合作客戶/
拜耳公司 |
同濟大學 |
聯(lián)合大學 |
美國保潔 |
美國強生 |
瑞士羅氏 |
相關新聞Info
-
> 低表面界面張力驅(qū)、滲一體化驅(qū)油劑的合成路線
> 便于調(diào)節(jié)的表面張力儀結(jié)構(gòu)組成及原理
> 醫(yī)護人員為何冒著中暑風險都不愿脫下厚重的防護服呢?
> W/O型Pickering乳液油水間的界面張力對乳液穩(wěn)定性的影響
> 各向異性表面張力條件下定向凝固共晶生長形態(tài)穩(wěn)定性(下)
> 裂縫性水封氣藏解封過程中潤濕反轉(zhuǎn)劑濃度、氣水界面張力變化(二)
> 油藏環(huán)境中離子強度與類型、溫度對烷基苯磺酸鹽溶液油水界面張力的影響
> 低表面張力、減縮型聚羧酸減水劑制備步驟
> 水相PH、鹽濃度對380號燃料油油水界面張力的影響
> 為什么葡萄酒會從下部往杯子的上部走呢?
推薦新聞Info
-
> 釕催化劑合成丁炔二醇醚三硅氧烷表面活性劑反應條件及表面張力測定(三)
> 釕催化劑合成丁炔二醇醚三硅氧烷表面活性劑反應條件及表面張力測定(二)
> 釕催化劑合成丁炔二醇醚三硅氧烷表面活性劑反應條件及表面張力測定(一)
> 座滴法測量玻璃熔體表面張力準確性及影響因素
> 座滴法測量玻璃熔體表面張力裝置、步驟
> 液體表面張力受力分析圖:原理、數(shù)學模型、應用與實例
> 各向異性表面張力條件下定向凝固共晶生長形態(tài)穩(wěn)定性(下)
> 各向異性表面張力條件下定向凝固共晶生長形態(tài)穩(wěn)定性(上)
> NaOL、HZ組合捕收劑對鋰輝石礦物浮選效果、表面張力影響(三)
> NaOL、HZ組合捕收劑對鋰輝石礦物浮選效果、表面張力影響(二)
基于遺傳算法優(yōu)化提高界面張力的預測速度和精度
來源:北京科技大學 瀏覽 707 次 發(fā)布時間:2024-06-06
準確預測鹽水-氣體界面張力對于優(yōu)化儲層中氣體的分布和運移至關重要。這有助于減少氣體泄漏風險、提高儲存容量,并保障地下氣體儲存的長期穩(wěn)定性,同時推動清潔能源發(fā)展和減少碳排放。然而,目前預測界面張力的方法(如實驗法)存在耗時、費力、成本高以及難以表征多組分氣體共同影響的問題。此外,在鹽水-多組分氣體(如H2,CH4,CO2等)界面張力方面,缺乏準確的數(shù)學表達式。
近年來,機器學習算法顯示出了良好的預測潛力。在眾多機器學習方法中,自動機器學習(AutoML)算法可處理具有多個因素的復雜預測任務,適用于鹽水-多組分氣體界面張力的預測問題。符號回歸(SR)可通過數(shù)據(jù)生成相應的數(shù)學表達式,從而為機器學習模型提供可解釋性。然而,這兩種方法在訓練和發(fā)現(xiàn)過程中非常耗時,需要一種先進的算法來提高效率。遺傳算法(GA)是一種生物啟發(fā)式算法,具有高效的全局搜索能力,可用于解決優(yōu)化問題,從而提高模型開發(fā)和應用的效率。
因此,本文提供了一中基于遺傳算法優(yōu)化的自動機器學習和符號回歸模型(GA-AutoML-SR),以準確預測鹽水-氣體界面張力,并生成相應的數(shù)學表達式。
遺傳算法優(yōu)化的界面張力智能預測方法
采集原始數(shù)據(jù),并對所述原始數(shù)據(jù)進行歸一化,得到歸一化數(shù)據(jù);
初始化自動機器學習模型的候選模型集合,所述候選模型集合包括多個候選機器學習模型;
定義遺傳算法的參數(shù);
從所述候選模型集合中選擇第一數(shù)量的候選機器學習模型,作為個體;
基于所述歸一化數(shù)據(jù),對每個所述個體的第一預測結(jié)果進行性能評估,得到每個所述個體的選擇概率;
