CN116307303B - 机理-数据双驱动的成品油管道混油长度预测方法及系统 - Google Patents
机理-数据双驱动的成品油管道混油长度预测方法及系统 Download PDFInfo
- Publication number
- CN116307303B CN116307303B CN202310586406.1A CN202310586406A CN116307303B CN 116307303 B CN116307303 B CN 116307303B CN 202310586406 A CN202310586406 A CN 202310586406A CN 116307303 B CN116307303 B CN 116307303B
- Authority
- CN
- China
- Prior art keywords
- oil
- pipeline
- data
- prediction
- product
- 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
- 238000002156 mixing Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 239000000203 mixture Substances 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000019771 cognition Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 6
- 238000007418 data mining Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 12
- 238000005520 cutting process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- LUTSRLYCMSCGCS-BWOMAWGNSA-N [(3s,8r,9s,10r,13s)-10,13-dimethyl-17-oxo-1,2,3,4,7,8,9,11,12,16-decahydrocyclopenta[a]phenanthren-3-yl] acetate Chemical compound C([C@@H]12)C[C@]3(C)C(=O)CC=C3[C@@H]1CC=C1[C@]2(C)CC[C@H](OC(=O)C)C1 LUTSRLYCMSCGCS-BWOMAWGNSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于成品油管道运行数据挖掘技术领域，提供了一种机理‑数据双驱动的成品油管道混油长度预测方法及系统，得到运行雷诺数，首先，融合物理认知的高斯混合回归算法，对运行对运行雷诺数和输出变量进行模态识别；然后，根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；最后，利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果加权求和，得到最终预测结果；在对数据进行模态识别的基础上，得到的多个局部预测模型具备多模态识别功能，解决了对多模态特性数据的识别问题，提高了混油长度预测准确度，有机融合了机理知识与数据，实现了对混油长度信息的高效计算。
Description
技术领域
本发明属于成品油管道运行数据挖掘技术领域，尤其涉及一种机理-数据双驱动的成品油管道混油长度预测方法及系统。
背景技术
成品油管道是衔接成品油生产与消费的核心环节，通常按照一定批次连续输送多种型号油品。顺序输送过程中前后行油品相互掺混，导致相邻批次间不可避免产生混油段，并引起油品质量指标衰减。混油长度直接影响成品油管道输送效益，是工程现场开展油品批次切割工艺的核心指标。
发明人发现，传统经验公式虽然求解参数少，便于估算，但因未考虑任何机理知识，计算结果通常与实际值存在较大偏差；现有预测方法单纯依赖一个全局预测模型提供混油长度预测结果，然而不同管道内部物理流动空间与流体流动机制存在差异，使得数据集呈现明显多模态特性，全局预测模型可能在某些模态内不适配而表现不佳，造成混油长度预测准确度不高，困扰现场油品批次切割工艺。
发明内容
本发明为了解决上述问题，提出了一种机理-数据双驱动的成品油管道混油长度预测方法及系统，通过有机融合机理知识与多模态识别算法，本发明解决了成品油管道混油数据模态识别问题，实现了对混油长度信息的高效计算，对准确指导现场开展油品批次切割工艺具有重要意义。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明提供了一种机理-数据双驱动的成品油管道混油长度预测方法，包括：
获取成品油管道的管道尺寸数据、管输油品物性参数和管输油品运行数据；
根据所述管道尺寸数据、所述管输油品物性参数和所述管输油品运行数据，计算得到运行雷诺数；
利用高斯混合回归算法，基于机理认知，选取运行雷诺数作为关键变量，对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；
根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；
利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果进行加权求和，得到最终预测结果。
