例提供的以GC-FI TOF MS数据为参比数据检测多组柴油馏分组成的宏观物性实验值与计算值的对比结果;
图10是本申请一实施例提供的以GC-FI TOF MS数据为参比数据检测多组柴油馏分组成的分子含量分布实验值与计算值的对比结果;
图11是本申请另一实施例提供的以历史检测的柴油馏分组成为参比数据检测柴油馏分组成的宏观物性结果;
图12是本申请另一实施例提供的以历史检测的柴油馏分组成为参比数据检测柴油馏分组成的分子含量分布结果;
图13是本申请另一实施例提供的以历史检测的柴油馏分组成为参比数据检测柴油馏分组成的重复性测试结果;
图14是本申请一实施例提供的石油馏分组成的检测装置的结构示意图;
图15是本申请一实施例提供的石油馏分组成的检测设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请的说明书和权利要求书中的术语“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,以便这里描述的本申请的实施例例如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、系统、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、产品或设备固有的其它步骤或单元。
相关技术中,基于分析数据的石油分子重构技术是获取石油分子组成的重要手段,然而,由于分析数据对石油馏分组成中分子含量的约束不足,容易造成石油馏分组成优化多解的问题。但有效利用石油分子表征技术,有望解决石油馏分组成分子含量分布准确性与多解的问题,然而,由于石油分子组成的复杂性,柴油及更重馏分的石油分子表征技术仍然无法给出所有的石油分子(如单体烃)组成,且先进的石油分子表征技术十分昂贵,因此,现有的柴油及更重馏分的石油馏分组成几乎完全来自于分子重构技术。
针对上述问题,本申请提出一种石油馏分组成的检测方法,即构建石油馏分组成模型,该方法基于宏观物性相似度与组成相似度的石油分子重构方法,在石油馏分组成过程中引入参比数据,将石油馏分组成的分子含量与参比数据的分子含量之间的组成相似度作为优化目标,同时将石油馏分组成的石油性质与物性数据的石油性质之间的宏观物性相似度作为优化目标,采用双目标优化算法和单目标优化算法优化组成相似度与宏观物性相似度,可使得到的石油馏分组成的分子含量分布符合实际油品中的石油分子含量分布;另外,当石油分子含量分布确定后,还可以解决石油馏分组成优化多解的问题。
图1为本申请一实施例提供的石油馏分组成的检测方法的应用场景示意图。如图1所示,该应用场景包括第一客户端11、服务器12和第二客户端13,其中,第一客户端11和第二客户端13的个数均可以为至少一个。在实际应用中,例如研究者等相关人员在获得物性数据和参比数据后,通过第一客户端11将物性数据和参比数据发送给服务器12进行存储;服务器12在检测到用户通过第二客户端13下发的用于检测某石油的石油馏分组成的指令时,基于已存储的物性数据和参比数据,执行本申请提供的石油馏分组成的检测方法,得到该石油的石油馏分组成,并将石油馏分组成的结果发送到第二客户端13,由此相关人员获知该石油的石油馏分组成。
需说明的是,服务器12也可以替换为服务器集群或其他具有一定算力的计算设备。第一客户端和第二客户端均可以为手机、电脑、笔记本或个人数字助理(PersonalDigital Assistant,简称PDA)等。另外,本申请提供的检测方法还可以用于检测柴油的馏分组成。
下面结合图1的应用场景,参考图2来描述根据本申请示例性实施方式的石油馏分组成的检测方法。需要注意的是,上述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式不受图1所示应用场景的限制。
图2为本申请一实施例提供的石油馏分组成的检测方法的流程示意图。如图2所示,本申请实施例中的石油馏分组成的检测方法包括以下步骤:
S201:获取待检测石油的物性数据和参比数据。
在该步骤中,待检测石油的物性数据和参比数据可通过分析现有待检测石油后获取。其中,物性数据是表示石油宏观物性的数据,包括获取石油的密度、石油元素含量、蒸馏点等;参比数据是分子级的表征数据,包括历史检测的石油馏分组成和/或气相色谱-场电离飞行时间质谱联用数据(Gas Chromatography Field Ionization Time of FlightMass Spectrometry,简称GC-FI TOF MS)。具体地,相比于昂贵的柴油定量分子表征技术,即全二维气相色谱法(Full two-dimensional Gas chromatography,简称GC×GC),半定量的分子表征数据(即,GC FI-TOF MS)廉价易得。
S202:根据物性数据和参比数据,对待检测石油对应的石油馏分组成进行初始化处理,得到初始化数据,初始化数据包括预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围,预置分子库包含待检测石油可能包含的分子结构。
