一种混合原油黏度预测模型训练方法、装置及应用方法

1.本文涉及油气运输领域，尤其是一种混合原油黏度预测模型训练方法、装置及应用方法。


背景技术：

2.管道混合运输是进口石油天然气的主要运输方式。对于长输管道来说，具有较高黏度的混合油品会增加管道输送过程中的沿阻摩擦，管道运行风险会大大提升，甚至可能导致管道停输。如何保障混输原油管道可靠运行已成为关乎经济发展、社会稳定的重要课题。
3.现有技术通过人工取样、实验室测定混合原油的黏度进行管道原油运输，该方法无法实现全线、全时段的风险管控，且无法满足输油管道工况变化的情况。
4.现在技术也有基于热力学理论建立半理论模型预测混合原油的黏度，如基于状态方程或对应状态法的粘度计算模型、剩余粘度关联式等，但是不同原油的组分差异较大，各组分间存在复杂的物理化学作用，无法对混合原油流动性的影响机理做出完备的解释。
5.现有技术中还包括根据实验数据的统计规律建立的经验性模型进行计算，在应用这些模型计算混合原油黏度时，需知道各组分油的黏度；在利用一些引入非线性修正项的模型时，还须知道每两组分等配比混合原油的黏度。对于不同的模型，其实验数据来源于一定范围内的油品，对其他油品预测的适用性不能完全确定。且需要通过实验测定获得组分油的黏度，所需实验室测定数据量庞大、实验室测得黏度无法实时反应管道流动参数的变化。
6.针对目前混合油黏度预测滞后、获取原油黏度过程复杂的问题，需要一种混合原油黏度预测模型训练方法、装置及应用方法。


技术实现要素：

7.为解决上述现有技术的问题，本文实施例提供了一种混合原油黏度预测模型训练方法、装置及应用方法。
8.本文实施例提供了一种混合原油黏度预测模型训练方法，包括：获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；利用所述训练样本数据集训练xgboost初始模型，确定混合原油黏度预测模型。
9.根据本文实施例的一个方面，所述历史样本组分油物性监测数据包括：历史样本组分油黏度及密度；所述管道运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度。
10.根据本文实施例的一个方面，利用所述训练样本数据集训练xgboost初始模型，得到混合原油黏度预测模型包括：根据xgboost初始模型中的所有决策树对训练样本数据集
的预测值之和，建立所述xgboost初始模型的目标函数，所述目标函数如下：其中，为所述xgboost初始模型的损失函数，i为决策树的序号，yi表示第i个决策树的真实值，表示第i个决策树的预测值，k表示决策树的数量，∑kω(fk)为初始模型中的k个决策树对应的正则惩罚项之和，ω(fk)为第k个树对应的正则惩罚项；将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式，确定混合原油黏度预测模型。
11.根据本文实施例的一个方面，将所述目标函数中的所有决策树进行分割之前，对所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：其中，为所述损失函数的一阶导；为所述损失函数的二阶导，为损失函数的变形，t表示决策树的序号，f
t
(xi)为第t个决策树。
12.根据本文实施例的一个方面，将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式包括：利用如下公式表示所述目标函数中的正则惩罚项：其中，ω(f
t
)为正则惩罚项，f
t
为进行了t次迭代的决策树，t为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，wj为所述叶子节点分支的分支j的分数；通过对所述正则惩罚项中的wj求偏导，最小化所述目标函数：其中，gj为所述决策树划分后某一个叶子区域gi之和，hj为所述决策树划分后某一叶子区域所有hi之和，gi为损失函数的一阶导，hi为损失函数的二阶导；根据增益划分方式，对所述叶子节点的特征进行划分，并利用如下公式计算叶子节点的分数值：如下公式计算叶子节点的分数值：其中，为不分割叶子节点的特征可以得到的分数值，表示左子树的分数值，表示右子树的分数值；所述增益划分公式l
split
用于划分叶子节点并计算所述叶子节点的分数值，g
l
为对决策树进行分割后的左分支所有gi之和，gr为对决策树进行分割后的右分支所有gi之和，h
l
为对决策树进行分割后的左分支所有hi之和，hr为对决策树进行分割后的右分支所有hi之和；根据所述叶子节点的分数值，选择所述损失函数结果最小值对应的xgboost模型，确定所述混合原油黏度预测模型。