进一步的，所述管道尺寸数据包括管输距离和内径；所述管输油品物性参数包括前行油品密度、后行油品密度、前行油品运动粘度和后行油品运动粘度；所述管输油品运行数据包括初始混油长度、实际混油长度和管输油品运行流量。
进一步的，根据所述前行油品运动粘度和所述后行油品运动粘度，得到运动粘度；根据所述内径和所述管输油品运行流量，得到管输油品运移速度；所述运行雷诺数等于所述管输油品运移速度和所述内径的乘积与所述运动粘度的比值。
进一步的，选取运行雷诺数作为关键变量，同时结合输出比变量，基于高斯混合回归算法进行数据模态识别；将识别的数据分配至不同模态后，融合先验认知训练得到各模态对应的局部预测模型。
进一步的，基于已有成品油管道的有标签混油样本及无标签混油样本，开展成品油管道混油数据模态识别；将有标签混油样本及无标签混油样本分配至不同模态后重构输入特征。
进一步的，采用高斯混合回归算法，基于机理认知，选取运行雷诺数以及输出变量，进行模态识别；采用线性函数表征各模态内样本输入变量与输出变量间函数依赖关系，定义回归系数；将当量长度、内径和混油运行雷诺数重组建立新特征变量，设定模态数进行据模态识别。
进一步的，将回归系数变量化，令回归系数先验分布遵循高斯分布；结合经验公式中的已有认知，设定先验分布中的关键参数；基于最大化后验概率算法估计回归系数。
第二方面，本发明还提供了一种机理-数据双驱动的成品油管道混油长度预测系统，包括：
数据获取模块，被配置为：获取成品油管道的管道尺寸数据、管输油品物性参数和管输油品运行数据；
计算模块，被配置为：根据所述管道尺寸数据、所述管输油品物性参数和所述管输油品运行数据，计算得到运行雷诺数；
模态识别模块，被配置为：利用高斯混合回归算法，基于机理认知，选取运行雷诺数作为关键变量，对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；
训练模块，被配置为：根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；
识别模块，被配置为：利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果进行加权求和，得到最终预测结果。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的机理-数据双驱动的成品油管道混油长度预测方法的步骤。
第四方面，本发明还提供了一种电子设备，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程序时实现了第一方面所述的机理-数据双驱动的成品油管道混油长度预测方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明根据管道尺寸数据、管输油品物性参数和管输油品运行数据得到运行雷诺数后，首先，基于机理知识，选取最能反映管输混油运行流态的运行雷诺数作为关键变量，采用高斯混合回归算法，对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；然后，根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；最后，利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果加权求和，得到最终预测结果；在对数据进行模态识别的基础上，得到的多个局部预测模型具备多模态识别功能，解决了对多模态特性数据的识别问题，提高了混油长度预测准确度，有机融合了机理知识与数据，实现了对混油长度信息的高效计算，对准确指导现场开展油品批次切割工艺具有重要意义。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例1的融合机理的高斯混合回归算法建模示意图；
图2为本发明实施例1的传统高斯混合回归算法建模；
图3为本发明实施例1的融合机理的高斯混合回归算法建模；
图4为本发明实施例1的离线混油数据库与在线验证数据库示意图；
图5为本发明实施例1的融合机理的高斯混合回归算法在不同模态数条件下在线预测的计算耗时。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
本实施例提供了一种机理-数据双驱动的成品油管道混油长度预测方法，包括：
获取成品油管道的管道尺寸数据、管输油品物性参数和管输油品运行数据；
根据所述管道尺寸数据、所述管输油品物性参数和所述管输油品运行数据，计算得到运行雷诺数；
利用高斯混合回归算法（Gaussian Mixture Regression Model，GMR），对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；
根据模态识别结果，采用最大期望算法（Expectation Maximization，EM）训练得到各模态对应的多个局部预测模型；
利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果进行加权求和，得到最终预测结果。
在根据管道尺寸数据、管输油品物性参数和管输油品运行数据得到运行雷诺数后，首先，融合物理认知的高斯混合回归算法，对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；然后，根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；最后，利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果加权求和，得到最终预测结果；在对数据进行模态识别的基础上，得到的多个局部预测模型具备多模态识别功能，解决了对多模态特性数据的识别问题，提高了混油长度预测准确度，有机融合了机理知识与数据，实现了对混油长度信息的高效计算，对准确指导现场开展油品批次切割工艺具有重要意义。
