基于人工智能技术的原油含水率动力学模型研究

基于介电常数法测量原油含水率,往往受油水两相流态、温度、矿化度、非线性特性等多因素的影响。本文设计了一套基于多传感器的油水两相流实验室模拟系统对多个参量进行测定,提出基于智能信息处理方法的粗糙集预处理器、支持向量机分类器和遗传神经网络预测器建构了原油含水率预测模型,对原油含水率的高精度、智能化测量进行研究。实验结果表明,该模型在很大程度上改善了油水乳化液相转变、黏度、温度、矿化度等因素对原油含水率测量的影响,具有良好的模式识别性能和稳健的泛化能力,克服了原油含水率常规测量方法的弊端,是一种高精度智能化新型测量方法。     

基于模态辨识的原油含水率智能组合测量模型

为提高原油含水率宽量程在线测量的精度,采用一套基于多传感器的油水两相流实验室模拟系统对影响其测量的多个敏感参量进行测定,提出基于粗糙集预处理器、支持向量机分类器和遗传神经网络预测器的原油含水率智能组合测量模型.实验结果表明,该模型在很大程度上解决了油水乳化液模态、温度、矿化度等因素的交叉影响及传感器自身非线性的校正问题,可通过模糊推理与自学习实现油水混合模态辨识,并根据工况的变化调整测量模型参数,有效地提高了原油含水率宽量程在线智能测量的精度.     

基于麻雀搜索算法优化支持向量机的瓶盖装配检测研究

针对基于支持向量机的瓶盖装配检测算法准确度不高、调参难度大的问题,提出通过麻雀搜索算法(Sparrow Search Algorithm, SSA)对支持向量机(Support Vector Machines, SVM)的关键参数寻找最优解.采集瓶盖部位图像,包括标准、歪斜、铝塑分离、胶塞缺失、高盖5种类型.提取6个典型特征构建数据集,采用二分类支持向量机分类,分别通过遗传算法、粒子群算法和麻雀搜索算法对支持向量机参数进行调节.训练结果表明,麻雀搜索算法优化后的支持向量机模型测试准确率达到98.33%,高于其他几种算法.基于SSA-SVM的瓶盖装配检测模型识别精度高,调参速度快,泛化能力强.