浅谈油田动液面软测量

本文将两种自适应算法与传统AOSVR相结合,提出了一种改进的AOSVR,该方法能够在线更新SVR模型,同时还能对惩罚参数、不敏感函数参数以及核函数参数进行实时调整,从而提高算法的自适应能力及预测量精度。通过实验表明基于AOSVR的油田动液面软测量方法可以在油田动液面测量中加以应用。     

鱼群算法优化组合核函数GPR的油井动液面预测

针对抽油井动液面(DFL)检测主要依靠人工操作回声仪测试,无法实时在线检测,而单一核函数的高斯过程回归(GPR)无法明显提高预测精度和泛化能力,提出了一种人工鱼群算法(AFSA)优化组合核函数的动态高斯过程回归动液面预测模型.采用多项式函数、线性函数与径向基函数组合构建核函数,利用人工鱼群算法对核函数模型参数进行寻优,采用快速傅里叶变换(FFT)和核主元分析(KPCA)融合提取时频数据非线性特征作为模型输入,提高模型的预测精度和泛化能力.油田现场应用验证了该方法的有效性.     

基于即时学习算法的软测量建模方法

针对工业过程中存在许多难以直接测量变量的问题,提出1种基于即时学习算法的软测量建模方法.提出k-矢量近邻方法建立系统的当前工况点的建模邻域,以提高即时学习算法的预测能力,利用递归最小二乘算法简化建模的在线计算量,通过PRESS估算得到算法的最优解,优化了算法,应用该算法对某一化工厂产品的酯化率进行测量建模,预测得到的最大相对误差为0.8742%,证明该方法的泛化性能良好,满足实际测量的精度要求,是1种便于理解,易于实现的软测量方法.     

基于混沌最小二乘支持向量机的软测量建模

提出一种改进算法,用来解决现有最小二乘支持向量机方法在处理大规模样本软测量建模问题时出现的模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题.对样本集进行预处理,通过计算样本间欧氏距离进行样本相似程度分析,去除样本集中1/3的样本以简化支持向量机模型结构并提高计算速度.定义了一种混沌映射构成混沌系统并分析了其遍历性.应用改进的混沌优化算法优化最小二乘支持向量机模型参数以提高模型的拟合精度和泛化能力.将改进算法用于丙烯腈收率软测量建模中,仿真实验结果表明:模型精度较高,泛化性能好,满足现场测量要求.     

球磨机制粉过程煤粉粒度FCM-SVRs软测量建模

根据多个模型相加可以提高整体预测精度和鲁棒性的思想,提出了一种基于模糊C均值聚类(FCM)算法的煤粉粒度多最小二乘支持向量机回归(MLS-SVRs)软测量模型.采用变长度染色体的遗传算法同时优化模糊聚类数和聚类中心,每种聚类子集用LS-SVRs进行局部模型的建立和训练,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后软测量结果.仿真结果表明该软测量模型具有更好的泛化结果和预测精度,可以满足煤粉制备过程实时控制的在线软测量要求.     

基于批次加权正则极限学习机的发酵过程软测量

为实现发酵过程重要变量的预测,提出基于批次加权正则极限学习机的软测量模型。结合发酵过程中各批次变量变化轨迹与发酵初始条件密切相关的特点,采用欧式距离描述各训练批次初始条件与预测对象初始条件之间的相似度,设计了一种新的相似度量化函数求解各训练批次的惩罚权值,实现了批次加权正则极限学习机建模;另外,针对正则极限学习机中的超参数估计问题,采用贝叶斯方法对超参数进行估计,降低了计算代价且实现了参数自适应估计。将其应用于青霉素发酵过程产物质量浓度的软测量中,仿真结果表明该方法预测精度高,效果好。     

基于减法聚类的带钢厚度数据驱动建模

针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象,提出了一种基于减法聚类的带钢厚度数据驱动在线建模方法.首先通过减法聚类将输入空间划分为一些小的局部空间,在每个局部空间中用最小二乘支持向量机建立子模型,子模型加权输出作为带钢厚度的离线模型;然后当在线数据不断增加时,通过在线减法聚类算法实时调整局部空间,子模型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识,子模型的预测输出作为模型的最后输出.实验结果表明,该方法具有良好的预测精度和较强的在线学习能力.     

集散式油井动液面监测井场集中监控器研制

对于低渗、超低渗油田,特别是丛式井场和大井组油井,油井连续实时监测需每一口油井安装一台固定式连续动液面监测仪,致使油井投资成本过高而难以实施,为此研制了一种集散式动液面监测井场集中监控器。硬件基于STM32F429嵌入式系统,软件采用RT-thread实时操作系统,以自定义协议进行通信,RS485总线连接多井口监测仪表进行测量同步控制及多路监测实时数据读取,通过4G网络传输至监测分析平台进行数据解析与实时计算。现场应用表明,该井场集中监控器能有效降低油井动液面监测生产成本,提高油井动液面连续实时监测的准确性与可靠性,在数字化智能油田建设与油田开发生产中具有典型应用价值。     

赖氨酸发酵过程关键变量多模型软测量建模及其在线监控系统设计

针对目前赖氨酸生产过程中发酵产物品质参量难以实时测量,现有软测量模型精度不高、鲁棒性差的问题,提出了一种基于ISCA-LSSVR的赖氨酸发酵过程多模型软测量方法.首先,利用改进的满意聚类算法(ISCA)将样本数据集划分为c个子集;其次,利用最小二乘支持向量回归机(LSSVR)对每个子集分别构建子模型;随后,利用粒子群优化算法和退火算法协同优化模型参数;然后,加权融合各子模型输出得到最终系统输出;最终,设计了由上位机数据处理模块和下位机数据采集模块共同组成的赖氨酸发酵过程关键变量的智能实时监控系统.试验仿真结果表明,相较于传统单一LSSVR预测模型,ISCA-LSSVR模型对产物、基质、菌体质量浓度的预测精度分别提高了5.01％、3.62％和6.78％,模型泛化能力得到了较大提高.     

