用于蒸汽裂解产物成分预测的集成迁移学习框架

回顾了蒸汽裂解过程建模的方法,阐述了工业实际情况中面临的数据匮乏问题。面对石油化工行业大量的小数据集建模需求,充分利用历史生产数据,提出了一种集成迁移学习框架。首先,利用充足的数据在特定工况下建立了基本的深度学习模型。然后,利用小数据集将迁移学习技术应用于新的工况,源域的专家知识通过基于参数的方法转移到目标领域。最后,引入集成学习来整合获得的迁移学习模型,从而提高性能。在几个实际案例上进行实践,研究了该模型框架的性能。为了更好地理解模型,还进一步实施了层可迁移性分析和SHapley Additive exPlanation(SHAP)特征重要性分析。结果说明该方法训练出的模型具有良好的准确性、稳定性、计算效率和可解释性,可以满足工业需求。

基于机器学习的乙烯裂解过程模型比较与集成

乙烯是石油化工的重要产品,蒸汽裂解生产乙烯的工艺十分复杂。构建精确的石脑油裂解模型,可以实现石脑油裂解制乙烯过程的裂解深度快速、准确预测。该文比较了支持向量回归、k-近邻回归和极限梯度提升3种机器学习模型。通过具有噪声的基于密度的聚类算法(DBSCAN)和局部异常因子检测算法,对工业数据集进行重要变量和样本筛选,训练3个子模型,并构建集成模型以提高预测效果。集成模型结合各子模型的优势,减轻过拟合、对噪声敏感等不足,加强稳定性与泛化能力。实测集成模型的预测值R~2为0.955,平均绝对百分比误差约为0.23%,满足过程研究和工业应用的实际需求。