油品分子组成预测网络的生成方法、预测方法及装置制造方法及图纸

本发明专利技术公开了油品分子组成预测网络的生成方法、预测方法及装置，油品分子组成预测网络的生成方法包括：获取原始数据集；基于原始数据集，对预先构建的生成器进行训练，获得生成器的第一网络参数；将随机生成的待测油品的宏观物性数据输入到生成器，获得通过生成器生成的待测油品的分子组成数据；保持生成器的第一网络参数不变，基于原始数据集中已知油品的分子组成数据和生成器生成的待测油品的分子组成数据，对与生成器连接的预先构建的判别器进行训练，获得判别器的第二网络参数；保持判别器的第二网络参数不变，基于原始数据集，对训练后的生成器和判别器进行联合训练，得到油品分子组成预测网络，该预测网络可以预测出油品的全分子组成。品的全分子组成。品的全分子组成。

【技术实现步骤摘要】
油品分子组成预测网络的生成方法、预测方法及装置


[0001]本专利技术涉及石油加工
，尤其涉及油品分子组成预测网络的生成方法、预测方法及装置。

技术介绍

[0002]分子管理在较早的时间被提出，随着计算机技术的愈发成熟，以软件预测模拟获取油品分子组成方便省力，已经成为了未来的发展趋势。
[0003]目前，在成品油的预测方面，由于油品分子组成种类繁琐复杂，通过十几种宏观物性推算数百种分子组成，必定需要一定数量的约束公式，但约束公式本身就存在着一定的误差，过多的约束公式会影响到最终的预测结果。以往的大部分预测方法，采用集总的方法，将数百种油品分子集总为几十种或一百多种分子集，从而减小了目标函数的解的数量，进而提高预测精度。然而，在现有的方案中是通过集总的办法将分子归类，而不曾预测油品的全分子组成。