基于模型迁移的磨矿过程混合蛙跳算法-小波神经网络软测量建模及重构

摘要：
以磨矿过程的关键工艺指标(磨矿粒度和磨机排矿速率)为预测对象,提出一种基于小波神经网络（WNN）的自适应软测量建模方法.通过对磨矿过程工艺的分析,选取了软测量模型的辅助变量,利用混合蛙跳算法(SFLA)对WNN软测量模型的结构参数(小波函数伸缩因子、平移因子和网络连接权重)进行优化,实现软测量模型输入输出变量之间的非线性映射;并采用模型迁移思想及输入输出修正规划方法实现软测量模型的重构,以解决输入矿石品位改变这一动态工况下的模型自适应校正问题.仿真结果表明,所提出的模型能够显著提高磨矿过程中经济技术指标预测的精度和鲁棒性,满足磨矿生产过程的实时控制要求.
关键词：
磨矿过程; 软测量; 小波神经网络; 混合蛙跳算法; 模型迁移
中图分类号： TK 232
文献标志码： A     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

融合注意力机制的煤层气产量动态预测

为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底流压、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失。实验结果表明：融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为：1. 模型预测性能较好,利用不同模型对比预测,改进后的煤层气产量预测模型精度最高,比标准的LSTM预测精度提升了3%~4%;2. 泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60天日产气量的平均相对误差均小于5%,预测200天日产气量的平均相对误差均小于8%。     

基于并行模式挖掘和路径匹配的用户位置预测

为了提高移动用户位置预测的精度,提出了基于并行模式挖掘和路径匹配的移动用户位置预测方法,对传统的FP-GROWTH算法作了并行化处理,优化了节点负载分配方法,在Spark平台下挖掘用户移动频繁模式.改进了基于索引的路径相似度算法,提出基于路径最短距离的相斥度算法,提高了对轨迹数据缺失的适用性.在真实的用户轨迹数据集上实验表明,提出的基于轨迹相斥度预测方法相比马尔可夫模型和卡尔曼滤波模型拥有更高的预测精度,预测精确度平均提升7%左右.     

一种新型的硫容量智能预报方法

针对在传统硫容量计算中,机理模型的一些关键参数很难获得这个问题,提出了一种基于AdaBoost和LS-SVM混合的回归方法,对硫容量进行智能预报.其中LS-SVM具有计算速度快,适合小样本回归等优点,而AdaBoost可以将弱学习机加权再组合成强学习机,在预报准确度上要高于单一的LS-SVM回归方法,而且还可以减少参数选择对最终预报结果的影响.仿真实验表明,该方法有着较高的准确度,满足生产要求.     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。     

基于Lasso算法的油田产量预测方法

随着油田的不断开采,油田的产量预测也变得越来越重要。目前有许多基于机器学习的预测方法,但大多数都不能给出具体的预测模型。本文提出了一种基于Lasso算法的预测方法,结合现场生产数据,选取一系列相关特征参数,通过对参数数据的初步分析,初步选取各个参数的函数形式,然后利用Lasso算法得到最终的预测模型,最终达到预测产量的目的。现场试验表明：该方法得到的预测模型比较准确,可解释性强,且预测精度高,可以应用于矿场产量预测。     

双机制Stacking集成模型在短时交通流量预测中的应用

交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型.双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重系数来调整基学习器的输出信息.通过内外结合的双机制实现对基学习器输出信息动态变动规律的挖掘和提取并增强对基学习器输出信息的利用率,从而提升模型的预测精度和稳定性.选取I5NB高速公路上的76898条数据为实证研究对象,进行了基于随机森林、GBDT(gradient boosting decision tree)和Xgboost(extreme gradient boosting)单一模型、传统Stacking集成模型及双机制Stacking集成模型的预测对比分析.实证结果证明双机制Stacking集成模型预测精度最高,验证了该模型在短时交通流量预测中的有效性.     

灰色马尔科夫Verhulst动态模型在滑坡形变预测中的应用

为解决陈旧信息和波动性数据造成的传统灰色Verhulst模型预测精度较低的问题,提出一种利用滑动窗口和马尔科夫模型对原始灰色Verhulst模型改进的方法。通过长度可变的滑动窗口来实现数据的动态更新,使得灰色Verhulst动态模型的预测值更加接近最新的变化趋势。之后利用马尔科夫模型对得到的灰色Verhulst动态模型预测值进行修正,提高了模型的预测精度。实验结果表明,灰色马尔科夫Verhulst动态模型在滑坡形变预测中的预测平均相对误差相比于传统的灰色Verhulst模型降低了69. 6%,均方根差比降低了0. 39,小误差概率提高了0. 166 7。对于波动性较大的滑坡监测数据,灰色马尔科夫Verhulst动态模型预测精度优于传统灰色Verhulst模型。     

基于遗传算法的BP神经网络预测石油单井产量

针对传统预测方法建模复杂且预测精度低、传统BP神经网络算法收敛慢和可能陷入局部最优的问题,提出一种基于遗传算法的反向传播神经网络(BPANN-GA)用以预测单井产量,并进行实例分析,获得了较高精度的预测结果.该算法简单实用,预测精度较高,收敛快且避免了陷入局部最优,对石油单井产量预测工作有一定的意义.