13.根据本文实施例的一个方面，所述训练样本数据集进一步包括至少一种历史样本组分油之间的配比。
14.本文实施例还提供了一种混合原油黏度预测方法，所述方法包括使用混合原油黏度预测模型：将至少一种组分油输入至管道中混合形成混合原油；获取所述组分油的物性监测数据、所述组分油所在管道的运行参数、所述组分油混合后形成的混合原油的物性监测数据及所述混合原油所在管道的运行参数；根据所述组分油的物性监测数据、所述管道的运行参数、所述混合原油的物性监测数据及所述混合原油所在的管道的运行参数，利用
所述混合原油黏度预测模型预测所述混合原油的黏度。
15.本文实施例还提供了一种混合原油黏度预测模型训练装置，所述混合原油由至少一种组分油输入至管道中混合形成，所述装置包括：训练样本数据集获取单元，用于获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；混合原油黏度预测模型确定单元，用于利用所述训练样本数据集训练xgboost初始模型，得到混合原油黏度预测模型。
16.本文实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
17.本文实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述的方法。
18.本方案首次建立了基于物性监测数据、管道运行参数的混合原油黏度预测模型；且可以基于传感器传回的实时数据，无需组分油便可实时在线预测混合原油的黏度，预测精度较高，降低预测复杂度、提高了原油运输效率。
附图说明
19.为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1所示为本文实施例一种混合原油黏度预测模型训练方法的流程图；
21.图2所示为本文实施例一种确定混合原油黏度预测模型的方法流程图；
22.图3所述为本文实施例一种将目标函数转化为关于决策树的叶子节点的迭代公式的方法流程图；
23.图4为本文实施例一种预测混合原油的黏度的方法流程图；
24.图5所示为本文实施例一种混合原油黏度预测模型训练装置的结构示意图；
25.图6所示为本文实施例混合原油黏度预测模型训练装装置的具体结构示意图；
26.图7所示为本文实施例一种混合原油黏度预测系统的示意图；
27.图8所示为本文实施例一种计算机设备的结构示意图。
28.附图符号说明：
29.501、训练样本数据集获取单元；
30.502、混合原油黏度预测模型确定单元；
31.5021、混合原油黏度预测模型训练模块；
32.5022、目标函数转化模块；
33.802、计算机设备；
34.804、处理器；
35.806、存储器；
36.808、驱动机构；
37.810、输入/输出模块；
38.812、输入设备；
39.814、输出设备；
40.816、呈现设备；
41.818、图形用户接口；
42.820、网络接口；
43.822、通信链路；
44.824、通信总线。
具体实施方式
45.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
46.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
47.本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
48.需要说明的是，本文的混合原油黏度预测模型训练方法及应用方法可用于油气勘探领域，也可用于除油气勘探领域之外的领域，本文对混合原油黏度预测模型训练方法及应用方法的应用领域不做限定。
49.如图1所示为本文实施例一种混合原油黏度预测模型训练方法的流程图，其中具体包括如下步骤：
50.步骤101，获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数。
51.在油气勘探技术领域，管道混合运输过程需要准确获知混合运输的原油的黏度。通常情况下，按照一定比例将多种具有不同的组分原油进行混合，可以得到混合的混合原油。在本技术中，可以通过多种组分原油的物性参数进行模型训练，进一步预测混合原油的黏度。具体的，使用训练样本数据集对模型进行训练。在本说明书的一些实施例中，训练样本数据集中的历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数由黏度预测系统检测获取，黏度预测系统可以见图7描述。