根據(jù)所述選擇概率,構(gòu)建累積序列,并基于所述累積序列,確定被選個體;
設置所述被選個體的數(shù)量加1,并判斷所述被選個體的數(shù)量是否小于第二數(shù)量,若是,跳轉(zhuǎn)至從所述候選模型集合中選擇第一數(shù)量的候選機器學習模型步驟;若否,對所述被選個體進行變異,得到變異后個體;
基于所述變異后個體,進行個體間交叉,生成后代個體;
第一迭代次數(shù)加1,并判斷第一迭代次數(shù)是否小于第一迭代閾值,若是,跳轉(zhuǎn)至從所述候選模型集合中選擇第一數(shù)量的候選機器學習模型步驟;若否,將當前所述后代個體作為預測模型;
基于所述原始數(shù)據(jù),生成多組樣本數(shù)據(jù),并對所述樣本數(shù)據(jù)進行歸一化,得到歸一化樣本;
將所述歸一化樣本輸入所述預測模型,得到第二預測結(jié)果;
將所述第二預測結(jié)果和所述歸一化樣本作為補充數(shù)據(jù)集,合并所述補充數(shù)據(jù)集和所述歸一化數(shù)據(jù),得到合并數(shù)據(jù);
定義表達式算子;
基于符號回歸,根據(jù)所述表達式算子和所述合并數(shù)據(jù),生成初始模型表達式;
利用遺傳算法搜索所述初始模型表達式的空間,確定候選表達式;
對所述候選表達式的適應度進行性能評估,搜索得到最優(yōu)的模型表達式。
可選地,基于所述歸一化數(shù)據(jù),對每個所述個體的第一預測結(jié)果進行性能評估,得到每個所述個體的選擇概率,具體為:
將所述歸一化數(shù)據(jù)作為所述個體的輸入,得到所述個體的第一預測結(jié)果;
采用適應度函數(shù)對所述第一預測結(jié)果進行性能評估,得到對應個體的適應度值;
可選地,根據(jù)所述選擇概率,構(gòu)建累積序列,并基于所述累積序列,確定被選個體,具體為:
順序排列所有個體的選擇概率,形成第一集合;
將第一集合中的當前值與累積序列中對應位置的前一個值的和,作為累積序列的當前值;
選擇介于0到1之間的一個值,作為判定值;
將所述累積序列中與所述判定值的距離最近的數(shù)值,作為所述被選個體。
可選地,對所述被選個體進行變異,得到變異后個體,具體為:改變所述個體的結(jié)構(gòu)或參數(shù)。
可選地,基于所述變異后個體,進行個體間交叉,生成后代個體,具體為:
分別從各個變異后個體中提取特征進行組合,生成新的特征集,作為后代個體的特征表示,得到所述后代個體。
可選地,基于所述變異后個體,進行個體間交叉,生成后代個體,具體為:
將各個變異后個體的參數(shù)進行組合,得到新的參數(shù),對所述新的參數(shù)進行訓練,得到所述后代個體。
可選地,基于所述變異后個體,進行個體間交叉,生成后代個體,具體為:
將一個變異后個體的分部,結(jié)合到另一個不同的變異后個體的決策邊界中,創(chuàng)建具有新結(jié)構(gòu)個體,作為所述后代個體。
可選地,對所述候選表達式的適應度進行性能評估,搜索得到最優(yōu)的模型表達式,具體為:
基于所述合并數(shù)據(jù),對每個所述候選表達式的第三預測結(jié)果進行性能評估,確定被選表達式集合;
對所述被選表達式集合中的所有被選表達式進行變異,生成變異表達式;
基于所述變異表達式,進行交叉,生成后代表達式;
最終得到具體模型表達式為:
基于遺傳算法優(yōu)化的自動機器學習和符號回歸模型融合遺傳算法、自動機器學習和符號回歸方法,進行界面張力的預測,相較于傳統(tǒng)實驗測量方法,提高了界面張力的預測速度和精度,同時通過數(shù)學表達式提高了數(shù)據(jù)驅(qū)動模型的可解釋性。