技术实现思路

[0004]本专利技术的目的在于提供油品分子组成预测网络的生成方法、预测方法及装置，用于预测油品的全分子组成。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：
[0006]一种油品分子组成预测网络的生成方法，所述生成方法包括：
[0007]获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；
[0008]基于所述原始数据集，对预先构建的生成器进行训练，获得所述生成器的第一网络参数；
[0009]将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器，获得通过具有所述第一网络参数的生成器生成的所述待测油品的分子组成数据；
[0010]保持所述生成器的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，获得所述判别器的第二网络参数；
[0011]保持所述判别器的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，得到油品分子组成预测网络。
[0012]进一步地，所述基于所述原始数据集，对预先构建的生成器进行训练，包括：
[0013]从所述原始数据集中选取第一批带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器进行有监督训练。
[0014]进一步地，所述基于所述原始数据集中已知油品的分子组成数据和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，包括：
[0015]从所述原始数据集中选取一批已知油品的分子组成数据，并对选取的已知油品的
分子组成数据和所述生成器生成的多组待测油品的分子组成数据的类别进行标记；
[0016]基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对所述判别器进行有监督训练；
[0017]其中，在判别器训练时，生成器的第一网络参数保持不变，根据判别器输出的预测值与标签之间的误差调整判别器的第二网络参数，直至判别器能够判别输入该判别器的分子组成数据是来源于已知油品还是待测油品。
[0018]进一步地，所述基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，包括：
[0019]从所述原始数据集中选取第二批带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器和所述判别器进行联合训练。
[0020]进一步地，对训练后的所述生成器和所述判别器进行联合训练时，判别器的第二网络参数保持不变，根据生成器输出的分子组成数据与标签的误差以及判别器输出的预测值与标签之间的误差，调整生成器的第一网络参数；
[0021]所述联合训练的损失函数为交叉熵损失函数；
[0022]所述交叉熵损失函数的计算公式为：
[0023][0024]其中，y
i
为一次训练中输入到所述生成器的已知油品中第i种分子的含量的真实值，为该次训练中所述生成器输出的第i种分子的含量的预测值，n为预定义的分子种类的数量。
[0025]进一步地，所述生成方法还包括：对得到的所述油品分子组成预测网络进行迭代训练，包括重复如下训练步骤：
[0026]基于所述原始数据集，对预先构建的生成器进行训练，获得所述生成器的第一网络参数；
[0027]将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器，获得通过具有所述第一网络参数的生成器生成的所述待测油品的分子组成数据；
[0028]保持所述生成器的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，获得所述判别器的第二网络参数；
[0029]保持所述判别器的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，得到油品分子组成预测网络。
[0030]进一步地，在得到所述油品分子组成预测网络之后，所述生成方法还包括：
[0031]从所述原始数据集中选取第三批带标签的已知油品的宏观物性数据；
[0032]对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；
[0033]将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品
中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；
[0034]计算所述已知油品中的设定数量的预测含量高的分子对应的实际含量之和；
[0035]若所述实际含量之和低于第一阈值时，则将所述设定数量加1，并返回到计算所述实际含量之和的步骤；
[0036]若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；
[0037]若所述平均误差或平均相对误差不超过第二阈值，则确定所述油品分子组成预测网络合格，否则不合格。
[0038]本专利技术还提供了一种油品分子组成预测方法，所述方法包括：
[0039]获取待测油品的宏观物性数据；
[0040]将所述待测油品的宏观物性数据输入到预先训练的油品分子组成预测网络，所述油品分子组成预测网络根据上述油品分子组成预测网络的生成方法训练生成；
[0041]获得通过所述油品分子组成预测网络生成的待测油品的分子组成数据。
[0042]本专利技术还提供了一种油品分子组成预测网络的生成装置，所述装置包括：
[0043]获取模块，被配置为获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；
[0044]第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油品分子组成预测网络的生成方法，其特征在于，所述生成方法包括：获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；基于所述原始数据集，对预先构建的生成器(10)进行训练，获得所述生成器(10)的第一网络参数；将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器(10)，获得通过具有所述第一网络参数的生成器(10)生成的所述待测油品的分子组成数据；保持所述生成器(10)的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器(10)生成的待测油品的分子组成数据，对与所述生成器(10)连接的预先构建的判别器(20)进行训练，获得所述判别器(20)的第二网络参数；保持所述判别器(20)的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器(10)和所述判别器(20)进行联合训练，得到油品分子组成预测网络。2.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述基于所述原始数据集，对预先构建的生成器(10)进行训练，包括：从所述原始数据集中选取第一批带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器(10)进行有监督训练。3.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述基于所述原始数据集中已知油品的分子组成数据和所述生成器(10)生成的待测油品的分子组成数据，对与所述生成器(10)连接的预先构建的判别器(20)进行训练，包括：从所述原始数据集中选取一批已知油品的分子组成数据，并对选取的已知油品的分子组成数据和所述生成器(10)生成的多组待测油品的分子组成数据的类别进行标记；基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对所述判别器(20)进行有监督训练；其中，在判别器(20)训练时，生成器(10)的第一网络参数保持不变，根据判别器(20)输出的预测值与标签之间的误差调整判别器(20)的第二网络参数，直至判别器(20)能够判别输入该判别器(20)的分子组成数据是来源于已知油品还是待测油品。4.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述基于所述原始数据集，对训练后的所述生成器(10)和所述判别器(20)进行联合训练，包括：从所述原始数据集中选取第二批带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器(10)和所述判别器(20)进行联合训练。5.根据权利要求4所述的油品分子组成预测网络的生成方法，其特征在于：对训练后的所述生成器(10)和所述判别器(20)进行联合训练时，判别器(20)的第二网络参数保持不变，根据生成器(10)输出的分子组成数据与标签的误差以及判别器(20)输出的预测值与标签之间的误差，调整生成器(10)的第一网络参数；所述联合训练的损失函数为交叉熵损失函数；所述交叉熵损失函数的计算公式为：
其中，y
i
为一次训练中输入到所述生成器(10)的已知油品中第i种分子的含量的真实值，为该次训练中所述生成器(10)输出的第i种分子的含量的预测值，n为预定义的分子种类的数量。6.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述生成方法还包括：对得到的所述油品分子组成预测网络进行迭代训练，包括重复如下训练步骤：基于所述原始数据集，对预先构建的生成器(10)进行训练，获得所述生成器(10)的第一网络参数；将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器(10)，获得通过具有所述第一网络参数的生成器(10)生成的所述待测油品的分子组成数据；保持所述生成器(10)的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器(10)生成的待测油品的分子组成数据，对与所述生成器(10)连接的预先构建的判别器(20)进行训练，获得所述判别器(20)的第二网络参数；保持所述判别器(20)的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器(10)和所述判别器(20)进行联合训练，得到油品分子组成预测网络。7.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：在得到所述油品分子组成预测网络之后，所述生成方法还包括：从所述原始数据集中选取第三批带标签的已知油品的宏观物性数据；对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；计算所述已知油品中的设定数量的预测含量高的分子对应的实际含量之和；若所述实际含量之和低于第一阈值时，则将所述设定数量加1，并返回到计算所述实际含量之和的步骤；若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；若所述平均误差或平均相对误差不超过第二阈值，则确定所述油品分子组成预测网络合格，否则不合格。8.一种油品分子组成预测方法，其特征在于，所述方法包括：获取待测...

【专利技术属性】
技术研发人员：王杭州，宋亚峰，杨诗棋，王弘历，边钢月，李春澎，纪晔，王新平，刘一心，王喆，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：