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、随机森林等方法进行了特征筛选,最后基于逻辑回归、BP(back propagation)神经网络以及支持向量机(support vector machine, SVM)三种机器学习算法构建了辛烷值损失预测模型。实验结果表明,基于SVM建立的辛烷值损失预测模型精度达到了98.24%,优于逻辑回归和BP神经网络预测模型。将该模型应用于脱硫优化,在生成汽油的硫含量达标的情况下,获得最优的控制变量组合,达到将辛烷值损失降到最低的目的。     

基于多元线性回归分析的汽油辛烷值损失预测建模

针对催化裂化汽油精制装置所采集的325个数据样本,运用R型聚类法得到建模的25个主要变量,并通过数据挖掘技术建立了基于多元线性回归分析的汽油辛烷值(RON)损失的预测模型.首先,利用3σ准则去除异常值等方法对原始数据样本进行预处理.其次,根据统聚类法中的R型聚类法,利用相关系数法和最大系数法分别确定指标变量之间的相似性...     

基于机器学习的汽油精制工艺操作方法优化

降低辛烷值损失是石化企业催化裂化汽油脱硫精制工艺过程中的重要目标之一。针对该工艺过程中控制变量维度高且存在非线性和强耦联性等问题,研究利用皮尔森、斯皮尔曼、最大信息系数三种方法,对操作变量进行相关性分析及特征降维,选取与辛烷值损失强相关的21个主要变量,建立了基于XGBoost辛烷值损失预测模型,交叉验证平均准确率达96.54%;然后,提出以硫含量不大于5 ug/g 为约束的工艺操作方法优化模型实现辛烷值损失最小,并通过遗传算法-聚类递归的方法进行求解,确定主要变量取值。以133号样本为例的模型可视化结果表明,所提出的优化模型可以在主要变量逐步调整过程中实现硫含量降至最低点,辛烷值损失接近最小。这既验证了模型的有效性和可移植性,也为汽油精制工艺提供了量化科学优化支撑。     

用决策树方法挖掘寿险数据中的投资风险规则

本文的目的是希望在保险公司寿险客户对产品的索赔记录上,通过数据挖掘的方法,发现影响客户索赔次数的主要因素。应用数据挖掘技术,通过对客户的数据进行抽取、清洗和预处理,生成数据挖掘库,并使用数据挖掘工具,利用决策树方法建立模型,并对所分析出的模型及结果进行了分析理解及验证,得出一些实用的控制寿险风险的规则。     

基于支持向量机的汽油辛烷值预测研究

针对工业汽油成品辛烷值含量难以实时获取的问题,提出一种辛烷值预测模型,对成品汽油辛烷值含量进行精确预测.首先以某一大型石化企业真实采集数据为基础,提出一种基于孤立森林的数据清洗方式,对原始数据中异常值及缺失值进行预测及填充;然后通过主成分分析法选取与辛烷值含量相关系数较高的36个特征变量基于支持向量机训练辛烷值含量预测...     

《基于数据挖掘的短期负荷预测研究》

本文对电力负荷预测的研究主要运用了数据挖掘中的聚类分析。构架了一种基于CURE聚类算法的电力负荷预测模型,对短期电力负荷数据进行有效的预测。并通过海量数据存储,数据挖掘和决策信息的支持,可有效地克服数据有限性,不完整性及影响因素复杂性对预测结果的影响,发挥独特优势、实现经济价值。     

数据挖掘在电子商务中的应用

电子商务过程中产生了大量的数据,数据挖掘是对这些数据进行分析的有效方法。介绍了数据挖掘在电子商务中的应用,探讨了电子商务中数据挖掘的步骤和数据挖掘的体系结构。     

基于数据挖掘的智能化电力负荷预测

本文对电力负荷预测的研究主要运用了数据挖掘中的聚类分析法,建立了预测算法与预测模型相分离的通用算法库,实现了负荷预测的智能化.通过海量数据存储,数据挖掘和决策信息的支持,可有效地克服数据有限性、不完整性及影响因素复杂性对预测结果的影响,发挥独特优势,实现经济价值.     

基于逻辑描述的决策树算法及其Prolog实现

 决策树算法是数据挖掘领域的重要算法之一.文章首先对决策树算法的数据进行逻辑描述,然后使用保险公司客户数据来构建决策树,利用Prolog语言实现了基于逻辑描述的ID3算法,尝试了用逻辑推理方法解决数据挖掘问题,并对结果进行了分析.     

数据挖掘技术在高校教学评价中的应用研究

本文概要论述了目前高等院校教学评价的现状,并以高校教学评价系统为数据挖掘平台,利用数据挖掘技术,运用多种数据挖掘方法对教学相关数据进行分析。重点阐述了数据挖掘技术在高校教学评价系统中的应用研究。从而达到促进高校教师改进教学方法,提高教学质量的目的,对高校教学评价具有深远的影响。     

不同视角下海量高分辨率视频图像数据挖掘方法研究

当前高分辨率视频图像数据挖掘方法容易受到外界环境的干扰,提取的视频图像特征不可靠,且不同视角下提取的特征值有很大差异,导致视频图像数据挖掘精度大大降低。为此,提出一种新的不同视角下海量高分辨率视频图像数据挖掘方法,通过Harris角点检测方法对待挖掘高分辨率视频图像数据时空特征进行提取,依据高分辨率视频图像数据时空特征,通过自相关矩阵建立相同事物不同视角下的递归图,将递归图看作一幅图像,通过计算像素点的梯度向量构建递归特征描述符,对相同事物不同视角下的关联性进行挖掘,将具有相同递归图梯度特征的高分辨率视频图像数据汇聚在一起,实现数据挖掘。实验结果表明,所提方法挖掘精度高。     