在该步骤中,对待检测石油对应的石油馏分组成进行初始化处理,会得到一个初始石油馏分组成,后续会通过优化算法,如直接优化算法和/或间接优化算法,对初始石油馏分组成进行优化,最终确定一个优化后的石油馏分组成。
在该步骤中,预置分子库是指预先设定的对应待检测石油可能包含的所有分子结构。具体地,预置分子库需要符合相应石油的石油化学组成并包括主要核心分子结构,因此,可以采用先定义核心分子结构,然后在核心分子结构的基础上拓展侧链碳数的方式完成预置分子库的构建。示例地,图3为本申请一实施例提供的柴油核心分子结构的示意图。
示例地,在预置分子库构建完成后,需要优化分子含量以确定石油馏分组成。具体地,优化分子含量是确定石油馏分组成的核心,分子含量优化的目标在于找到准确的分子含量分布,使石油馏分组成的性质贴近真实石油的性质。
示例地,本研究采用概率密度函数组合的形式间接计算分子含量,概率密度函数(Probability Density Function,简称PDF)包括伽马概率密度函数(GammaPDF)与直方图概率密度函数(HistogramPDF),分别如公式(1)、(2)所示:
f(x)=Xi (2)
其中,GammaPDF共有α、β、γ三个可调节参数,用于连续性质约束,如碳数和沸点,x为概率密度函数参数;HistogramPDF中,Xi是某类分子含量,如将石油分子的分子类型分为烃类、含硫化合物、含氮化合物和含氧化合物,Xi对应为烃类、含硫化合物、含氮化合物和含氧化合物的含量。
示例地,图4为本申请一实施例提供的概率密度函数组合形式的示意图。如图4所示,石油分子的分子类型包括烃类、含硫化合物、含氮化合物和含氧化合物,其中,所有表征石油分子沸点的概率密度函数选用GammaPDF;表征碱性氮、非碱性氮的概率密度函数、表征酸、酚类的概率密度函数、表征烷烃、环烷烃、芳香烃分类的概率密度函数、表征硫醚、噻吩、苯并噻吩、二苯并噻吩的概率密度函数选用HistogramPDF,环烷烃包括的一环、二环、三环的概率密度函数选用HistogramPDF,芳香烃包括的烷基苯、茚满、茚、萘、苊、苊烯、三环芳烃的概率密度函数选用HistogramPDF。
示例地,概率密度函数参数的取值范围可通过物性数据、参比数据和概率密度函数组合形式进行确定。
S203:在取值范围内选择目标值赋值给对应概率密度函数参数。
示例地,在步骤S202中已确定概率密度函数参数的取值范围,在该步骤中,可从已确定的取值范围中随机选择一个目标值作为概率密度函数的初始参数。
S204:基于预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,确定石油馏分组成的分子含量。
示例地,在该步骤中,可从步骤S202和步骤S203中分别获得预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,从而确定石油馏分组成的分子含量。具体地,此处获得的石油馏分组成的分子含量是一个初始的分子含量,仍需通过优化算法对其进行优化。
S205:根据分子含量与物性数据,确定宏观物性相似度,并根据分子含量与参比数据,确定组成相似度。
示例地,在该步骤中,区别于现有技术中基于宏观物性相似度的石油分子重构方法以宏观物性相似度作为优化目标,本申请提出的方法同时采用宏观物性相似度和组成相似度作为优化目标,形成双目标优化问题。
示例地,根据分子含量和物性数据,确定宏观物性相似度,包括:根据如下公式(3)确定宏观物性相似度:
Prop Sim=-mean(δ|Pref-Ppred|) (3)
其中,PropSim表示宏观物性相似度,Pref是根据物性数据确定的宏观物性,Ppred是根据分子含量确定的石油馏分组成的宏观物性,δ是物性数据的权重因子,mean表示求均值符号。
示例地,根据分子含量和参比数据,确定组成相似度,包括:根据如下公式(4)确定组成相似度:
其中,COS表示组成相似度,mref,i表示参比数据中分子i的分子含量,mpred,i表示石油馏分组成中分子i的分子含量,∑表示求和符号。具体地,COS值位于-1~1之间,值越大两者越相似。
示例地,组成相似度是指石油馏分组成的分子含量与参比数据的分子含量之间的相似程度,可以采用相似度算法定量计算,计算方法包括:基于距离形式的计算方法和基于非距离形式的计算方法。基于距离形式的计算方法包括欧式距离(Euclidean Distance,简称ED),如公式(5)所示:
ED=(∑(mpred,i-mref,i)2)1/2 (5)
其中,ED表示石油馏分组成的分子含量与参比数据的分子含量之间的欧氏距离,其值位于0~+∞之间,值越小两者越相似。mpred,i表示是石油馏分组成中分子i的分子含量,mref,i表示参比数据中分子i的分子含量,∑表示求和符号。
基于非距离形式的计算方法包括余弦相似度和库尔巴克-莱布勒(Kullback-Leibler,简称KL)散度,余弦相似度如上述公式(4)所示,KL散度如公式(6)所示:
其中,KL表示石油馏分组成的分子含量与参比数据的分子含量之间的KL散度值,其取值范围为0~1,值越小两者越相似。
S206:确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成。
