[發(fā)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?zhí)枺?/td>: 202110921274.4
• 申請日: 2021-08-11
• 公開（公告）號: CN115705918A
• 公開（公告）日: 2023-02-17
• 發(fā)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(lián)天下知識產權代理事務所(普通合伙) 11594
• 代理人: 史光偉

本發(fā)明公開了油品分子組成預測網絡的生成方法、預測方法及裝置，油品分子組成預測網絡的生成方法包括：獲取原始數據集；基于原始數據集，對預先構建的生成器進行訓練，獲得生成器的第一網絡參數；將隨機生成的待測油品的宏觀物性數據輸入到生成器，獲得通過生成器生成的待測油品的分子組成數據；保持生成器的第一網絡參數不變，基于原始數據集中已知油品的分子組成數據和生成器生成的待測油品的分子組成數據，對與生成器連接的預先構建的判別器進行訓練，獲得判別器的第二網絡參數；保持判別器的第二網絡參數不變，基于原始數據集，對訓練后的生成器和判別器進行聯(lián)合訓練，得到油品分子組成預測網絡，該預測網絡可以預測出油品的全分子組成。

技術領域

本發(fā)明涉及石油加工技術領域，尤其涉及油品分子組成預測網絡的生成方法、預測方法及裝置。

背景技術

分子管理在較早的時間被提出，隨著計算機技術的愈發(fā)成熟，以軟件預測模擬獲取油品分子組成方便省力，已經成為了未來的發(fā)展趨勢。

目前，在成品油的預測方面，由于油品分子組成種類繁瑣復雜，通過十幾種宏觀物性推算數百種分子組成，必定需要一定數量的約束公式，但約束公式本身就存在著一定的誤差，過多的約束公式會影響到最終的預測結果。以往的大部分預測方法，采用集總的方法，將數百種油品分子集總為幾十種或一百多種分子集，從而減小了目標函數的解的數量，進而提高預測精度。然而，在現有的方案中是通過集總的辦法將分子歸類，而不曾預測油品的全分子組成。

發(fā)明內容

本發(fā)明的目的在于提供油品分子組成預測網絡的生成方法、預測方法及裝置，用于預測油品的全分子組成。

為實現上述技術目的，本發(fā)明采取的技術方案為：

一種油品分子組成預測網絡的生成方法，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進行訓練，獲得所述生成器的第一網絡參數；

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，獲得通過具有所述第一網絡參數的生成器生成的所述待測油品的分子組成數據；

保持所述生成器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生成的待測油品的分子組成數據，對與所述生成器連接的預先構建的判別器進行訓練，獲得所述判別器的第二網絡參數；

保持所述判別器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和所述判別器進行聯(lián)合訓練，得到油品分子組成預測網絡。

進一步地，所述基于所述原始數據集，對預先構建的生成器進行訓練，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進行有監(jiān)督訓練。

進一步地，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生成的待測油品的分子組成數據，對與所述生成器連接的預先構建的判別器進行訓練，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，對所述判別器進行有監(jiān)督訓練；

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