基于随机森林算法预测减压馏分油中噻吩硫化物的组成分布

发布时间：2021-03-06 22:06

　　为实现直馏减压馏分油（VGO）中噻吩硫化物组成分布的快速分析,收集160个具有代表性的VGO样本,测定其常规物性及其含有噻吩硫化物的组成信息,构造160组数据集,并将其随机划分为训练集和测试集。以VGO的常规物性为输入特征,采用随机森林回归算法（RFR）分别构建预测VGO中苯并噻吩、二苯并噻吩、萘苯并噻吩以及总噻吩质量分数的模型。利用训练集样本的袋外估计,进行模型超参数的寻优。结果表明,模型对VGO中3种噻吩硫化物和总噻吩质量分数的预测标准偏差（RMSEP）分别为0.268%、0.131%、0.111%、0.385%,说明模型的预测值和实测值接近,具有较高的准确度和较强的泛化能力。 

【文章来源】：石油学报(石油加工). 2020,36(05)北大核心

【文章页数】：8 页

【部分图文】：

苯并噻吩质量分数预测模型的超参数优化

此外,由于减压馏分油中的硫基本上都分布在噻吩硫化物中,所以各模型中硫质量分数特征的重要度都最高;同时,VGO的各种噻吩硫化物中,苯并噻吩的含量最高,其占总噻吩含量的比例也最高;因此,对于苯并噻吩和总噻吩的2种模型(M1和M4),w(S)的特征重要度要远高于w(C);而二苯并噻吩及萘苯并噻吩的预测模型(M2和M3)中w(C)的特征重要度则相对较大,因为与苯并噻吩相比,这2种噻吩硫化物分子中分别增加6和12个C(分别为苯并噻吩分子中增加了1个和2个苯环);其结构中C的比例明显增大,使其硫化物质量分数与VGO中碳质量分数的相关性更大。2.4 测试集样本的预测分析

选择模型的最重要特征硫质量分数(w(S))进行相关性可视分析,训练集样本中萘苯并噻吩质量分数与硫质量分数的关系如图4所示。由图4可知,VGO的萘苯并噻吩质量分数和(w(S))之间没有明显的相关关系,且存在硫质量分数相差较大的样本中萘苯并噻吩质量分数相同的情况。进一步计算VGO中萘苯并噻吩质量分数与12项物性特征(ρ20、w(C)、w(H)、w(S)、n70、M、TV、v40、v80、v100、VI和BMCI)的Spearman相关系数,结果分别为:0.58、-0.30、-0.69、0.80、0.62、-0.13、0.11、0.36、0.41、0.38、-0.32 和0.59。其中,w(S)的相关系数最高,为0.80;其他特征相关系数的绝对值均低于w(S)的。这说明VGO中萘苯并噻吩质量分数与上述12项物性特征的相关性都较差。因此,萘苯并噻吩质量分数预测模型的优化,需要筛选添加与其相关性好的VGO物性特征来优化预测模型,提高预测模型的准确度和泛化能力。12个特征预测模型的预测评价结果列于表2。由表2可以看出,模型M1、M2、M3和M4的预测标准偏差(RMSEP)分别为:0.268%、0.131%、0.111%和0.385%。各模型的预测RMSEP值与其训练集样本中噻吩硫化物质量分数为正相关关系,

【参考文献】：
期刊论文
[1]基于人工神经网络的含硫原油VGO饱和份含量预测研究[J]. 孙仁金,王守春,赵锁奇.  计算机与应用化学. 2008(11)
[2]基于常规物性的减压蜡油烃类组成预测研究[J]. 刘四斌,田松柏,刘颖荣,王京.  石油炼制与化工. 2007(09)
[3]减压蜡油烃族组成的预测研究[J]. 邢波,陈正.  齐鲁石油化工. 2006(02)



本文编号：3067899