汽油单体烃色谱分离及辛烷值计算

采用毛细管气相色谱法对汽油单体烃类进行分离,用PONA汽油组成软件对汽油单体烃进行定性、定量、Pona组成计算．将汽油单体烃分为37组,建立实测辛烷值与37个变量之间的回归模型,计算汽油辛烷值．该模型计算辛烷值与实测辛烷值的极差为0．26个单位,适用辛烷值在88-92之间的油品．辛烷值的计算公式能够较好地反映汽油单体烃与辛烷值之间的关系．方法操作简单,样品用量少,结果准确,适合于炼厂蒸馏、催化、成品汽油辛烷值的监测．     

正庚烷临氢异构化研究进展

直馏汽油中一般含有较多的正庚烷 ,而其辛烷值为零 ,如能将其异构成带多个侧链的异庚烷 ,则可拓宽高辛烷值汽油理想组分的来源。正庚烷异构化的难点在于高选择性地生成多侧链异庚烷和抑制异庚烷的裂化反应。对正庚烷异构化的热力学、动力学、催化剂及反应的主要影响因素进行了分析 ,提出了结合反应器技术来研究正庚烷异构化的方法。从理论上来说 ,采用浆态床反应器优于传统的固定床     

基于主成分聚类分析的采矿方法优选

 采矿方法优选涉及到多指标体系的分类及综合评价问题,利用主成分分析简化了指标结构,将主成分分析与聚类分析相结合,提出了主成分聚类分析法,并基于该方法对来自某矿山的15个试样的采矿方法进行了优选。在此过程中,针对传统主成分分析方法的缺点和应用中可能出现的误区,通过均值化改进了主成分分析的特征提取,通过以主成分得分为新的数据基础做聚类分析改善了综合评价效果;对主成分含义给出了较为明确的解释;对主成分聚类、第一主成分得分、主成分综合得分的排序结果进行了对比分析。研究表明,主成分聚类分析法则既可以对多变量数据进行合理地分类,又能对各类优劣程度做出综合评价,能充分反映矿山的实际情况,终选出的采矿方法在工业试验后成效显著,验证了该决策方法是切实可行的。     

基于XGBoost模型的营养成分分析高血压预测方案

高血压是一种常见的慢性病，若能早发现、早采取措施可降低其引发并发症的风险。尽管高血压的产生与发展与诸多因素有关，但饮食被公认为影响高血压的主要因素之一。机器学习模型可以对疾病进行有效预测，并提供辅助治疗。笔者提出一种基于XGBoost的通过分析营养成分预测高血压的方案，该方案由数据转换、特征选择、数据清理与标准化、模型搭建、分类与评估5部分组成。实验结果表明，XGBoost在高血压预测中获得了0.859的F1分数且准确率超过85%,高于随机森林、支持向量机与人工神经网络。此外通过分析不同营养成分对高血压预测的影响因素，获得了影响高血压的前10个营养特征，大部分与医学结论相同，验证了模型的有效性。     

复杂属性环境下NoSQL分布式大数据挖掘方法研究

由于复杂属性环境下的大数据挖掘工作需要涉及到对大数据的分析、清理、转换和集成等一系列操作,导致以往提出的复杂属性环境下大数据挖掘方法无法同时拥有较强的准确性、稳定性和实用性,故提出复杂属性环境下NoSQL分布式大数据挖掘方法。所提方法利用NoSQL数据库的物理分散逻辑,在复杂属性环境下构建NoS QL数据库,给出挖掘条件,对数据库中大数据的特征、位置、方向和长度属性的关联性进行分布式挖掘,经由挖掘公式给出挖掘结果。利用挖掘聚类公式对大数据的特征、位置、方向和长度属性的关联性挖掘结果进行聚类,获取所提方法的最终挖掘结果。经实验分析可知,所提方法在挖掘工作中具有较强的准确性、稳定性和实用性。     

加氢焦化汽油中正、异构烃的吸附分离及优化利用

采用5A分子筛吸附分离加氢焦化汽油中的正、异构烃。以正构烃为优质乙烯裂解原料,非正构烃为优质催化重整原料或高辛烷值汽油调和组分,考察了正构烃的吸附曲线。结果表明:与加氢焦化汽油相比,正构烃在相同的工艺条件下可使乙烯收率提高11%,吸余油的芳烃潜含量提高14%。模拟计算结果表明:吸余油的研究法辛烷值提高约30个单位,可作为高辛烷值汽油调和组分,该分子管理的工艺路线可显著提高加氢焦化汽油的利用效率。     

一种基于非线性特征提取的数据降维算法

为了获得良好的图像分类效果,需要采集尽可能多的图像数据特征,进而使得图像原始特征空间的维数越来越高,造成维数灾难.特征提取是通过线性或者非线性映射,将高维特征空间映射到低维空间,从而降低数据维数.现有的特征提取算法往往忽视了数据本身特有的复杂结构以及非线性因素,造成映射方向的模糊以及分类精确度的缺失.充分考虑了图像数据本身的二维特性,通过改进的非线性特征提取方法、流形学习方法来提取图像特征.实验表明,该算法在不影响图像分类效果的前提下可以大大降低数据维数,减少计算复杂度.