52.在本说明书的一些实施例中，历史样本组分油物性监测数据包括：历史样本组分油的黏度及密度；所述管道运行参数包括管道压力、管道温度及管道内的流量；所述历史样本混合原油的物性监测数据包括历史样本混合原油的密度。例如，如表1所示，历史样本组分油包括油品1、油品2、油品3和油品4，历史样本组分油的物性监测数据为：油品1的黏度及密度分别为：15℃下的黏度为20至80mpa
·
s、20℃下密度为855至875kg/m3；油品2的黏度和密度分别为：15℃下的黏度为10至250mpa
·
s、20℃下密度为830至890kg/m3；油品3的黏度和密度分别为：15℃下的黏度为5至450mpa
·
s、20℃下密度为800至860kg/m3；油品4的黏度和密度分别为：15℃下的黏度为5至500mpa
·
s、20℃下密度为810至870kg/m3。
53.在本步骤中，历史样本组分油包括至少一种组分油。每一种组分油由单独的管道进行运输，并在首站油罐混合后向外输出。因此，训练样本数据集还包括历史样本组分油所在管道的运行参数。进一步的，历史样本组分油所在管道的运行参数为运输原油a的管道的运行参数、运输原油b的管道的运行参数、运输原油c的管道的运行参数。在本说明书的一些实施例中，管道的运行参数包括管道内的压力、管道温度、管道内流量等。例如，如表1所示，运输油品1的管道的温度为9.0至48.2℃、管线压力为0.1至0.23mpa、管线流量为199.3至2131m3/h；运输油品2的管道的温度为5.6至34.1℃、管线压力为0.09至7.77mpa、管线流量为17至1399.2m3/h；运输油品3的管道的温度为8.3至25.7℃、管线压力为0.23至5.3mpa、管线流量为52至1658m3/h；运输油品4的管道的温度为7.5至26.7℃、管线压力为0.03至2.5mpa、管线流量为10至2591m3/h。
54.表1部分训练样本数据集
[0055][0056]
在本说明书的一些实施例中，历史样本组分油混合后形成的历史样本混合原油的物性监测数据包括混合原油的黏度和密度；混合原油所在管道的参数包括管道温度、管道内压力及管道内流量。
[0057]
在本说明书的一些实施例中，训练样本数据集进一步包括至少一种历史样本组分油之间的配比。例如，油品1、油品2、油品3、油品4之间的配比为1:2:1:1，或，油品1、油品2、油品3、油品4之间的配比为1:3:1:4等。在本说明书的一些实施例中，历史样本组分之间的配比是可以预先设置的，也可以根据实际情况进行调整。本技术对历史样本组分油之间的配比值不作限定。
[0058]
步骤102，利用所述训练样本数据集训练xgboost初始模型，确定混合原油黏度预测模型。在本步骤中，xgboost模型为一种决策树集成模型，使用k个决策树中每一个决策树对训练样本数据集的预测值之和作为训练样本数据集在xgboost模型中的预测。
[0059]
本步骤使用历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运
行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数训练xgboost模型，得到训练好的混合原油黏度预测模型。
[0060]
如图2所述为本文实施例一种确定混合原油黏度预测模型的方法流程图。具体包括如下步骤：
[0061]
步骤201，根据xgboost初始模型中的所有决策树对训练样本数据集的预测值之和，建立所述xgboost初始模型的目标函数，所述目标函数如下：和，建立所述xgboost初始模型的目标函数，所述目标函数如下：其中，为所述xgboost初始模型的损失函数，表示模型的预测值，yi表示第i个样本的类别标签，k表示决策树的数量，∑kω(fk)为初始模型中的k个决策树对应的正则惩罚项之和，ω(fk)为第k个决策树对应的正则惩罚项，fk表示第k个决策树的模型。
[0062]
在本步骤中，xgboost初始模型为基于决策树的模型，该模型将所有决策树对训练样本数据集的预测值之和为初始模型的最终输出结果，通过构建xgboost模型的输入输出层，初始化xgboost模型的权重参数，根据初始化后的权重参数训练xgboost模型中的第一个决策树，训练完成后根据目标函数更新权重参数，进行新一轮决策树的训练。当所有训练样本的权重之和小于设定的阈值或迭代次数达到设定值时停止建模。其中，xgboost初始模型由以下公式表示：
[0063][0064]
f＝{f(x)＝w
q(x)
}(q:rm→
t,w∈r
t
)
ꢀꢀ