本实施例基于管道尺寸数据、管输油品物性参数和管输油品运行数据，融合物理认知对数据开展模态识别并离线训练局部预测模型，实现对成品油管道混油长度信息的在线预测。具体包括：
S1、建立成品油管道混油数据库：
可选的，将当前站间管道尺寸数据，管输油品物性参数及管输油品运行数据进行整理并建立数据库，为后续开展成品油管道混油数据模态识别与离线训练局部预测模型奠定基础。
建立成品油管道混油数据库主要包括确定当前站间管道尺寸数据、确定管输油品物性参数、监测获取管输油品运行数据，基于经验公式Austin-Palfrey对初始混油长度数据进行预处理。
S1.1、确定当前站间管道尺寸数据及管输油品物性参数：
可选的，收集成品油管道尺寸数据，可以包括管输距离L（m）和内径d（m）等。获取成品油管道管输油品物性参数，可以包括前行油品密度（kg/m3）、后行油品密度/>（kg/m3）、前行油品运动粘度v q（m2/s）和后行油品运动粘度v h（m2/s）等；可以基于式（1）获得混油的计算运动粘度v（m2/s）：
（1）
S1.2、监测获取管输油品运行数据：
可选的，结合上一站场及当前站场监测仪表，获取初始混油长度C 0（m）、实际混油长度C（m）和管输油品运行流量（m3/s），计算管输油品运移速度V（m/s）：
（2）
结合混油计算运动粘度，计算运行雷诺数Re：
（3）
S1.3、基于经验公式对初始混油长度数据进行预处理：
可选的，基于式（4）所示的经验公式Austin-Palfrey。可将初始混油长度视为油品经某一长度管段输送后产生的混油，与管输距离相结合可得当量管长L e（m）：
（4）
（5）
其中，C AP为混油长度计算值，m；d为内径；L为管输距离；Re为运行雷诺数；C 0为初始混油长度。
S.2、成品油管道混油数据模态识别与离线训练局部预测模型：
可选的，基于流体力学领域的机理知识，选取最能反映管输混油运行流态的运行雷诺数Re作为关键变量，同时结合输出变量，基于高斯混合回归算法开展混油数据模态识别；将混油数据库内样本分配至不同模态后，融合先验认知，离线训练对应局部预测模型：
S.2.1、开展混油数据模态识别：
令和/>分别表征混油数据的输入变量矩阵与输出变量矩阵，N为训练集样本量，/>为矩阵转置操作，x i表征第i个训练集样本输入变量向量，包括L ei、d i和Re i。基于机理认知，选定运行雷诺数Re作为模态识别关键变量。高斯混合回归算法中假定输入变量由K个高斯分布组成，其中模态数K需手动设定。输入变量边缘概率密度函数表达式如下：
（4）
其中，为高斯分布；/>和/>分别指代第k个模态中，高斯分布中的均值向量与协方差矩阵。传统高斯混合回归算法中，输入输出变量间的函数依赖关系被认为服从简单的线性关系。为提高混油长度预测精度，基于式（5），可对输入特征进行重组并获得新的回归变量/>，输入输出变量间函数关系表达式如式（6）所示：
（5）
（6）
其中，d i为第i个训练集样本的内径；L ei为第i个训练集样本的当量管长；Re i为第i个训练集样本的运行雷诺数；为回归系数；/>表示第k个模态中的高斯白噪声，其服从均值为0，方差为/>的高斯分布。可得到第k个模态中/>的条件概率分布表达式和的联合概率分布表达式：
（7）
（8）
其中，代表第k个模态对应权重，并满足约束/>以及/> 。采用隐变量z i表征每个样本的模态分属情况，其中，/>并且满足/>。当z ik=1时表明第i个训练集样本分属于第k个模态。采用最大期望算法（Expectation Maximization，EM）可完成模型训练，首先计算z i属于第k个模态的后验概率/>，并定义统计量/>：
（9）
（10）
基于已获取的后验概率，可计算各模态高斯分布权重/>，均值/>及协方差，表达式如下：
（11）
（12）
（13）
管道实际运行过程中，部分站场缺乏混油长度信息采集手段，导致数据集同时存在有标签样本与无标签样本，若无法挖掘无标签样本潜藏的有价值信息，得到的预测模型易陷入过拟合误区并引起参数估计偏差，导致预测结果精度不理想。为了解决此问题，在一些实施例中，成品油管道混油数据模态识别与离线训练局部预测模型可以基于已有成品油管道的有标签混油数据库及无标签混油数据库，开展成品油管道混油数据模态识别；有标签混油数据库及无标签混油数据库，也称有标签混油样本及无标签混油样本，将有标签混油样本及无标签混油样本分配至不同模态后，基于经验公式Austin-Palfrey重构输入特征。
S.2.2、融合先验认知估计关键回归系数：
为有效提高模型预测精度，有必要进一步挖掘式（4）代表的经验公式Austin-Palfrey潜藏的有价值信息。如式（14）所示，将回归系数变量化，令其先验分布遵循高斯分布，对应均值和协方差分别为/>与/>。结合经验公式中的已有认知，设定先验分布中的关键参数，其中/>取式（4）中的回归系数值，即11.75；/>为正则化系数，可取10；I为单位矩阵。
（14）
基于最大化后验概率算法（Maximum a Posterior，MAP），可获得回归系数的估计结果：
（15）
其中，；/>为对角矩阵，/>；/>的表达式为：
（16）
S.3、成品油管道混油长度在线预测：
可选的，将待预测样本输入特征带入至离线构好的模型，先求解其分属不同模态的后验概率，之后计算各局部预测模型提供的预测结果，加权求和后作为最终预测结果。
S.3.1、开展混油待预测样本模态识别：
