【技术实现步骤摘要】
本专利技术涉及石油化工研究领域，尤其涉及一种石脑油分子组成的预测方法、一种石脑油分子组成的预测系统，以及一种计算机可读存储介质。
技术介绍
1、为了满足炼油行业对油品质量的更高要求，炼油企业在原料优化中转向分子尺度水平，通过油品的分子重构，在石油加工过程中对石油产品的组成和性质进行更加详细的表征，从而为更精细的模型提供详细的物料组成，以实现更高效和精准的加工。石脑油是乙烯裂解、重整和汽油生产等各种工艺的重要原料。石脑油馏分为复杂的碳氢化合物混合物，包含数千种化学物质，包括石蜡、异石蜡、烯烃、石脑油和芳烃，并且在化学分析的过程中，分子种类的复杂性随沸点的增加呈指数增长，例如，c9h20有35个异构体，而c25h52有36,797,588个异构体，因此，石脑油馏分的分子组成无法通过实验确定。
2、现有技术中，石脑油的详细成分可以使用各种分析技术来确定，如宏观描述符(如密度、元素分析、核磁共振)或分离技术(如蒸馏、气相色谱或液相色谱、质谱)。然而，这些方法不但耗时、昂贵，而且只能用于石油馏分中的单个组分的鉴定，无法检测和定量馏分中的所有分子组成，因而传统实验室油品分析系统在对石脑油组分进行分析时，存在的测量周期长和计算成本高等问题。
3、为了克服现有技术存在的上述缺陷，本领域亟需一种石脑油分子组成的预测技术，用于构建准确的原材料分子表征模型，从而提高石脑油分子组成分析的准确度并降低计算成本。
技术实现思路
1、以下给出一个或多个方面的简要概述以提供对这些方面的基本
2、为了克服现有技术存在的上述缺陷，本专利技术提供一种石脑油分子组成的预测方法、一种石脑油分子组成的预测系统，以及一种计算机可读存储介质，用于构建准确的原材料分子表征模型，从而提高石脑油分子组成分析的准确度并降低计算成本。
3、具体来说，根据本专利技术第一方面提供的石脑油分子组成的预测方法包括以下步骤：获取石脑油流股的多组历史属性数据及其对应的多组分子组成数据，以构建多组样本数据；构建预测所述分子组成的第一梯度提升决策树模型；将多组所述样本数据中的历史属性数据依次输入所述第一梯度提升决策树模型，以获得对应的实际输出，并确定所述实际输出相较其对应的分子组成数据的误差；根据所述第一梯度提升决策树模型及所述误差指示的模型优化方向，构建第二梯度提升决策树模型，并合并所述第一梯度提升决策树模型及所述第二梯度提升决策树模型，以获得第三梯度提升决策树模型；以最小化所述误差为目标，调整所述第三梯度提升决策树模型的模型参数，以训练所述第三梯度提升决策树模型；以及将所述石脑油流股的待测样本的属性数据输入完成训练的第三梯度提升决策树模型，以预测所述待测样本的分子组成。
4、进一步地，在本专利技术的一些实施例中，所述石脑油流股的历史属性数据分别包括多个输入维度，并选自分子量、piona值、密度、蒸馏曲线上的馏程点位置中的至少一者。所述分子组成数据包括多个输出维度，并选自具有多种不同碳数的第一化合物的第一质量分数、带有多种不同结构的第二化合物的第二质量分数、带有多种不同官能团的第三化合物的第三质量分数中的至少一者。
5、进一步地，在本专利技术的一些实施例中，所述piona值指示正构烷烃、异构烷烃、环烷烃、烯烃、芳烃中的至少一者，和/或所述馏程点位置选自5％、50％、95％中的至少一者，以指示所述蒸馏曲线的初始阶段、中间阶段和/或终止阶段。
6、进一步地，在本专利技术的一些实施例中，所述构建预测所述分子组成的第一梯度提升决策树模型的步骤包括：将所述多组样本数据按照预设比例划分为训练集和验证集；以及根据所述训练集中的训练样本数据，构建所述第一梯度提升决策树模型，以其中的每个叶子节点对应所述分子组成的一个类别或回归值。
7、进一步地，在本专利技术的一些实施例中，所述根据所述第一梯度提升决策树模型及所述误差指示的模型优化方向，构建第二梯度提升决策树模型的步骤包括：根据所述误差，计算所述第一梯度提升决策树模型的损失函数关于实际输出的负梯度；以及根据所述负梯度，在所述第一梯度提升决策树模型的基础上构建所述第二梯度提升决策树模型。
8、进一步地，在本专利技术的一些实施例中，所述根据所述负梯度，在所述第一梯度提升决策树模型的基础上构建所述第二梯度提升决策树模型的步骤包括：采用随机化特征选择的方法，根据所述负梯度选择用于所述梯度提升决策树分裂的特征；以及利用所述特征以及所述第一梯度提升决策树模型，构建所述第二梯度提升决策树模型。
9、进一步地，在本专利技术的一些实施例中，所述合并所述第一梯度提升决策树模型及所述第二梯度提升决策树模型，以获得第三梯度提升决策树模型的步骤包括：根据预设的学习率，确定所述第二梯度提升决策树模型的权重参数；以及根据所述权重参数，加权合并所述第一梯度提升决策树模型及所述第二梯度提升决策树模型，以获得所述第三梯度提升决策树模型。