(2)，其中，为xgboost模型的模型预测值；xi为第i个样本；fk为第k个决策树的模型；f为决策树的空间；m为特征数量；t为每个决策树的叶子节点数量；q为每个决策树的结构映射每个训练样本到相应的叶子节点的分数，w
q(x)
表示决策树q的所有叶子节点的分数组成集合。
[0065]
通过对上述公式(1)采用正则化方法控制过拟合，可以建立xgboost初始模型的目标函数为：
[0066]
其中，为损失函数项，为模型的训练误差。该损失函数项为一个可微分的凸函数；∑kω(fk)为初始模型的复杂度函数，也是初始模型的惩罚项，表示初始模型中k个树中每一个决策树的复杂度之和，该项的目的是控制xgboost初始模型的复杂度，防止模型过拟合。在本说明书的另外一些实施例中，还可以通过在xgboost模型中引入缩减系数，降低每个决策树和叶子节点对结果的影响防止模型过拟合。
[0067]
步骤202，将所述目标函数中的所有决策树进行分割，将所述目标函数转化为关于决策树的叶子节点的迭代公式，确定混合原油黏度预测模型。
[0068]
在本说明书的一些实施例中，将所述目标函数中的所有决策树进行分割之前，对所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：所述目标函数执行如下处理：利用如下公式对所述目标函数进行变形：其中，为所述损失函数的一阶导；为所述损失函数的二阶导。关于对目标函数进行变形的具体描述详见图3描述。
[0069]
在本说明书的一些实施例中，通过将目标函数转化为关于叶子节点的迭代公式，
再使用贪心算法从单个叶子节点开始迭代分裂以给模型中的决策树添加节点。可以列举模型中所有特征的所有可能划分，以寻找最优分割点，进一步确定预测效果最佳的混合原油黏度预测模型。
[0070]
图3所示为本文实施例一种将目标函数转化为关于决策树的叶子节点的迭代公式的方法流程图。具体包括如下步骤：
[0071]
步骤301，利用如下公式表示所述目标函数中的正则惩罚项：步骤301，利用如下公式表示所述目标函数中的正则惩罚项：其中，t为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，wj为所述叶子节点分支的分支j的分数。在本说明书的一些实施例中，对正则惩罚项进行变形，得到下列公式：
[0072][0073]
其中，t为一个决策树中的叶子节点的惩罚系数；γ为正则惩罚项，叶子节点个数越多，惩罚力度越大；λ为决策树的叶子节点权重的正则化系数，为叶子节点的得分w的l2模平方，相当于针对每个叶子节点的得分增加l2平滑，目的是避免模型训练时过拟合。
[0074]
在本说明书的一些实施例中，采用additive training方式学习模型，保留原有模型不变，每进行一次新的训练时将一个新的函数fi(xi)加入到原有模型中，使得目标函数的值尽量降低。第0轮、第1轮、第2轮及第t轮的目标函数公式如下所示：
[0075][0076]
进一步使用平方误差将目标函数(4)转换成如下形式：
[0077][0078]
进一步使用泰勒公式进行近似展开的核心目标是就是对目标函数进行化简，将常数项抽离出来，得到目标函数(4)的展开公式如下：
[0079][0080]
其中，gi为为损失函数项的一阶导数；hi为为损失函数项的二阶导数。
[0081]
在本步骤中，定义叶子结点j的实例集ij＝{i∣q(xi)＝j}(9)，重写关于决策树模型的迭代公式(8)，得到关于决策树的叶子节点的迭代公式，如下所示：
[0082][0083]
求决策树的叶子节点分支的分支j的分数wj，求出wj后，将每个决策树的wj相加，即可得到最终的预测分数。在本说明书的一些实施例中，为了得到最优的wj的值，需要最小化的目标函数。
[0084]
步骤302，通过对所述正则惩罚项中的wj求偏导，最小化所述目标函数：求偏导，最小化所述目标函数：其中，t为所述叶子节点的个数，γ为所述决策树的个数，λ为所述叶子节点的得分，gj为所述决策树划分后某一个叶子区域gi之和，hj为所述决策树划分后某一叶子区域所有hi之和，gi为损失函数的一阶导，hi为损失函数的二阶导。
[0085]
在本步骤中，对上式叶子节点迭代公式(10)中的wj求偏导，并令偏导数为0，
[0086]
得到wj的偏导为：
[0087]
令wj等于0，并定义得到
[0088][0089]
将代入目标函数公式(10)中，得到最小化后的目标函数的公式为：
[0090]
其中，gj为决策树划分后某一叶子区域所有g的和，是一阶导数；hj为决策树划分后某一叶子区域所有h的和，为二阶导数。
[0091]
步骤303，根据增益划分方式，对所述叶子节点的特征进行划分，并根据如下公式计算叶子节点的分数值：其中，为不分割叶子节点的特征可以得到的分数值，表示左子树的分数值，表示右子树的分数值；所述增益划分公式l