对于第q个待预测样本（x q，y q），x q为已知量，y q为待预测量。可基于式（17）计算其分属K个模态的后验概率。
（17）
相应地，可得到待预测量的条件概率表达式：
（18）
S.3.2、混油长度在线预测：
因高斯分布的概率密度最大点出现在期望值点，故考虑将y q的期望作为在线预测结果，表达式为：
（19）
由上式可知，融合机理的高斯混合回归算法不再单独依赖某一全局模型输出预测结果，而是对多个局部模型赋予相应权重，综合考虑各局部提供的预测信息以准确输出最终结果。越大，表明待预测样本来源于第k个高斯分布的概率越高，相应局部模型预测结果权重越大。
结合附图，对本实施例中的方案进一步进行解释说明：
如图1所示，为本实施例中融合机理的高斯混合回归算法建模示意图，在模态识别步骤中，基于机理认知，在输入变量间优选关键特征变量运行雷诺数Re，结合输出变量C，完成模态识别。
如图2和图3所示，展示了融合机理的高斯混合回归算法和传统高斯混合回归算法的概率图模型对比。概率图模型可以展示概率模型中参数间的概率依赖关系。如图2所示，圆圈代表服从某种概率分布的变量，点代表数值固定的参数。深色表示可被观测变量，因此隐变量z i未被涂色。以y i为例，来自z i、x i、ω与σ 2的共四条箭头指向y i所处圆圈，表明其分布受到上述四个参数的控制。在融合机理的高斯混合回归算法中，最上面圆圈代表了基于流体力学认知，优选了关键特征变量运行雷诺数Re参与模态识别过程；中间圆圈代表融合了经验公式Austin-Palfrey，提高了模型的非线性表征能力；值得一提的是，对比二者的回归系数，可看出在高斯混合回归算法中为待估计的固定量；在融合机理的高斯混合回归算法中，因将其变量化，同时引入了已有的先验认知后ω 0，故更适用于成品油管道混油长度在线预测问题。
如图4所示，展示了离线混油数据库与在线验证数据库示意图。共选取来自两条实际运行的211份成品油管道混油样本构建数据库，离线训练模型后在第三条管道上开展测试，测试样本共计527份。
表1展示了基于均方根误差（Root Mean Square Error，RMSE），决定系数（R2）及最大绝对误差指标表征的混油长度预测精度，误差指标计算式如下，其中y n与/>分别表征第n个样本的真实值与拟合值，/>代表/>的样本均值，N t为测试样本量。相关系数R2越接近于1，表征拟合效果越佳。均方根误差RMSE和平均绝对误差（MeanAbsoluteError，MAE）越小，整体误差越低。
（20）
（21）
（22）
结合表1可得，单纯采用经验公式Austin-Palfrey开展成品油管道混油长度在线预测时，其预测结果相对实际值始终偏低；因未辨识混油数据潜藏的多模态特性，现有全局预测方法对混油长度实际值较小样本的预测值相对准确，但对实际值较大样本的预测值相对偏大，模型对混油长度预测问题出现明显的不适配性；未考虑任何机理认知的纯高斯混合回归算法出现了明显的过拟合现象，表现在预测结果严重偏离实际值，三个误差指标均不理想；相对而言，融合机理的高斯混合回归算法能提供准确的成品油管道混油长度的预测结果，建模方法对提高成品油管道油品批次切割工作具有重要意义。
表1 不同模型预测误差指标
如图5所示，展示了不同模态数条件下融合机理的高斯混合回归算法在线预测耗时。模态数越大，模型复杂度越高，导致计算量增大。即使在模态数达到30时，本实施例提出的建模方法在线预测耗时仍在0.5s左右，表明该方法具备较快的计算速率，可满足成品油管道混油长度在线预测的时效性要求。
实施例2：
本实施例提供了一种机理-数据双驱动的成品油管道混油长度预测系统，包括：
数据获取模块，被配置为：获取成品油管道的管道尺寸数据、管输油品物性参数和管输油品运行数据；
计算模块，被配置为：根据所述管道尺寸数据、所述管输油品物性参数和所述管输油品运行数据，计算得到运行雷诺数；
模态识别模块，被配置为：利用高斯混合回归算法，基于机理认知，选取运行雷诺数作为关键变量，对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；
训练模块，被配置为：根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；
识别模块，被配置为：利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果进行加权求和，得到最终预测结果。
所述系统的工作方法与实施例1的机理-数据双驱动的成品油管道混油长度预测方法相同，这里不再赘述。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的机理-数据双驱动的成品油管道混油长度预测方法的步骤。
实施例4：
本实施例提供了一种电子设备，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程序时实现了实施例1所述的机理-数据双驱动的成品油管道混油长度预测方法的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。
Claims (7)
1.机理-数据双驱动的成品油管道混油长度预测方法，其特征在于，包括：
获取成品油管道的管道尺寸数据、管输油品物性参数和管输油品运行数据；
根据所述管道尺寸数据、所述管输油品物性参数和所述管输油品运行数据，计算得到运行雷诺数；