示例地,在该步骤中,确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:确定宏观物性相似度是否小于待检测石油的参考宏观物性相似度,参考宏观物性相似度为当前确定的最优宏观物性相似度;若宏观物性相似度不小于待检测石油的参考宏观物性相似度,则确定宏观物性相似度为待检测石油的参考宏观物性相似度;确定组成相似度是否小于待检测石油的参考组成相似度,参考组成相似度为当前确定的最优组成相似度;若组成相似度不小于待检测石油的参考组成相似度,则确定组成相似度为待检测石油的参考组成相似度;确定待检测石油的石油馏分组成为参考组成相似度和参考宏观物性相似度满足相似度要求的石油馏分组成。示例地,如图5所示,确定待检测石油的石油馏分组成为参考组成相似度和参考宏观物性相似度满足相似度要求的石油馏分组成后,可获得石油馏分组成,示例地,可能会有多个石油馏分组成满足要求,所以会获得一个石油馏分组成集。图5为本申请另一实施例提供的石油馏分组成的检测方法的流程示意图,是在图2的基础上进行细化。示例地,如图5所示,输入数据包括物性数据和参比数据,其中,参比数据包括分子表征数据和分子组成模型;石油馏分组成初始化包括预置分子库、概率密度函数组合形式和概率密度函数参数取值范围,其中,预置分子库包含待检测柴油可能包含的分子结构,分子结构确定后,可确定分子性质,根据分子性质和分子含量可确定石油馏分组成的宏观物性(即,石油性质),宏观物性包括元素含量和族组成,然后对石油馏分组成的宏观物性与物性数据的宏观物性进行比较,确定宏观物性相似度。
示例地,在该步骤中,如图5所示,确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,还包括:若宏观物性相似度小于待检测石油的参考宏观物性相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若组成相似度小于待检测石油的参考组成相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若参考组成相似度和参考宏观物性相似度不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
示例地,在该步骤中,如图5所示,确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,还包括:确定组成相似度和宏观物性相似度的加权和;确定待检测石油的石油馏分组成为加权和满足相似度要求的石油馏分组成;若加权和不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。示例地,确定待检测石油的石油馏分组成为参考组成相似度和参考宏观物性相似度的加权和满足相似度要求的石油馏分组成后,可获得石油馏分组成,示例地,可能会有多个石油馏分组成满足要求,所以会获得一个石油馏分组成集。
进一步地,如图5所示,在取值范围内选择目标值赋值给对应概率密度函数参数,包括:基于双目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,双目标优化算法包括带精英策略的非支配排序的遗传算法;和/或,基于单目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,单目标优化算法包括遗传算法。
示例地,当采用直接优化算法时,可通过双目标优化算法迭代计算最优的组成相似度与宏观物性相似度,其中,优化变量在迭代过程中会保留组成相似度占优或宏观物性相似度占优,且保留不被其他解支配的一系列最优解,形成石油馏分组成的最优解集。当采用间接优化算法时,优化变量在迭代过程中致力于找到最优的组成相似度与宏观物性相似度的加权和,最终确定单一最优解。具体地,本申请采用的双目标优化算法为带精英策略的非支配排序的遗传算法(Genetic Algorithm for Non-dominated Sorting,简称NSGA-II),单目标优化算法为遗传算法(Genetic Algorithm,简称GA)。
示例地,以余弦相似度为组成相似度的优化目标,采用直接优化算法的石油馏分组成的检测方法优化问题的数学模型如公式(7)所示:
示例地,以组成相似度和宏观物性相似度的加权和为优化目标,采用间接优化算法的石油馏分组成的检测方法优化问题的数学模型如公式(8)所示:
其中,x为优化变量,xlow和xup分别为优化变量的最小值和最大值,可以通过实验数据和概率密度函数确定xlow与xup。ω为两目标函数之间的权重因子。
本申请实施例提供的石油馏分组成的检测方法中,在基于宏观物性相似度的基础上,加入组成相似度,用于石油馏分组成的检测,可以使得检测到的石油分子含量分布更符合实际油品中的石油分子含量分布;另外,当石油分子含量分布确定后,还可以解决石油馏分组成优化多解的问题。
一些实施例中,本申请以GC-FI TOF MS数据为参比数据的柴油馏分组成的检测方法,图6为本申请一实施例提供的柴油馏分组成的检测方法的流程示意图,包括以下步骤:
S601:获取待检测柴油的物性数据和GC-FI TOF MS数据。
该步骤的相关说明与步骤S201类似,此处不再赘述。