split
用于划分叶子节点并计算所述叶子节点的分数值。
[0092]
在本说明书的一些实施例中，切分节点后的损失函数为：
[0093][0094]
步骤304，根据所述叶子节点的分数值，选择所述损失函数结果最小值对应的xgboost模型，确定所述混合原油黏度预测模型。在本步骤中，根据步骤303中的节点切分后的损失函数(10)，使用贪心算法列举初始模型中所有k个树可能划分结果，从k个决策树中选取结果最优的分割点。具体的，采用贪心算法从单个叶子节点开始，迭代分裂给对应的决策树增加节点。从树深度为0开始，遍历每一个树的每一个叶子节点所有的特征，例如：密度、黏度等等，再对某个特征，利用公式(13)对该特征对应的叶子节点的分数值进行排序，然后线性扫描该特征进而确定最好的分割点，最后对所有特征进行分割后，选择增益l
split
最高划分方式。进而确定损失函数最小值对应的树，进一步确定训练好的xgboost模型，即为混合原油黏度预测模型。
[0095]
图4所示为本文实施例一种预测混合原油的方法流程图。具体包括如下步骤：
[0096]
步骤401，将至少一种组分油输入至管道中混合形成混合原油。在本步骤中，至少一种组分油由不同的管道运输至首站管道中，在首站管道进行混合后形成混合原油。例如，将组分油1、组分油2、组分油3、组分油4输入至管道中，形成混合原油。其中，这四种组分油分别具有不同的、密度和黏度。
[0097]
步骤402，获取所述组分油的物性监测数据、所述组分油所在管道的运行参数、所述组分油混合后形成的混合原油的物性监测数据及所述混合原油所在管道的运行参数。
[0098]
在本说明书的一些实施例中，利用监测传感器监测并获取组分油的物性监测数据，包括：组分油的密度、黏度中的一种或其任意组合。利用监测传感器监测并获取组分油混合后的混合原油的物性监测数据，包括：混合原油的密度、黏度中的一种或其任意组合。在本说明书的一些实施例中，还可以获取来油的配比。
[0099]
例如，获取来油(即，上文所述组分油)的密度、黏度、外输油(即，上文所述混合原油)的密度、多种来油的配比、来油所处管道的运行参数、外输油的密度及外输油所在管道的运行参数，作为混合原油黏度预测模型的输入。又例如，获取来油的黏度、混合原油的密度、来油的配比、来油所处管道的运行参数、外输油的密度及外输油所在管道的运行参数作为混合原油黏度预测模型的输入。再例如，获取来油的密度、来油的配比、来油所处管道的运行参数、外输油的密度及外输油所在管道的运行参数作为混合原油黏度预测模型的输入。
[0100]
在本说明书的一些实施例中，当混合原油黏度预测模型的输入特征为组分油的黏度和组分油配比时，预测得到的混合油黏度结果的平均绝对误差为4.1mpa
·
s。由表2可知，当混合原油黏度预测模型的输入特征为来油的黏度、来油配比和来油运输管道及外输油运输管道的运行参数时，预测得到的混合油黏度结果的平均绝对误差为3.4mpa
·
s。因此，将来油和外输油运输管道的运行参数作为混合原油黏度预测模型的输入特征，在模型预测外输油黏度的效果上，有明显改善。
[0101]
如表2所示，当混合原油黏度预测模型的输入特征包括组分油的黏度、密度、外输油的密度、来油的配比及运输管道的运行参数时，模型的预测精度更高，模型预测得到的混合油黏度结果的平均绝对误差可以达到1.7mpa
·
s；当混合原油黏度预测模型的输入特征
不包括来油的黏度时，模型的平均绝对误差也可以达到2.2mpa
·
s，实现混合原油的黏度预测；当混合原油黏度预测模型的输入特征包括来油的密度、来油的配比及运输管道的运行参数时，也可以实现混油的预测，预测得到的混合油黏度结果的平均绝对误差为3.2mpa
·
s。
[0102]
表2模型不同输入对应的黏度预测结果
[0103][0104][0105]
由此可见，本说明书中的混合原油黏度预测模型使用组分油物性参数、组分油所处管道的运行参数及混合原油的物性监测数据及混合原油所在管道的运行参数，具有较好的模型预测效果。
[0106]
步骤403，根据所述组分油的物性监测数据、所述管道的运行参数、所述混合原油的物性监测数据及所述混合原油所在的管道的运行参数，利用所述混合原油黏度预测模型预测所述混合原油的黏度。在本步骤中，使用图2及前文描述的混合原油黏度预测模型，将步骤402中的数据输入至混合原油黏度预测模型，可以预测得到混合原油的。
[0107]