10、可选地，在本专利技术的一些实施例中，在合并所述第一梯度提升决策树模型及所述第二梯度提升决策树模型的过程中，所述预测方法还包括以下步骤：采用正则化技术处理所述第一梯度提升决策树模型和/或所述第二梯度提升决策树模型，以防止过拟合。
11、进一步地，在本专利技术的一些实施例中，所述以最小化所述误差为目标，调整所述第三梯度提升决策树模型的模型参数，以训练所述第三梯度提升决策树模型的步骤包括：获取所述损失函数的学习率；根据所述损失函数关于实际输出的负梯度及所述学习率，更新所述第三梯度提升决策树模型的模型参数，以使其实际输出逐步趋近于对应的分子组成数据；响应于所述实际输出与对应的分子组成数据的误差落入预设的允许范围，采用交叉验证法，利用所述验证集中的验证样本数据评估所述第三梯度提升决策树模型的预测准确率和/或均方误差；以及响应于所述预测准确率和/或均方误差停止改进，判定完成所述第三梯度提升决策树模型的训练。
12、可选地，在本专利技术的一些实施例中，在划分所述训练集和所述验证集之后，以及构建所述第一梯度提升决策树模型之前，所述预测方法还包括以下步骤：对所述训练集和所述验证集中的样本数据进行特征选择、缺失值处理和/或数据标准化处理。
13、此外，根据本专利技术第二方面提供的石脑油分子组成的预测系统包括：存储器，其上存储有计算机指令；以及处理器，连接所述存储器，并被配置用于执行所述存储器上存储的计算机指令，以实施如本专利技术第一方面所述的石脑油分子组成的预测方法。
14、此外，根据本专利技术第三方面提供的计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，实施如本专利技术第一方面所述的石脑油分子组成的预测方法。
本文档来自技高网...【技术保护点】
1.一种石脑油分子组成的预测方法，其特征在于，包括以下步骤：
2.权利要求1所述的预测方法，其特征在于，所述石脑油流股的历史属性数据分别包括多个输入维度，并选自分子量、PIONA值、密度、蒸馏曲线上的馏程点位置中的至少一者，
3.权利要求2所述的预测方法，其特征在于，所述PIONA值指示正构烷烃、异构烷烃、环烷烃、烯烃、芳烃中的至少一者，和/或
4.权利要求1所述的预测方法，其特征在于，所述构建预测所述分子组成的第一梯度提升决策树模型的步骤包括：
5.权利要求4所述的预测方法，其特征在于，所述根据所述第一梯度提升决策树模型及所述误差指示的模型优化方向，构建第二梯度提升决策树模型的步骤包括：
6.权利要求5所述的预测方法，其特征在于，所述根据所述负梯度，在所述第一梯度提升决策树模型的基础上构建所述第二梯度提升决策树模型的步骤包括：
7.权利要求6所述的预测方法，其特征在于，所述合并所述第一梯度提升决策树模型及所述第二梯度提升决策树模型，以获得第三梯度提升决策树模型的步骤包括：
8.如权利要求7所述的
9.权利要求5所述的预测方法，其特征在于，所述以最小化所述误差为目标，调整所述第三梯度提升决策树模型的模型参数，以训练所述第三梯度提升决策树模型的步骤包括：
10.权利要求4所述的预测方法，其特征在于，在划分所述训练集和所述验证集之后，以及构建所述第一梯度提升决策树模型之前，所述预测方法还包括以下步骤：
11.一种石脑油分子组成的预测系统，其特征在于，包括：
12.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～10中任一项所述的石脑油分子组成的预测方法。
...【技术特征摘要】
1.一种石脑油分子组成的预测方法，其特征在于，包括以下步骤：
2.权利要求1所述的预测方法，其特征在于，所述石脑油流股的历史属性数据分别包括多个输入维度，并选自分子量、piona值、密度、蒸馏曲线上的馏程点位置中的至少一者，
3.权利要求2所述的预测方法，其特征在于，所述piona值指示正构烷烃、异构烷烃、环烷烃、烯烃、芳烃中的至少一者，和/或
4.权利要求1所述的预测方法，其特征在于，所述构建预测所述分子组成的第一梯度提升决策树模型的步骤包括：
5.权利要求4所述的预测方法，其特征在于，所述根据所述第一梯度提升决策树模型及所述误差指示的模型优化方向，构建第二梯度提升决策树模型的步骤包括：
6.权利要求5所述的预测方法，其特征在于，所述根据所述负梯度，在所述第一梯度提升决策树模型的基础上构建所述第二梯度提升决策树模型的步骤包括：
7.权利要求6所述的预测方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。