申请/专利权人：中国石油大学(北京)

申请日：2022-04-06

公开（公告）日：2024-06-18

公开（公告）号：CN114898818B

主分类号：G16C20/30

分类号：G16C20/30;G16C20/70;G06F18/2431

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.08.30#实质审查的生效;2022.08.12#公开

摘要：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。

主权项：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，所述历史样本组分油的物性监测数据包括：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和黏度；所述训练样本数据集进一步包括历史样本组分油之间的配比；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，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，Lφ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，∑kΩfk为初始模型中的第k个决策树对应的正则惩罚项之和，Ωfk为第k个决策树对应的正则惩罚项；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，ftxi为第t个决策树；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，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，Ωft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，选择所述损失函数的结果最小值对应的XGBoost模型，确定所述混合原油凝点预测模型。

全文数据：

权利要求：

百度查询： 中国石油大学(北京) 一种混合原油凝点预测模型训练方法、装置及应用方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD