黏温关系的预测方法、装置及存储介质与流程

摘要: 本发明涉及人工智能,尤其涉及一种黏温关系的预测方法、装置及存储介质。背景技术:1、在管输原油的运输与管理中,黏温关系是设计混合输送管线、制定运行方案及应急抢险处...
黏温关系的预测方法、装置及存储介质与流程

本发明涉及人工智能,尤其涉及一种黏温关系的预测方法、装置及存储介质。

背景技术:

1、在管输原油的运输与管理中,黏温关系是设计混合输送管线、制定运行方案及应急抢险处理中的关键因素。然而,管道中进管原油的物性特征及不同来源原油的混合比例复杂多变,确定黏温关系的过程较为困难。

2、目前,虽然可以通过定点定时的人工采样和散点拟合来获得黏温关系,但这种方法得到的黏温关系不够准确。

技术实现思路

1、本技术的目的在于提供一种黏温关系的预测方法、装置及存储介质,旨在解决传统方法得到的黏温关系不够准确的问题。

2、为达到上述目的,本技术采用如下技术方案:

3、第一方面,本技术提供一种黏温关系的预测方法,该方法中,获取原油预测数据,原油预测数据包括以下至少一项:测试温度、屈服应力、凝点、含蜡量、析蜡点、密度、取样温度、取样压力、剪切速率、含气量和取样流量。获取黏温关系预测模型,黏温关系预测模型用于指示预测待检测管道中流体的黏温关系,黏温关系预测模型包括:输入层、图卷积层、池化层、kan层、输出层,黏温关系用于指示流体的黏度与温度之间的对应关系。将原油预测数据输入黏温关系预测模型,得到黏温关系预测结果。

4、本技术实施例提供的黏温关系的预测方法中,测试温度、屈服应力、凝点、含蜡量、析蜡点、密度、取样温度、取样压力、剪切速率、含气量和取样流量与黏温关系相关,可以更全面地预测原油的黏温关系。通过将原油预测数据输入黏温关系预测模型,可以得到黏温关系预测结果,黏温关系预测模型包括输入层、图卷积层、池化层、样条函数网络层和输出层,可以精准预测运输时待检测管道中原油的黏温关系。进一步地,可以使得现场调度人员能够在生产调度中做出更安全的决策,最大限度地提升生产效率。

5、在一些实施例中,将原油预测数据输入黏温关系预测模型,得到黏温关系预测结果,包括:通过输入层对原油预测数据进行图结构构建操作,得到初始特征矩阵。通过图卷积层对初始特征矩阵进行多次图卷积操作,并通过池化层进行多次池化操作,得到全局特征向量。通过kan层将全局特征向量进行非线性细化操作,得到细化特征向量,并通过输出层进行概率映射,得到黏温关系预测结果。

6、在一些实施例中,kan层包括:多个节点,多个节点包括:第一节点和第二节点,第二节点为位于第一节点的下一节点,第一节点和第二节点之间存在激活函数。

7、在一些实施例中,通过kan层将全局特征向量进行非线性细化操作,得到细化特征向量,包括:通过多个激活函数对全局特征向量进行非线性细化操作,得到多个初始函数结果。基于多个初始函数结果,得到细化特征向量,细化特征向量为多个初始函数结果之和。

8、在一些实施例中,输出层包括:第一权重矩阵、第二权重矩阵、第一偏置向量和第二偏置向量,黏温关系预测结果包括:稠度系数和流动行为指数,稠度系数用于指示流体的粘稠程度,流动行为指数用于指示流体偏离牛顿流体的程度。通过输出层进行概率映射,得到黏温关系预测结果包括:通过第一权重矩阵和第一偏置向量对细化特征向量进行概率映射,得到稠度系数。通过第二权重矩阵和第二偏置向量对细化特征向量进行概率映射,得到流动行为指数。

9、在一些实施例中,稠度系数满足以下公式:

10、k=wkz+bk。

11、其中,k为稠度系数,wk为第一权重矩阵,z为细化特征向量,bk为第一偏置向量。

12、在一些实施例中,流动行为指数满足以下公式:

13、n=wnz+bn。

14、其中,n为流动行为指数,wn为第二权重矩阵,bn为第二偏置向量。

15、在一些实施例中,图卷积层的数量为多个,一个图卷积层对应一个图卷积函数。图卷积函数满足以下公式:

16、

17、其中,h(n+1)为第n+1层的节点特征矩阵,σ为激活函数,d为度矩阵,a为邻接矩阵,h(n)为第n层的节点特征矩阵,w(n)为第n层的可学习权重矩阵。

18、第二方面,本技术提供一种黏温关系的预测装置,该装置包括获取模块和处理模块。

19、获取模块,用于获取原油预测数据,原油预测数据包括以下至少一项:测试温度、屈服应力、凝点、含蜡量、析蜡点、密度、取样温度、取样压力、剪切速率、含气量和取样流量。获取模块,还用于获取黏温关系预测模型,黏温关系预测模型用于指示预测待检测管道中流体的黏温关系,黏温关系预测模型包括:输入层、图卷积层、池化层、kan层、输出层,黏温关系用于指示流体的黏度与温度之间的对应关系

20、处理模块,用于将原油预测数据输入黏温关系预测模型,得到黏温关系预测结果。

21、在一些实施例中,处理模块,用于通过输入层对原油预测数据进行图结构构建操作,得到初始特征矩阵。处理模块,还用于通过图卷积层对初始特征矩阵进行多次图卷积操作,并通过池化层进行多次池化操作,得到全局特征向量。处理模块,还用于通过kan层将全局特征向量进行非线性细化操作,得到细化特征向量,并通过输出层进行概率映射,得到黏温关系预测结果。

22、在一些实施例中,kan层包括:多个节点,多个节点包括:第一节点和第二节点,第二节点为位于第一节点的下一节点,第一节点和第二节点之间存在激活函数。

23、在一些实施例中,处理模块,用于通过多个激活函数对全局特征向量进行非线性细化操作,得到多个初始函数结果。处理模块,还用于基于多个初始函数结果,得到细化特征向量,细化特征向量为多个初始函数结果之和。

24、在一些实施例中,输出层包括:第一权重矩阵、第二权重矩阵、第一偏置向量和第二偏置向量,黏温关系预测结果包括:稠度系数和流动行为指数,稠度系数用于指示流体的粘稠程度,流动行为指数用于指示流体偏离牛顿流体的程度。处理模块,用于通过第一权重矩阵和第一偏置向量对细化特征向量进行概率映射,得到稠度系数。处理模块,还用于通过第二权重矩阵和第二偏置向量对细化特征向量进行概率映射,得到流动行为指数。

25、在一些实施例中,稠度系数满足以下公式:

26、k=wkz+bk。

27、其中,k为稠度系数,wk为第一权重矩阵,z为细化特征向量,bk为第一偏置向量。

28、在一些实施例中,流动行为指数满足以下公式:

29、n=wnz+bn。

30、其中,n为流动行为指数,wn为第二权重矩阵,bn为第二偏置向量。

31、在一些实施例中,一个图卷积层对应一个图卷积函数。图卷积函数满足以下公式:

32、

33、其中,h(n+1)为第n+1层的节点特征矩阵,σ为激活函数,d为度矩阵,a为邻接矩阵,h(n)为第n层的节点特征矩阵,w(n)为第n层的可学习权重矩阵。

34、第三方面,本技术提供了一种黏温关系的预测装置,该装置包括:处理器和存储器;所述处理器和所述存储器耦合;所述存储器用于存储一个或多个程序,该一个或多个程序包括计算机执行指令,当该黏温关系的预测装置运行时,处理器执行该存储器存储的该计算机执行指令,以实现如第一方面和第一方面的任一种可能的实现方式中所描述的方法。

35、第四方面,本技术提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行上述第一方面和第一方面的任一种可能的实现方式中所描述的方法。

36、第五方面,本技术提供一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行计算机程序或指令,以实现如第一方面和第一方面的任一种可能的实现方式中所描述的方法。

37、第六方面,本技术提供一种包含指令的计算机程序产品,当指令被计算机运行时,使得计算机执行上述第一方面和第一方面的任一种可能的实现方式中所描述的方法。

38、上述方案中,黏温关系的预测装置、计算机设备、计算机存储介质、芯片或者计算机程序产品所能解决的技术问题以及实现的技术效果可以参见上述第一方面所解决的技术问题以及技术效果,在此不再赘述。