S602:根据物性数据和GC-FI TOF MS数据,对待检测柴油对应的柴油馏分组成进行初始化处理,得到初始化数据,初始化数据包括预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围,预置分子库包含待检测柴油可能包含的分子结构。
该步骤的相关说明与步骤S202类似,此处不再赘述。
具体地,设定概率密度函数组合形式为:①采用Histogram函数按不同种类化合物进行分类;②在不同种类化合物分类下采用Histogram函数细化分类不同核心结构化合物;③采用Gamma函数抽取所有分子沸点。
S603:在概率密度函数参数的取值范围内选择目标值赋值给对应概率密度函数参数;
该步骤的相关说明与步骤S203类似,此处不再赘述。
S604:基于预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,确定柴油馏分组成的分子含量。
该步骤的相关说明与步骤S204类似,此处不再赘述。
S605:根据分子含量与物性数据,确定宏观物性相似度,并根据分子含量与GC-FITOF MS数据,确定组成相似度。
该步骤的相关说明与步骤S205类似,此处不再赘述。
具体地,预置分子库包含待检测柴油可能包含的分子结构,分子结构确定后,可确定分子性质,根据分子性质和分子含量可确定柴油的宏观物性,宏观物性包括元素含量和族组成。其中,柴油的宏观物性与物性数据的宏观物性进行比较,确定宏观物性相似度。
S606:确定待检测柴油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的柴油馏分组成。
该步骤的相关说明与步骤S206类似,此处不再赘述。
S607:采用直接优化算法和/或间接优化算法,优化柴油馏分组成。
直接优化算法和/或间接优化算法的相关说明如上述实施例所述,此处不再赘述。
具体地,基于宏观物性相似度与组成相似度,分别采用直接优化算法和间接优化算法优化柴油馏分组成,结果如图7所示。图7为以GC-FI TOF MS数据为参比数据的柴油馏分组成的检测结果,其中,组成相似度采用了余弦相似度算法,间接优化算法的权重因子为1,采用传统方法作为对比组(即,基于宏观物性相似度的石油分子重构法)。其中,图7中(1)和(2)是比较宏观物性相似度,包括密度、硫含量、氮含量以及体积分数-馏出温度,图7中(3)~(6)是比较组成相似度,包括碳数-等价双键数(The number of equivalent doublebonds,简称DBE),图里的圆圈,一个圆圈表示一种分子,圆圈的大小表示分子含量的多少。从图中结果可知,采用传统方法检测的柴油馏分组成的宏观物性与物性数据一致,分子含量分布与GC-FI TOF MS数据差距较大。采用基于宏观物性相似度与组成相似度检测柴油馏分组成的宏观物性与物性数据的宏观物性一致,分子含量分布与GC-FI TOF MS数据一致。说明,以GC-FI TOF MS数据为参比数据,基于宏观物性相似度与组成相似度的柴油馏分组成的检测方法可以准确检测柴油馏分组成。具体地,对比两种优化算法,间接优化算法相比于直接优化算法更加高效。
具体地,为证明本申请提出的方法具有较好的重复性,重复三次柴油馏分组成的检测方法的优化过程,结果如图8所示。图8为以GC-FI TOF MS数据为参比数据检测柴油馏分组成的重复性测试结果,如图8所示,三次优化结果在宏观物性与分子含量上均与物性数据和GC-FI TOF MS数据一致。说明以GC-FI TOF MS数据为参比数据,基于宏观物性相似度与组成相似度的柴油馏分组成的检测方法具有较好的重复性。
进一步地,本申请以GC-FI TOF MS数据为参比数据,基于宏观物性相似度与组成相似度的石油馏分组成的检测方法用于检测不同种类的柴油馏分组成,结果如图9所示。图9为以GC-FI TOF MS数据为参比数据检测多组柴油馏分组成的宏观物性实验值与计算值的对比结果,如图9所示,硫含量分析数据、密度计算值、蒸馏曲线的计算值和族组成数据均与实验值展现了良好的一致性。
具体地,不同种类的柴油馏分组成的分子含量分布与GC-FI TOF MS数据对比结果如图10所示,图10为以GC-FI TOF MS数据为参比数据检测多组柴油馏分组成的分子含量分布实验值与计算值的对比结果,其中,图10中(1)、(3)和(5)是采用不同的炼油工艺得到的柴油样品,得到不一样的碳数-DBE分布计算值,图10中(2)、(4)和(6)是检测不同的柴油样品的柴油馏分组成的分子含量分布实验值,如图10所示,分子含量分布与GC-FI TOF MS数据一致,证明了基于宏观物性相似度与组成相似度的石油馏分组成的检测方法具有普适性。
进一步地,本申请以历史检测的柴油馏分组成为参比数据,检测柴油馏分组成。示例地,将基于宏观物性相似度与组成相似度的石油馏分组成的检测方法用于实际炼厂油品馏分组成的检测时,面临着缺乏油品详细表征数据的困境。因此,本申请采用历史检测的柴油馏分组成为参比数据,优化当前油品馏分组成。以检测柴油馏分组成为例,炼厂实际生产过程中,会定期检测柴油的宏观物性数据,但不会经常检测柴油的分子表征数据。因此,可以采用具有分子表征数据的柴油样品为参比油,建立参比油的柴油馏分组成,用于优化其余时间未检测分子表征数据的柴油馏分组成。
