合作客戶/
拜耳公司 |
同濟(jì)大學(xué) |
聯(lián)合大學(xué) |
美國保潔 |
美國強(qiáng)生 |
瑞士羅氏 |
相關(guān)新聞Info
-
> 表面張力對液滴形變的影響規(guī)律
> 微凝膠顆粒在氣液界面處吸附動(dòng)力學(xué)及動(dòng)態(tài)方程研究——結(jié)果和討論、結(jié)論、致謝!
> 超低界面張力泡沫驅(qū)油體系研究
> 氧化石蠟油水界面張力測試方法及低張力性能
> 秦漢時(shí)期的物理學(xué)研究成果
> 氟碳-碳?xì)浔砻婊钚詣?fù)配體系表面張力變化規(guī)律與影響因素
> 氣泡法原理的便攜式表面張力儀的缺陷
> 懸滴法表面張力實(shí)驗(yàn)系統(tǒng)為鄰二甲苯、間二甲苯等提供熱物性數(shù)據(jù)
> 氧化石墨烯納米流體的凝固特性及在聲懸浮下表面張力研究
> 變壓器油界面張力檢測方法之準(zhǔn)確性對比
推薦新聞Info
-
> 瀝青質(zhì)及其亞組分與烷基苯磺酸鈉水溶液在降低IFT中的協(xié)同機(jī)理(二)
> 瀝青質(zhì)及其亞組分與烷基苯磺酸鈉水溶液在降低IFT中的協(xié)同機(jī)理(一)
> 油藏環(huán)境中離子強(qiáng)度與類型、溫度對烷基苯磺酸鹽溶液油水界面張力的影響
> 含聚氧丙烯醚陽離子型雙子表面活性劑化學(xué)結(jié)構(gòu)式、制備方法
> 超微量天平應(yīng)用:錫灰中銀含量的分析檢測方法
> 柴油機(jī)尾氣顆粒物采樣濾紙稱重設(shè)計(jì),有效縮短微量天平的穩(wěn)定時(shí)間
> 拉筒法和靜滴法測定連鑄結(jié)晶器保護(hù)渣表面張力(二)
> 拉筒法和靜滴法測定連鑄結(jié)晶器保護(hù)渣表面張力(一)
> 低表面張力物系在規(guī)整填料塔中的流體力學(xué)性能和傳質(zhì)性能(二)
> 低表面張力物系在規(guī)整填料塔中的流體力學(xué)性能和傳質(zhì)性能(一)
基于遺傳算法優(yōu)化提高界面張力的預(yù)測速度和精度
來源:北京科技大學(xué) 瀏覽 214 次 發(fā)布時(shí)間:2024-06-06
準(zhǔn)確預(yù)測鹽水-氣體界面張力對于優(yōu)化儲(chǔ)層中氣體的分布和運(yùn)移至關(guān)重要。這有助于減少氣體泄漏風(fēng)險(xiǎn)、提高儲(chǔ)存容量,并保障地下氣體儲(chǔ)存的長期穩(wěn)定性,同時(shí)推動(dòng)清潔能源發(fā)展和減少碳排放。然而,目前預(yù)測界面張力的方法(如實(shí)驗(yàn)法)存在耗時(shí)、費(fèi)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(zhǔn)確的數(shù)學(xué)表達(dá)式。
近年來,機(jī)器學(xué)習(xí)算法顯示出了良好的預(yù)測潛力。在眾多機(jī)器學(xué)習(xí)方法中,自動(dòng)機(jī)器學(xué)習(xí)(AutoML)算法可處理具有多個(gè)因素的復(fù)雜預(yù)測任務(wù),適用于鹽水-多組分氣體界面張力的預(yù)測問題。符號回歸(SR)可通過數(shù)據(jù)生成相應(yīng)的數(shù)學(xué)表達(dá)式,從而為機(jī)器學(xué)習(xí)模型提供可解釋性。然而,這兩種方法在訓(xùn)練和發(fā)現(xiàn)過程中非常耗時(shí),需要一種先進(jìn)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(yīng)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(dòng)機(jī)器學(xué)習(xí)和符號回歸模型(GA-AutoML-SR),以準(zhǔn)確預(yù)測鹽水-氣體界面張力,并生成相應(yīng)的數(shù)學(xué)表達(dá)式。
遺傳算法優(yōu)化的界面張力智能預(yù)測方法
采集原始數(shù)據(jù),并對所述原始數(shù)據(jù)進(jìn)行歸一化,得到歸一化數(shù)據(jù);
初始化自動(dòng)機(jī)器學(xué)習(xí)模型的候選模型集合,所述候選模型集合包括多個(gè)候選機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)模型,作為個(gè)體;
基于所述歸一化數(shù)據(jù),對每個(gè)所述個(gè)體的第一預(yù)測結(jié)果進(jìn)行性能評估,得到每個(gè)所述個(gè)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(gè)體;
