情艺中心国产欧美亚洲_免费高清影院_另类小说久久_福利片国产视频区_草莓APP黄软件下载_18在线观看国内精品视频_高颜值奶水充足哺乳期人妻_亚洲人妻一区二区av_日本三级免费2020_亚洲香蕉色网视频

芬蘭Kibron專注表面張力儀測量技術(shù),快速精準(zhǔn)測量動(dòng)靜態(tài)表面張力

熱線:021-66110810,66110819,66110690,13564362870 Email: info@vizai.cn

合作客戶/

拜耳公司.jpg

拜耳公司

同濟(jì)大學(xué)

同濟(jì)大學(xué)

聯(lián)合大學(xué).jpg

聯(lián)合大學(xué)

寶潔公司

美國保潔

強(qiáng)生=

美國強(qiáng)生

瑞士羅氏

瑞士羅氏

當(dāng)前位置首頁 > 新聞中心

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 273 次 發(fā)布時(shí)間:2024-06-06

準(zhǔn)確預(yù)測鹽水-氣體界面張力對于優(yōu)化儲(chǔ)層中氣體的分布和運(yùn)移至關(guān)重要。這有助于減少氣體泄漏風(fēng)險(xiǎn)、提高儲(chǔ)存容量,并保障地下氣體儲(chǔ)存的長期穩(wěn)定性,同時(shí)推動(dòng)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(shí)驗(yàn)法)存在耗時(shí)、費(fèi)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(jī)器學(xué)習(xí)算法顯示出了良好的預(yù)測潛力。在眾多機(jī)器學(xué)習(xí)方法中,自動(dòng)機(jī)器學(xué)習(xí)(AutoML)算法可處理具有多個(gè)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(hào)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(jī)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(shí),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(dòng)機(jī)器學(xué)習(xí)和符號(hào)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(dòng)機(jī)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(gè)候選機(jī)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(jī)器學(xué)習(xí)模型,作為個(gè)體;


基于所述歸一化數(shù)據(jù),對每個(gè)所述個(gè)體的第一預(yù)測結(jié)果進(jìn)行性能評(píng)估,得到每個(gè)所述個(gè)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(gè)體;


設(shè)置所述被選個(gè)體的數(shù)量加1,并判斷所述被選個(gè)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(jī)器學(xué)習(xí)模型步驟;若否,對所述被選個(gè)體進(jìn)行變異,得到變異后個(gè)體;


基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)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(jī)器學(xué)習(xí)模型步驟;若否,將當(dāng)前所述后代個(gè)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(bǔ)充數(shù)據(jù)集,合并所述補(bǔ)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(hào)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(píng)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(gè)所述個(gè)體的第一預(yù)測結(jié)果進(jìn)行性能評(píng)估,得到每個(gè)所述個(gè)體的選擇概率,具體為:


將所述歸一化數(shù)據(jù)作為所述個(gè)體的輸入,得到所述個(gè)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(píng)估,得到對應(yīng)個(gè)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(gè)體,具體為:


順序排列所有個(gè)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(gè)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(gè)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(gè)體。


可選地,對所述被選個(gè)體進(jìn)行變異,得到變異后個(gè)體,具體為:改變所述個(gè)體的結(jié)構(gòu)或參數(shù)。


可選地,基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)體,具體為:


分別從各個(gè)變異后個(gè)體中提取特征進(jìn)行組合,生成新的特征集,作為后代個(gè)體的特征表示,得到所述后代個(gè)體。


可選地,基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)體,具體為:


將各個(gè)變異后個(gè)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(gè)體。


可選地,基于所述變異后個(gè)體,進(jìn)行個(gè)體間交叉,生成后代個(gè)體,具體為:


將一個(gè)變異后個(gè)體的分部,結(jié)合到另一個(gè)不同的變異后個(gè)體的決策邊界中,創(chuàng)建具有新結(jié)構(gòu)個(gè)體,作為所述后代個(gè)體。


可選地,對所述候選表達(dá)式的適應(yīng)度進(jìn)行性能評(píng)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(gè)所述候選表達(dá)式的第三預(yù)測結(jié)果進(jìn)行性能評(píng)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(dòng)機(jī)器學(xué)習(xí)和符號(hào)回歸模型融合遺傳算法、自動(dòng)機(jī)器學(xué)習(xí)和符號(hào)回歸方法,進(jìn)行界面張力的預(yù)測,相較于傳統(tǒng)實(shí)驗(yàn)測量方法,提高了界面張力的預(yù)測速度和精度,同時(shí)通過數(shù)學(xué)表達(dá)式提高了數(shù)據(jù)驅(qū)動(dòng)模型的可解釋性。