具体地,根据实际炼厂加工数据,以参比油的柴油馏分组成为参比数据,构建其余天的柴油馏分组成,并将传统方法检测的柴油馏分组成作为对比组,结果如图11、图12所示。图11为以历史检测的柴油馏分组成为参比数据检测柴油馏分组成的宏观物性结果,如图11所示,在宏观物性层面,基于宏观物性相似度与组成相似度的分子重构法(即,基于宏观物性相似度与组成相似度的石油馏分组成的检测方法)检测的柴油馏分组成很好地适应了硫元素含量波动与蒸馏曲线波动。基于宏观物性相似度的分子重构法检测的柴油馏分组成同样适应了柴油的宏观物性波动。两种方法在宏观物性准确度上的精度接近。图12为以历史检测的柴油馏分组成为参比数据检测柴油馏分组成的分子含量分布结果,如图12所示,在分子组成层面,基于宏观物性相似度与组成相似度的分子重构法检测的柴油馏分组成中的分子含量分布与参比油检测的柴油馏分组成中的分子含量分布一致,而基于宏观物性相似度的分子重构法检测的柴油馏分组成中的分子含量分布与参比油检测的柴油馏分组成中的分子含量分布相比差距较大,说明基于宏观物性相似度与组成相似度的分子重构法可以在缺少油品详细表征数据时,有效保证分子含量分布的准确性,检测的柴油馏分组成的精度更高。
进一步地,为证明本研究提出的方法具有较好的重复性,本申请重复三次柴油馏分组成的检测方法的优化过程,并将传统方法检测的柴油馏分组成作为对比组,结果如图13所示。图13为以历史检测的柴油馏分组成为参比数据检测柴油馏分组成的重复性测试结果,如图13所示,相比于传统方法,基于宏观物性相似度与组成相似度的分子重构法检测的柴油馏分组成,三次优化结果在族组成含量上仅有较小波动,说明以历史检测的柴油馏分组成为参比数据检测柴油馏分组成具有较好的重复性。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图14为本申请一实施例提供的石油馏分组成的检测装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。如图14所示,该石油馏分组成的检测装置1400包括:获取模块1401、初始化模块1402、参数赋值模块1403、确定分子含量模块1404、相似度计算模块1405和石油馏分组成确定模块1406。其中,
获取模块1401,用于获取待检测石油的物性数据和参比数据;
初始化模块1402,用于根据物性数据和参比数据,对待检测石油对应的石油馏分组成进行初始化处理,得到初始化数据,初始化数据包括预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围,预置分子库包含待检测石油可能包含的分子结构;
参数赋值模块1403,用于在取值范围内选择目标值赋值给对应概率密度函数参数;
确定分子含量模块1404,用于基于预置分子库、概率密度函数组合形式和赋值后的概率密度函数参数,确定石油馏分组成的分子含量;
相似度计算模块1405,用于根据分子含量与物性数据,确定宏观物性相似度,并根据分子含量与参比数据,确定组成相似度;
石油馏分组成确定模块1406,用于确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成。
一种可能的实施方式中,石油馏分组成确定模块1406可以具体用于:确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:确定宏观物性相似度是否小于待检测石油的参考宏观物性相似度,参考宏观物性相似度为当前确定的最优宏观物性相似度;若宏观物性相似度不小于待检测石油的参考宏观物性相似度,则确定宏观物性相似度为待检测石油的参考宏观物性相似度;确定组成相似度是否小于待检测石油的参考组成相似度,参考组成相似度为当前确定的最优组成相似度;若组成相似度不小于待检测石油的参考组成相似度,则确定组成相似度为待检测石油的参考组成相似度;确定待检测石油的石油馏分组成为参考组成相似度和参考宏观物性相似度满足相似度要求的石油馏分组成。
一种可能的实施方式中,石油馏分组成确定模块1406还可以具体用于:确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:若宏观物性相似度小于待检测石油的参考宏观物性相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若组成相似度小于待检测石油的参考组成相似度,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤;若参考组成相似度和参考宏观物性相似度不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
一种可能的实施方式中,石油馏分组成确定模块1406还可以具体用于:确定待检测石油的石油馏分组成为组成相似度和宏观物性相似度满足相似度要求的石油馏分组成,包括:确定组成相似度和宏观物性相似度的加权和;确定待检测石油的石油馏分组成为加权和满足相似度要求的石油馏分组成;若加权和不满足相似度要求,则执行在取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