如图5所示为本文实施例一种混合原油黏度预测模型训练装置的结构示意图，在本图中描述了混合原油黏度预测模型训练装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现，实现混合原油黏度预测，该装置具体包括：
[0108]
训练样本数据集获取单元501，用于获取训练样本数据集，所述训练样本数据集包括历史样本组分油的物性监测数据、所述历史样本组分油所在管道的运行参数、所述历史样本组分油混合后形成的历史样本混合原油的物性监测数据及所述混合原油所在管道的运行参数；
[0109]
混合原油黏度预测模型确定单元502，用于利用所述训练样本数据集训练xgboost初始模型，得到混合原油黏度预测模型。
[0110]
本方案首次建立了基于物性监测数据、管道运行参数的混合原油黏度预测模型；且可以基于传感器传回的实时数据，无需组分油黏度便实时在线预测由多种组分油混合而成的混合原油的黏度，预测精度较高，降低预测复杂度、提高了原油运输效率。
[0111]
作为本文的一个实施例，还可以参考如图6所示为本实施例混合原油黏度预测模型训练装置的具体结构示意图。
[0112]
作为本文的一个实施例，所述混合原油黏度预测模型确定单元502进一步包括：
[0113]
混合原油黏度预测模型训练模块5021，用于利用训练样本数据集训练xgboost初
始模型；
[0114]
目标函数转化模块5022，用于将目标函数转化为关于决策树的叶子节点的迭代公式。
[0115]
如图7所示为本文实施例一种黏度预测系统的示意图。其主要描述了组分油经过管道混合后形成混合后的混合原油的过程。其中，组分油包括至少一种组分油。如图所示，组分油包括油品1、油品2、油品3、油品4。在每一种来油的运输管道上设置有监测传感器，监测传感器可以监测每一种来油的运输管道的管道运行参数，也可以监测每一种来油的黏度、密度物性数据。相对应的，组分油进罐混合后形成混合原油，在混合原油向外输出的管道上设置有scada监测传感器，scada监测传感器可以监测混合原油所在的运输管道的管道运行参数，也可以监测混合原油的密度等物性数据。
[0116]
如图8所示，为本文实施例提供的一种计算机设备，所述计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
[0117]
计算机设备802还可以包括输入/输出模块810(i/o)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814))。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口(gui)818。在其他实施例中，还可以不包括输入/输出模块810(i/o)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
[0118]
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0119]
对应于图1至图5中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0120]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图5所示的方法。
[0121]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0122]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这
三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0123]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
[0124]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0125]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0126]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0127]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0128]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0129]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。