基于机器学习的汽油加氢裂化辛烷值损失预测和脱硫优化

辛烷值损失的准确预测有助于汽油炼制过程的优化与控制,以达到更好的脱硫效果.原油的加氢脱硫是一个十分复杂的物化反应过程,对于该过程中的参数控制多依赖于工人的经验,因此基于大数据建立辛烷值损失预测模型可以用于优化脱硫效果,从而提高产品质量,减轻工人的劳动强度,具有十分重大的实际意义.采用单因素分析、方差过滤、随机森林等方法...     

机器学习在油气行业中的应用进展综述

近年来,随着深度学习的兴起,机器学习在油气领域得到了进一步深入发展。但是,由于油气行业的特殊性和复杂性,目前还没有建成适用于深度学习的训练样本库,也没有针对性的模型建立和选择方法体系。此外,深度学习方法的不可解释性,导致了学习的模型对环境的高度依赖,制约了机器学习在油气行业中的推广应用。从机器学习的发展阶段出发,介绍机器学习在油气行业各领域的应用中所涉及的重大突破及仍然存在的问题。针对油气行业中不同类型数据的处理方法、样本建立以及如何进行模型适应性分析等方面给出了建议,提出可解释机器学习在油气人工智能上的发展潜力以及研究方向。     

基于生物信息学和机器学习筛选溃疡性结肠炎特征基因及其靶向中药预测

为确定溃疡性结肠炎(ulcerative colitis, UC)的潜在生物标志物，并预测其靶向中药，从GEO数据库下载包含人类UC和健康对照组织(GSE179285、GSE206285和GSE87466)的数据集，合并GSE179285和GSE206285数据集，通过limma R软件包筛选出UC与健康对照组织之间的差异表达基因(DEGs)。采用LASSO回归模型和支持向量机递归特征消除算法筛选出核心生物标志物。GSE87466数据集用作验证队列，受试者工作特征曲线用于评估诊断效能。利用CIBERSORT探讨UC中的免疫浸润特性，并进一步分析潜在生物标志物与不同免疫细胞之间的相关性。最后，在HERB数据库预测核心生物标志物靶向中药。共筛选出157个DEGs,其中102个基因上调，55个基因下调。功能富集分析显示，这些DEGs主要参与IL-17信号通路、TNF信号通路、类风湿关节炎、趋化因子信号通路、体液免疫反应、中性粒细胞趋化和迁移等。LOC389023、OLFM4、AQP8和CWH43被鉴定为UC的潜在生物标志物，且其诊断价值在GSE87466验证数据集中有显著意义。CIBERSO...