一种可能的实施方式中,参数赋值模块1403具体用于:在取值范围内选择目标值赋值给对应概率密度函数参数,包括:基于双目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,双目标优化算法包括带精英策略的非支配排序的遗传算法;和/或,基于单目标优化算法,在取值范围内选择目标值赋值给对应概率密度函数参数,单目标优化算法包括遗传算法。
一种可能的实施方式中,相似度计算模块1405可以具体用于:根据分子含量与物性数据,确定宏观物性相似度,包括:根据如下公式确定宏观物性相似度:
Prop Sim=-mean(δ|Pref-Ppred|)
其中,PropSim表示宏观物性相似度,Pref是根据物性数据确定的宏观物性,Ppred是根据分子含量确定的石油馏分组成的宏观物性,δ是物性数据的权重因子,mean表示求均值符号。
一种可能的实施方式中,相似度计算模块1405还可以具体用于:根据分子含量与参比数据,确定组成相似度,包括:根据如下公式确定组成相似度:
其中,COS表示组成相似度,mref,i表示参比数据中分子i的分子含量,mpred,i表示石油馏分组成中分子i的分子含量,∑表示求和符号。
本申请实施例提供的石油馏分组成的检测装置,其实现原理和技术效果与上述实施例类似,具体可参考上述实施例,此处不再赘述。
图15为本申请一实施例提供的石油馏分组成的检测设备的结构示意图。如图15所示,石油馏分组成的检测设备1500包括:处理器1510,可以包括一个或多个;存储器1520,用于存储可由处理器1510执行的程序指令例如数据1521或应用程序1522,其中,数据包括物性数据和参比数据,存储器1520可以是短暂存储或持久存储,处理器1510用于调用存储器1520中的程序指令执行如上石油馏分组成的检测方法。
石油馏分组成的检测设备1500还可以包括一个或多个电源组件1530;一个或多个有线或无线网络接口1540,用于将石油馏分组成的检测设备1500连接到网络;一个或多个输入输出接口1550,和/或,一个或多个操作系统1523,例如Windows ServeTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。本领域技术人员可以理解,图15示出的石油馏分组成的检测设备并不构成对石油馏分组成的检测设备的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者不同的部件布置。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当计算机执行指令被执行时用于实现如上石油馏分组成的检测方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被执行时实现如上石油馏分组成的检测方法。
本申请实施例还提供一种运行指令的芯片,芯片用于执行如上任一方法实施例的石油馏分组成的检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种石油馏分组成的检测方法,其特征在于,包括:
获取待检测石油的物性数据和参比数据;
根据所述物性数据和所述参比数据,对所述待检测石油对应的石油馏分组成进行初始化处理,得到初始化数据,所述初始化数据包括预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围,所述预置分子库包含所述待检测石油可能包含的分子结构;
在所述取值范围内选择目标值赋值给对应概率密度函数参数;
基于所述预置分子库、所述概率密度函数组合形式和赋值后的概率密度函数参数,确定所述石油馏分组成的分子含量;
根据所述分子含量与所述物性数据,确定宏观物性相似度,并根据所述分子含量与所述参比数据,确定组成相似度;
确定所述待检测石油的石油馏分组成为所述组成相似度和所述宏观物性相似度满足相似度要求的石油馏分组成。
2.根据权利要求1所述的检测方法,其特征在于,所述确定所述待检测石油的石油馏分组成为所述组成相似度和所述宏观物性相似度满足相似度要求的石油馏分组成,包括:
确定宏观物性相似度是否小于所述待检测石油的参考宏观物性相似度,所述参考宏观物性相似度为当前确定的最优宏观物性相似度;
若宏观物性相似度不小于所述待检测石油的参考宏观物性相似度,则确定宏观物性相似度为所述待检测石油的参考宏观物性相似度;
确定组成相似度是否小于所述待检测石油的参考组成相似度,所述参考组成相似度为当前确定的最优组成相似度;
若组成相似度不小于所述待检测石油的参考组成相似度,则确定组成相似度为所述待检测石油的参考组成相似度;
确定所述待检测石油的石油馏分组成为参考组成相似度和参考宏观物性相似度满足相似度要求的石油馏分组成。
3.根据权利要求2所述的检测方法,其特征在于,还包括:
若宏观物性相似度小于所述待检测石油的参考宏观物性相似度,则执行所述在所述取值范围内选择目标值赋值给对应概率密度函数参数的步骤;
若组成相似度小于所述待检测石油的参考组成相似度,则执行所述在所述取值范围内选择目标值赋值给对应概率密度函数参数的步骤;
若参考组成相似度和参考宏观物性相似度不满足相似度要求,则执行所述在所述取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