利用高斯混合回归算法，基于流体力学领域的机理知识，选取最能反映管输混油运行流态的运行雷诺数作为关键变量，对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；采用线性函数表征各模态内样本输入变量与输出变量间函数依赖关系，定义回归系数；将当量长度、内径和混油运行雷诺数重组建立新的回归变量，设定模态数据进行模态识别；将回归系数变量化，令回归系数先验分布遵循高斯分布；结合经验公式中的已有认知，设定先验分布中的关键参数，具体如下式所示，将回归系数变量化，令其先验分布遵循高斯分布，对应均值和协方差分别为/>与/>；结合经验公式中的已有认知，设定先验分布中的关键参数，其中/>取回归系数值11.75；/>为正则化系数，取10；I为单位矩阵；
基于最大化后验概率算法估计回归系数：
其中，，/>为回归变量；/>为对角矩阵，/>，为后验概率；Y为输出变量矩阵；/>的表达式为：
；
其中，为统计量；/>为第i个训练集样本输入变量向量，/>为第i个训练集样本输出变量向量；
根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；
利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果进行加权求和，得到最终预测结果。
2.如权利要求1所述的机理-数据双驱动的成品油管道混油长度预测方法，其特征在于，所述管道尺寸数据包括管输距离和内径；所述管输油品物性参数包括前行油品密度、后行油品密度、前行油品运动粘度和后行油品运动粘度；所述管输油品运行数据包括初始混油长度、实际混油长度和管输油品运行流量。
3.如权利要求2所述的机理-数据双驱动的成品油管道混油长度预测方法，其特征在于，根据所述前行油品运动粘度和所述后行油品运动粘度，得到运动粘度；根据所述内径和所述管输油品运行流量，得到管输油品运移速度；所述运行雷诺数等于所述管输油品运移速度和所述内径的乘积与所述运动粘度的比值。
4.如权利要求1所述的机理-数据双驱动的成品油管道混油长度预测方法，其特征在于，基于已有成品油管道的有标签混油样本及无标签混油样本，开展成品油管道混油数据模态识别；将有标签混油样本及无标签混油样本分配至不同模态后重构输入特征。
5.机理-数据双驱动的成品油管道混油长度预测系统，其特征在于，包括：
数据获取模块，被配置为：获取成品油管道的管道尺寸数据、管输油品物性参数和管输油品运行数据；
计算模块，被配置为：根据所述管道尺寸数据、所述管输油品物性参数和所述管输油品运行数据，计算得到运行雷诺数；
模态识别模块，被配置为：利用高斯混合回归算法，基于流体力学领域的机理知识，选取最能反映管输混油运行流态的运行雷诺数作为关键变量，对运行雷诺数和输出变量进行模态识别，得到各模态下对应的模态识别结果；采用高斯混合回归算法，基于机理认知，选取运行雷诺数以及输出变量，进行模态识别；采用线性函数表征各模态内样本输入变量与输出变量间函数依赖关系，定义回归系数；将当量长度、内径和混油运行雷诺数重组建立新的回归变量，设定模态数据进行模态识别；将回归系数变量化，令回归系数先验分布遵循高斯分布；结合经验公式中的已有认知，设定先验分布中的关键参数，具体如下式所示，将回归系数变量化，令其先验分布遵循高斯分布，对应均值和协方差分别为/>与/>；结合经验公式中的已有认知，设定先验分布中的关键参数，其中/>取回归系数值11.75；为正则化系数，取10；I为单位矩阵；
基于最大化后验概率算法估计回归系数：
其中，，/>为回归变量；/>为对角矩阵，/>，为后验概率；Y为输出变量矩阵；/>的表达式为：
；
其中，为统计量；/>为第i个训练集样本输入变量向量，/>为第i个训练集样本输出变量向量；
训练模块，被配置为：根据模态识别结果，采用最大期望算法训练得到各模态对应的多个局部预测模型；
识别模块，被配置为：利用多个局部预测模型进行混油长度预测；预测时，对各局部预测模型的预测结果进行加权求和，得到最终预测结果。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-4任一项所述的机理-数据双驱动的成品油管道混油长度预测方法的步骤。
7.一种电子设备，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程序时实现了如权利要求1-4任一项所述的机理-数据双驱动的成品油管道混油长度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310586406.1A CN116307303B (zh) | 2023-05-24 | 2023-05-24 | 机理-数据双驱动的成品油管道混油长度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310586406.1A CN116307303B (zh) | 2023-05-24 | 2023-05-24 | 机理-数据双驱动的成品油管道混油长度预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116307303A CN116307303A (zh) | 2023-06-23 |
| CN116307303B true CN116307303B (zh) | 2023-09-26 |
Family
ID=86824348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310586406.1A Active CN116307303B (zh) | 2023-05-24 | 2023-05-24 | 机理-数据双驱动的成品油管道混油长度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307303B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822999B (zh) * | 2023-08-31 | 2023-12-05 | 中国石油大学(华东) | 成品油管道混油界面后行油品监测密度预测方法及系统 |
