[發明專利]油品分子組成預測網絡的生成方法、預測方法及裝置

在審

• 申請號: 202110921274.4
• 申請日: 2021-08-11
• 公開（公告）號: CN115705918A
• 公開（公告）日: 2023-02-17
• 發明（設計）人: 王杭州;宋亞峰;楊詩棋;王弘歷;邊鋼月;李春澎;紀曄;王新平;劉一心;王喆
• 申請（專利權）人: 中國石油天然氣股份有限公司
• 主分類號: G16C20/20
• 分類號: G16C20/20;G16C20/70;G16C20/90
• 代理公司: 北京知聯天下知識產權代理事務所(普通合伙) 11594
• 代理人: 史光偉

1.一種油品分子組成預測網絡的生成方法，其特征在于，所述生成方法包括：

獲取原始數據集；其中，所述原始數據集包含多組帶標簽的已知油品的宏觀物性數據，所述已知油品的宏觀物性數據的標簽為所述已知油品的分子組成數據；

基于所述原始數據集，對預先構建的生成器(10)進行訓練，獲得所述生成器(10)的第一網絡參數；

將隨機生成的待測油品的宏觀物性數據輸入到具有所述第一網絡參數的生成器(10)，獲得通過具有所述第一網絡參數的生成器(10)生成的所述待測油品的分子組成數據；

保持所述生成器(10)的第一網絡參數不變，基于所述原始數據集中已知油品的分子組成數據和所述生成器(10)生成的待測油品的分子組成數據，對與所述生成器(10)連接的預先構建的判別器(20)進行訓練，獲得所述判別器(20)的第二網絡參數；

保持所述判別器(20)的第二網絡參數不變，基于所述原始數據集，對訓練后的所述生成器(10)和所述判別器(20)進行聯合訓練，得到油品分子組成預測網絡。

2.根據權利要求1所述的油品分子組成預測網絡的生成方法，其特征在于：所述基于所述原始數據集，對預先構建的生成器(10)進行訓練，包括：

從所述原始數據集中選取第一批帶標簽的已知油品的宏觀物性數據，利用所述第一批帶標簽的已知油品的宏觀物性數據，對預先構建的生成器(10)進行有監督訓練。

3.根據權利要求1所述的油品分子組成預測網絡的生成方法，其特征在于：所述基于所述原始數據集中已知油品的分子組成數據和所述生成器(10)生成的待測油品的分子組成數據，對與所述生成器(10)連接的預先構建的判別器(20)進行訓練，包括：

從所述原始數據集中選取一批已知油品的分子組成數據，并對選取的已知油品的分子組成數據和所述生成器(10)生成的多組待測油品的分子組成數據的類別進行標記；

基于標記后的所述已知油品的分子組成數據和所述待測油品的分子組成數據，對所述判別器(20)進行有監督訓練；

其中，在判別器(20)訓練時，生成器(10)的第一網絡參數保持不變，根據判別器(20)輸出的預測值與標簽之間的誤差調整判別器(20)的第二網絡參數，直至判別器(20)能夠判別輸入該判別器(20)的分子組成數據是來源于已知油品還是待測油品。

4.根據權利要求1所述的油品分子組成預測網絡的生成方法，其特征在于：所述基于所述原始數據集，對訓練后的所述生成器(10)和所述判別器(20)進行聯合訓練，包括：

從所述原始數據集中選取第二批帶標簽的已知油品的宏觀物性數據，利用所述第二批帶標簽的已知油品的宏觀物性數據，對訓練后的所述生成器(10)和所述判別器(20)進行聯合訓練。

5.根據權利要求4所述的油品分子組成預測網絡的生成方法，其特征在于：

對訓練后的所述生成器(10)和所述判別器(20)進行聯合訓練時，判別器(20)的第二網絡參數保持不變，根據生成器(10)輸出的分子組成數據與標簽的誤差以及判別器(20)輸出的預測值與標簽之間的誤差，調整生成器(10)的第一網絡參數；

所述聯合訓練的損失函數為交叉熵損失函數；

所述交叉熵損失函數的計算公式為：

其中，y_i為一次訓練中輸入到所述生成器(10)的已知油品中第i種分子的含量的真實值，為該次訓練中所述生成器(10)輸出的第i種分子的含量的預測值，n為預定義的分子種類的數量。