4.根据权利要求1所述的检测方法,其特征在于,所述确定所述待检测石油的石油馏分组成为所述组成相似度和所述宏观物性相似度满足相似度要求的石油馏分组成,包括:
确定组成相似度和宏观物性相似度的加权和;
确定所述待检测石油的石油馏分组成为所述加权和满足相似度要求的石油馏分组成;
若所述加权和不满足相似度要求,则执行所述在所述取值范围内选择目标值赋值给对应概率密度函数参数的步骤。
5.根据权利要求1至4中任一项所述的检测方法,其特征在于,所述在所述取值范围内选择目标值赋值给对应概率密度函数参数,包括:
基于双目标优化算法,在所述取值范围内选择目标值赋值给对应概率密度函数参数,所述双目标优化算法包括带精英策略的非支配排序的遗传算法;
和/或,基于单目标优化算法,在所述取值范围内选择目标值赋值给对应概率密度函数参数,所述单目标优化算法包括遗传算法。
6.根据权利要求1至4中任一项所述的检测方法,其特征在于,所述根据所述分子含量与所述物性数据,确定宏观物性相似度,包括:
根据如下公式确定所述宏观物性相似度:
Prop Sim=-mean(δ|Pref-Ppred|)
其中,PropSim表示所述宏观物性相似度,Pref是根据所述物性数据确定的宏观物性,Ppred是根据所述分子含量确定的石油馏分组成的宏观物性,δ是所述物性数据的权重因子,mean表示求均值符号。
8.一种石油馏分组成的检测装置,其特征在于,包括:
获取模块,用于获取待检测石油的物性数据和参比数据;
初始化模块,用于根据所述物性数据和所述参比数据,对所述待检测石油对应的石油馏分组成进行初始化处理,得到初始化数据,所述初始化数据包括预置分子库、概率密度函数组合形式和概率密度函数参数的取值范围,所述预置分子库包含所述待检测石油可能包含的分子结构;
参数赋值模块,用于在所述取值范围内选择目标值赋值给对应概率密度函数参数;
确定分子含量模块,用于基于所述预置分子库、所述概率密度函数组合形式和赋值后的概率密度函数参数,确定所述石油馏分组成的分子含量;
相似度计算模块,用于根据所述分子含量与所述物性数据,确定宏观物性相似度,并根据所述分子含量与所述参比数据,确定组成相似度;
石油馏分组成确定模块,用于确定所述待检测石油的石油馏分组成为所述组成相似度和所述宏观物性相似度满足相似度要求的石油馏分组成。
9.一种石油馏分组成的检测设备,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用所述存储器中的程序指令执行如权利要求1至7中任一项所述的石油馏分组成的检测方法。
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中存储有计算机执行指令,所述计算机执行指令被执行时用于实现如权利要求1至7任一项所述的石油馏分组成的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232851.XA CN115758163A (zh) | 2022-10-10 | 2022-10-10 | 石油馏分组成的检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232851.XA CN115758163A (zh) | 2022-10-10 | 2022-10-10 | 石油馏分组成的检测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758163A true CN115758163A (zh) | 2023-03-07 |
Family
ID=85350978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211232851.XA Pending CN115758163A (zh) | 2022-10-10 | 2022-10-10 | 石油馏分组成的检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758163A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782112A (zh) * | 2021-09-15 | 2021-12-10 | 中国石油大学(北京) | 一种石油馏分组成模型确定方法及装置 |
-
2022
- 2022-10-10 CN CN202211232851.XA patent/CN115758163A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782112A (zh) * | 2021-09-15 | 2021-12-10 | 中国石油大学(北京) | 一种石油馏分组成模型确定方法及装置 |
CN113782112B (zh) * | 2021-09-15 | 2023-06-09 | 中国石油大学(北京) | 一种石油馏分组成模型确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Basith et al. | iGHBP: computational identification of growth hormone binding proteins from sequences using extremely randomised tree | |