設(shè)置所述被選個(gè)體的數(shù)量加1,并判斷所述被選個(gè)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(jī)器學(xué)習(xí)模型步驟;若否,對所述被選個(gè)體進(jìn)行變異,得到變異后個(gè)體;
基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)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(jī)器學(xué)習(xí)模型步驟;若否,將當(dāng)前所述后代個(gè)體作為預(yù)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(jìn)行歸一化,得到歸一化樣本;
將所述歸一化樣本輸入所述預(yù)測模型,得到第二預(yù)測結(jié)果;
將所述第二預(yù)測結(jié)果和所述歸一化樣本作為補(bǔ)充數(shù)據(jù)集,合并所述補(bǔ)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(dá)式算子;
基于符號回歸,根據(jù)所述表達(dá)式算子和所述合并數(shù)據(jù),生成初始模型表達(dá)式;
利用遺傳算法搜索所述初始模型表達(dá)式的空間,確定候選表達(dá)式;
對所述候選表達(dá)式的適應(yīng)度進(jìn)行性能評估,搜索得到最優(yōu)的模型表達(dá)式。
可選地,基于所述歸一化數(shù)據(jù),對每個(gè)所述個(gè)體的第一預(yù)測結(jié)果進(jìn)行性能評估,得到每個(gè)所述個(gè)體的選擇概率,具體為:
將所述歸一化數(shù)據(jù)作為所述個(gè)體的輸入,得到所述個(gè)體的第一預(yù)測結(jié)果;
采用適應(yīng)度函數(shù)對所述第一預(yù)測結(jié)果進(jìn)行性能評估,得到對應(yīng)個(gè)體的適應(yīng)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(gè)體,具體為:
順序排列所有個(gè)體的選擇概率,形成第一集合;
將第一集合中的當(dāng)前值與累積序列中對應(yīng)位置的前一個(gè)值的和,作為累積序列的當(dāng)前值;
選擇介于0到1之間的一個(gè)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(gè)體。
可選地,對所述被選個(gè)體進(jìn)行變異,得到變異后個(gè)體,具體為:改變所述個(gè)體的結(jié)構(gòu)或參數(shù)。
可選地,基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)體,具體為:
分別從各個(gè)變異后個(gè)體中提取特征進(jìn)行組合,生成新的特征集,作為后代個(gè)體的特征表示,得到所述后代個(gè)體。
可選地,基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)體,具體為:
將各個(gè)變異后個(gè)體的參數(shù)進(jìn)行組合,得到新的參數(shù),對所述新的參數(shù)進(jìn)行訓(xùn)練,得到所述后代個(gè)體。
可選地,基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)體,具體為:
將一個(gè)變異后個(gè)體的分部,結(jié)合到另一個(gè)不同的變異后個(gè)體的決策邊界中,創(chuàng)建具有新結(jié)構(gòu)個(gè)體,作為所述后代個(gè)體。
可選地,對所述候選表達(dá)式的適應(yīng)度進(jìn)行性能評估,搜索得到最優(yōu)的模型表達(dá)式,具體為:
基于所述合并數(shù)據(jù),對每個(gè)所述候選表達(dá)式的第三預(yù)測結(jié)果進(jìn)行性能評估,確定被選表達(dá)式集合;
對所述被選表達(dá)式集合中的所有被選表達(dá)式進(jìn)行變異,生成變異表達(dá)式;
基于所述變異表達(dá)式,進(jìn)行交叉,生成后代表達(dá)式;
最終得到具體模型表達(dá)式為:
基于遺傳算法優(yōu)化的自動(dòng)機(jī)器學(xué)習(xí)和符號回歸模型融合遺傳算法、自動(dòng)機(jī)器學(xué)習(xí)和符號回歸方法,進(jìn)行界面張力的預(yù)測,相較于傳統(tǒng)實(shí)驗(yàn)測量方法,提高了界面張力的預(yù)測速度和精度,同時(shí)通過數(shù)學(xué)表達(dá)式提高了數(shù)據(jù)驅(qū)動(dòng)模型的可解釋性。