合作客戶/
拜耳公司 |
同濟大學(xué) |
聯(lián)合大學(xué) |
美國保潔 |
美國強生 |
瑞士羅氏 |
相關(guān)新聞Info
-
> 固體、鹽溶液表面張力測量及與其在潔凈硅橡膠表面接觸角的關(guān)系研究(三)
> 中性聚合物鍵合劑(NPBA)與奧克托今(HMX)界面張力測定及應(yīng)用效果(一)
> 各種表面活性劑性能大全
> 不同稠油下油相中芳烴含量、水相pH值對油-水界面張力變化規(guī)律
> 便攜式自動表面張力儀主要技術(shù)特征
> DHSO、AGE、TMHC構(gòu)建陽離子有機硅表面活性劑DAT防水鎖性能(一)
> 噴霧液滴的形成原理與配方設(shè)計:動態(tài)表面張力與粒徑的關(guān)系
> 高溫多元合金表面張力的計算方法及裝置、設(shè)備
> 新設(shè)計的拼接式固相萃取柱完美解決萃取柱出現(xiàn)空氣栓塞問題
> 我們的身體會長歪,只是被表面張力“捏”了回來!
推薦新聞Info
-
> 免罩光水性素色面漆配方、制備方法及步驟
> 固體、鹽溶液表面張力測量及與其在潔凈硅橡膠表面接觸角的關(guān)系研究(三)
> 固體、鹽溶液表面張力測量及與其在潔凈硅橡膠表面接觸角的關(guān)系研究(二)
> 固體、鹽溶液表面張力測量及與其在潔凈硅橡膠表面接觸角的關(guān)系研究(一)
> 電場處理水浮力、及與普通水的表面張力系數(shù)測定
> 軟物質(zhì)褶皺形成機制新發(fā)現(xiàn):液體浸潤、表面張力與接觸線釘扎效應(yīng)
> LB膜技術(shù)在界面相互作用研究中的應(yīng)用
> LB膜技術(shù)在生物基材料改性中的應(yīng)用
> 重軌鋼中氧、硫含量、夾雜物形核率、聚集與界面張力的關(guān)系(四)
> 重軌鋼中氧、硫含量、夾雜物形核率、聚集與界面張力的關(guān)系(三)
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 833 次 發(fā)布時間:2024-06-06
準(zhǔn)確預(yù)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(guān)重要。這有助于減少氣體泄漏風(fēng)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(yù)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(zhǔn)確的數(shù)學(xué)表達(dá)式。
近年來,機器學(xué)習(xí)算法顯示出了良好的預(yù)測潛力。在眾多機器學(xué)習(xí)方法中,自動機器學(xué)習(xí)(AutoML)算法可處理具有多個因素的復(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,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)化的自動機器學(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);
初始化自動機器學(xué)習(xí)模型的候選模型集合,所述候選模型集合包括多個候選機器學(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)量的候選機器學(xué)習(xí)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(yù)測結(jié)果進(jìn)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(shè)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(xué)習(xí)模型步驟;若否,對所述被選個體進(jìn)行變異,得到變異后個體;
基于所述變異后個體,進(jìn)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(xué)習(xí)模型步驟;若否,將當(dāng)前所述后代個體作為預(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(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),對每個所述個體的第一預(yù)測結(jié)果進(jìn)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(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(dāng)前值與累積序列中對應(yīng)位置的前一個值的和,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(jìn)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(jìn)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(jìn)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(jìn)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(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,得到所述后代個體。
可選地,基于所述變異后個體,進(jìn)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(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)化的自動機器學(xué)習(xí)和符號回歸模型融合遺傳算法、自動機器學(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)實驗測量方法,提高了界面張力的預(yù)測速度和精度,同時通過數(shù)學(xué)表達(dá)式提高了數(shù)據(jù)驅(qū)動模型的可解釋性。