Yan et al. | Prediction of splitting tensile strength from cylinder compressive strength of concrete by support vector machine | |
Schroeder et al. | The RIN: an RNA integrity number for assigning integrity values to RNA measurements | |
US9846147B2 (en) | Prediction of refining characteristics of oil | |
CN112036084A (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
CN115758163A (zh) | 石油馏分组成的检测方法、装置、设备和存储介质 | |
CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和系统 | |
Vukovic et al. | Methodology of aiQSAR: a group-specific approach to QSAR modelling | |
Maboudi Afkham et al. | Uncertainty estimation of predictions of peptides’ chromatographic retention times in shotgun proteomics | |
Sun et al. | Improved sequence-based prediction of interaction sites in α-helical transmembrane proteins by deep learning | |
CN101206727B (zh) | 数据处理装置和数据处理方法 | |
CN109580918B (zh) | 一种用于预测石脑油的分子组成的方法 | |
CN111768813A (zh) | 基于sw-svm算法的定量构效关系模型预测有机物pdms膜-水分配系数的方法 | |
CN113782112B (zh) | 一种石油馏分组成模型确定方法及装置 | |
Fonseca-Pérez et al. | A reconsideration on the resolution of phase stability analysis using stochastic global optimization methods: proposal of a reliable set of benchmark problems | |
CN114324712A (zh) | 变压器油色谱故障判断方法、装置、终端及存储介质 | |
Sun et al. | Classification of bioaccumulative and non-bioaccumulative chemicals using statistical learning approaches | |
Pan et al. | Computational prediction of protein-protein interactions in plants using only sequence information | |
Khorramian et al. | Metric Systems for Performance Evaluation of Active Learning Kriging Configurations for Reliability Analysis | |
CN109580917B (zh) | 一种用于预测石脑油的分子组成的方法 | |
CN114595781B (zh) | 一种辛烷值损失预测方法、装置、设备及存储介质 | |
Carrilho et al. | Classification and biomarker selection in lower-grade glioma using robust sparse logistic regression applied to RNA-seq data | |
CN111899802B (zh) | 一种混合物物性检测方法、系统、设备和存储介质 | |
CN114974462A (zh) | 缓蚀效率预测模型的训练方法、装置、设备及存储介质 | |
Bisht et al. | Accuracy prediction using data-driven algorithm for carbon containing compounds |
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 |