一种混合原油黏度预测模型训练方法、装置及应用方法制造方法及图纸

本文涉及油气运输领域，尤其涉及一种混合原油黏度预测模型训练方法、装置及应用方法。该方法包括获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；利用所述训练样本数据集训练XGBoost初始模型，确定混合原油黏度预测模型。本方案首次建立了基于物性监测数据、管道运行参数的混合原油黏度预测模型；且可以基于传感器传回的实时数据，进行混合原油黏度实时在线预测，预测精度较高，降低黏度预测的复杂度、提高了原油运输效率。原油运输效率。原油运输效率。

【技术实现步骤摘要】
一种混合原油黏度预测模型训练方法、装置及应用方法


[0001]本文涉及油气运输领域，尤其是一种混合原油黏度预测模型训练方法、装置及应用方法。

技术介绍

[0002]管道混合运输是进口石油天然气的主要运输方式。对于长输管道来说，具有较高黏度的混合油品会增加管道输送过程中的沿阻摩擦，管道运行风险会大大提升，甚至可能导致管道停输。如何保障混输原油管道可靠运行已成为关乎经济发展、社会稳定的重要课题。
[0003]现有技术通过人工取样、实验室测定混合原油的黏度进行管道原油运输，该方法无法实现全线、全时段的风险管控，且无法满足输油管道工况变化的情况。
[0004]现在技术也有基于热力学理论建立半理论模型预测混合原油的黏度，如基于状态方程或对应状态法的粘度计算模型、剩余粘度关联式等，但是不同原油的组分差异较大，各组分间存在复杂的物理化学作用，无法对混合原油流动性的影响机理做出完备的解释。
[0005]现有技术中还包括根据实验数据的统计规律建立的经验性模型进行计算，在应用这些模型计算混合原油黏度时，需知道各组分油的黏度；在利用一些引入非线性修正项的模型时，还须知道每两组分等配比混合原油的黏度。对于不同的模型，其实验数据来源于一定范围内的油品，对其他油品预测的适用性不能完全确定。且需要通过实验测定获得组分油的黏度，所需实验室测定数据量庞大、实验室测得黏度无法实时反应管道流动参数的变化。
[0006]针对目前混合油黏度预测滞后、获取原油黏度过程复杂的问题，需要一种混合原油黏度预测模型训练方法、装置及应用方法。