| CN117150931B (zh) * | 2023-10-30 | 2024-01-30 | 中国石油大学(华东) | 基于混合单隐层神经网络的混油长度在线估计方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140062265A (ko) * | 2012-11-14 | 2014-05-23 | 현대자동차주식회사 | 유종이 다른 연료의 주유를 방지하기 위한 주유파이프의 구조 |
| CN109991396A (zh) * | 2019-05-06 | 2019-07-09 | 西南石油大学 | 一种考虑盲管段影响的成品油管道混油长度的计算方法 |
| CN113780958A (zh) * | 2021-09-22 | 2021-12-10 | 国家石油天然气管网集团有限公司 | 油品顺序输送方法、混油界面跟踪方法及装置 |
| CN114239400A (zh) * | 2021-12-16 | 2022-03-25 | 浙江大学 | 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法 |
| CN114593369A (zh) * | 2020-12-04 | 2022-06-07 | 中国石油化工股份有限公司 | 成品油混油切割方法及装置 |
| CN115455827A (zh) * | 2022-09-14 | 2022-12-09 | 中国石油大学(北京) | 一种基于实时数据的成品油管道混油量计算方法及系统 |
| CN115600516A (zh) * | 2022-09-30 | 2023-01-13 | 国家石油天然气管网集团有限公司（Cn） | 一种混油界面位置追踪方法、装置、电子设备及介质 |
| CN116151158A (zh) * | 2023-04-24 | 2023-05-23 | 中国石油大学(华东) | 一种融合先验认知的成品油管道混油界面追踪方法及系统 |
-
2023
- 2023-05-24 CN CN202310586406.1A patent/CN116307303B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140062265A (ko) * | 2012-11-14 | 2014-05-23 | 현대자동차주식회사 | 유종이 다른 연료의 주유를 방지하기 위한 주유파이프의 구조 |
| CN109991396A (zh) * | 2019-05-06 | 2019-07-09 | 西南石油大学 | 一种考虑盲管段影响的成品油管道混油长度的计算方法 |
| CN114593369A (zh) * | 2020-12-04 | 2022-06-07 | 中国石油化工股份有限公司 | 成品油混油切割方法及装置 |
| CN113780958A (zh) * | 2021-09-22 | 2021-12-10 | 国家石油天然气管网集团有限公司 | 油品顺序输送方法、混油界面跟踪方法及装置 |
| CN114239400A (zh) * | 2021-12-16 | 2022-03-25 | 浙江大学 | 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法 |
| CN115455827A (zh) * | 2022-09-14 | 2022-12-09 | 中国石油大学(北京) | 一种基于实时数据的成品油管道混油量计算方法及系统 |
| CN115600516A (zh) * | 2022-09-30 | 2023-01-13 | 国家石油天然气管网集团有限公司（Cn） | 一种混油界面位置追踪方法、装置、电子设备及介质 |
| CN116151158A (zh) * | 2023-04-24 | 2023-05-23 | 中国石油大学(华东) | 一种融合先验认知的成品油管道混油界面追踪方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Physics-based Bayesian linear regression model for predicting length of mixed oil;Yuan等;《Geoenergy Science and Engineering》;正文第1-8页 * |
| Physics-informed Student’s t mixture regression model applied to predict mixed oil length;Yuan等;《Journal of Pipeline Science and Engineering》;正文第1-6页 * |
| 融合机制与高斯混合回归算法的成品油管道顺序 输送混油长度预测模型;袁子云等;中国石油大学学报(自然科学版);正文第123-127页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116307303A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116307303B (zh) | 机理-数据双驱动的成品油管道混油长度预测方法及系统 | |
| Du et al. | Learnability of quantum neural networks | |
| Liu et al. | Analyzing the training processes of deep generative models | |
| Cont et al. | Recovering volatility from option prices by evolutionary optimization | |
| Boehm | Value-based software engineering: Overview and agenda | |
| Gatti et al. | A truthful learning mechanism for contextual multi-slot sponsored search auctions with externalities | |
| Sani et al. | E-business adoption models in organizational contexts on the TAM extended model: A preliminary assessment | |
| CN111080338B (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
| CN110929869A (zh) | 注意力模型的训练方法、装置、设备及存储介质 | |
| Juszczyk et al. | Forecasting of sports fields construction costs aided by ensembles of neural networks | |
| Bala et al. | A computer-based cost prediction model for institutional building projects in Nigeria: an artificial neural network approach | |
| Jagadeesan et al. | Learning equilibria in matching markets from bandit feedback | |
| Asadabadi | A Markovian-QFD approach in addressing the changing priorities of the customer needs | |
| CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
| Li et al. | One-shot neural architecture search for fault diagnosis using vibration signals | |
| Mohamad et al. | Assessment of the expected construction company’s net profit using neural network and multiple regression models | |
| Ding et al. | Performance prediction for a fuel cell air compressor based on the combination of backpropagation neural network optimized by genetic algorithm (GA-BP) and support vector machine (SVM) algorithms | |
| Bo et al. | Establishment and application of fuzzy comprehensive evaluation of green building design based on data mining | |
| Noureldien et al. | Using Artificial Intelligence in Estimating Oil Recovery Factor | |
| Zhang et al. | Performance evaluation of technological service platform: A rough Z-number-based BWM-TODIM method | |
| Shi et al. | A dynamic novel approach for bid/no-bid decision-making | |
| CN113987368B (zh) | 一种融合同质关系和影响关系的用户个性化偏好挖掘方法 | |
| Krasnokutskaya et al. | Estimating unobserved individual heterogeneity using pairwise comparisons | |
| Dissanayake et al. | Soft computing approach to construction performance prediction and diagnosis | |
| Shostak et al. | Foresight-research for green IT engineering development |
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 |