技术实现思路

[0007]为解决上述现有技术的问题，本文实施例提供了一种混合原油黏度预测模型训练方法、装置及应用方法。
[0008]本文实施例提供了一种混合原油黏度预测模型训练方法，包括：获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；利用所述训练样本数据集训练XGBoost初始模型，确定混合原油黏度预测模型。
[0009]根据本文实施例的一个方面，所述历史样本组分油物性监测数据包括：历史样本组分油黏度及密度；所述管道运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度。
[0010]根据本文实施例的一个方面，利用所述训练样本数据集训练XGBoost初始模型，得到混合原油黏度预测模型包括：根据XGBoost初始模型中的所有决策树对训练样本数据集
的预测值之和，建立所述XGBoost初始模型的目标函数，所述目标函数如下：其中，为所述XGBoost初始模型的损失函数，i为决策树的序号，y
i
表示第i个决策树的真实值，表示第i个决策树的预测值，k表示决策树的数量，∑
k
Ω(f
k
)为初始模型中的k个决策树对应的正则惩罚项之和，Ω(f
k
)为第k个树对应的正则惩罚项；将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式，确定混合原油黏度预测模型。
[0011]根据本文实施例的一个方面，将所述目标函数中的所有决策树进行分割之前，对所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：其中，为所述损失函数的一阶导；为所述损失函数的二阶导，为损失函数的变形，t表示决策树的序号，f
t
(x
i
)为第t个决策树。
[0012]根据本文实施例的一个方面，将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式包括：利用如下公式表示所述目标函数中的正则惩罚项：其中，Ω(f
t
)为正则惩罚项，f
t
为进行了t次迭代的决策树，T为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，w
j
为所述叶子节点分支的分支j的分数；通过对所述正则惩罚项中的w
j
求偏导，最小化所述目标函数：其中，G
j
为所述决策树划分后某一个叶子区域g
i
之和，H
j
为所述决策树划分后某一叶子区域所有h
i
之和，g
i
为损失函数的一阶导，h
i
为损失函数的二阶导；根据增益划分方式，对所述叶子节点的特征进行划分，并利用如下公式计算叶子节点的分数值：如下公式计算叶子节点的分数值：其中，为不分割叶子节点的特征可以得到的分数值，表示左子树的分数值，表示右子树的分数值；所述增益划分公式L
split
用于划分叶子节点并计算所述叶子节点的分数值，G
L
为对决策树进行分割后的左分支所有g
i
之和，G
R
为对决策树进行分割后的右分支所有g
i
之和，H
L
为对决策树进行分割后的左分支所有h
i
之和，H
R
为对决策树进行分割后的右分支所有h
i
之和；根据所述叶子节点的分数值，选择所述损失函数结果最小值对应的XGBoost模型，确定所述混合原油黏度预测模型。
[0013]根据本文实施例的一个方面，所述训练样本数据集进一步包括至少一种历史样本组分油之间的配比。
[0014]本文实施例还提供了一种混合原油黏度预测方法，所述方法包括使用混合原油黏度预测模型：将至少一种组分油输入至管道中混合形成混合原油；获取所述组分油的物性监测数据、所述组分油所在管道的运行参数、所述组分油混合后形成的混合原油的物性监测数据及所述混合原油所在管道的运行参数；根据所述组分油的物性监测数据、所述管道的运行参数、所述混合原油的物性监测数据及所述混合原油所在的管道的运行参数，利用
所述混合原油黏度预测模型预测所述混合原油的黏度。
[0015]本文实施例还提供了一种混合原油黏度预测模型训练装置，所述混合原油由至少一种组分油输入至管道中混合形成，所述装置包括：训练样本数据集获取单元，用于获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；混合原油黏度预测模型确定单元，用于利用所述训练样本数据集训练XGBoost初始模型，得到混合原油黏度预测模型。
[0016]本文实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0017]本文实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合原油黏度预测模型训练方法，其特征在于，所述混合原油由至少一种组分油输入至管道中混合形成，所述方法包括：获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；利用所述训练样本数据集训练XGBoost初始模型，确定混合原油黏度预测模型。2.根据权利要求1所述的混合原油黏度预测模型训练方法，其特征在于，所述历史样本组分油物性监测数据包括：历史样本组分油的黏度及密度；所述管道的运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度。3.根据权利要求1所述的混合原油黏度预测模型训练方法，其特征在于，利用所述训练样本数据集训练XGBoost初始模型，得到混合原油黏度预测模型包括：根据XGBoost初始模型中的所有决策树对训练样本数据集的预测值之和，建立所述XGBoost初始模型的目标函数，所述目标函数如下：其中，L(φ)为模型的目标函数，为所述XGBoost初始模型的损失函数，i为决策树的序号，y
i
表示第i个决策树的真实值，表示第i个决策树的预测值，k表示决策树的数量，∑
k
Ω(f
k
)为初始模型中的第k个决策树对应的正则惩罚项之和，Ω(f
k
)为第k个决策树对应的正则惩罚项；将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式，确定混合原油黏度预测模型。4.根据权利要求3所述的混合原油黏度预测模型训练方法，其特征在于，将所述目标函数中的所有决策树进行分割之前，对所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：其中，为所述损失函数的一阶导；为所述损失函数的二阶导，为所述损失函数的变形，t表示决策树的序号，f
t
(x
i
)为第t个决策树。5.根据权利要求3所述的混合原油黏度预测模型训练方法，其特征在于，将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式包括：利用如下公式表示所述目标函数中的正则惩罚项：其中，Ω(f
t
)为正则惩罚项，f
t
为进行了t次迭代的决策树，T为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，w
j
为所述叶子节点分支的分支j的分数；通过对所述正则惩罚项中的w
j
求偏导，最小化所述目标函数：求偏导，最小化所述目标函数：其中，G
j
为所述决策树划分后某一个叶子区域g
i
之和...

【专利技术属性】
技术研发人员：张成，苏怀，张劲军，何宇轩，江璐鑫，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：