Методы построения калибровочных моделей для прогнозирования свойств

«Методы построения калибровочных моделей для прогнозирования свойств индивидуальных углеводородов»

Интеллектуальный анализ данных (ИАД) или Data mining: Исследование и обнаружение вычислительной машиной (алгоритмами, средствами искусственного интеллекта) в сырых данных скрытых знаний, которые ранее были не известны, нетривиальны, практически полезны, доступны для интерпретации человеком.

Примеры применения Казначейство США ◦ Финансовые преступления - поиск подозрительных транзакций Управление по борьбе с наркотиками ◦ Анализ телефонных переговоров подозреваемых HSBC ◦ Снижение затрат на рассылки за счет анализа клиентской базы Финансовая группа Capital One ◦ Анализ клиентской базы и подбор соответствующих продуктов и идентификация мошенников BBC ◦ Использование ИАД для составление сетки вещания Boeing ◦ Улучшение тех. процессов Southern California Gas Company ◦ Применение ИАД как средства стратегического маркетинга

Интеллектуальный анализ данных в нефтегазовой отрасли Основное направление – анализ геологических данных. ◦ Классификация коллектор – не коллектор. ◦ Анализ изображений в литологии. Регрессионный анализ и деревья решений ◦ Зависимости между уплотнением сетки скважин и характеристиками месторождения. ◦ Зависимости между оценками конечной (суммарной) добычи и геологическими/пластовыми характеристиками. Нейронные сети ◦ Идентификация литофаций с помощью карт Кохонена. ◦ Прогнозирование оценки конечной (суммарной) добычи из геологических характеристик. Визуализация и поиск трендов Хемометрика ◦ Контроль качества ◦ Экспресс-методы анализа

Хемометрика – это химическая дисциплина, применяющая математические, статистические и другие методы, для построения или отбора оптимальных методов измерения и планов эксперимента, а также для извлечения наиболее важной информации при анализе экспериментальных данных

Методы определения ОЧ • Моторные методы: Арбитражные Экспресс • ГОСТ Р 52946 -52947 -2008 • ГОСТ 8226 -82 • ГОСТ 511 -82 • ASTM D 2699 – 2700 • EN ISO 5163 - 5164: 2005 • Хроматография • По диэлектрической проницаемости • ИК-Фурье-спектрометрия • По показателю преломления

Методика определения ОЧ Углеводород Измерение спектра Диапазон длин волн: 400 - 4000, 4000 -12500 см-1 , Оптическое разрешение: 2 см-1 Построение градуировочной модели Предсказание ОЧ Выбор характеристических областей. Использование метода ПЛС с кроссвалидацией

Компоненты модельных смесей бензинов Индивидуальные углеводороды Для предсказания ОЧ использовались индивидуальные углеводороды, потенциально входящие в состав бензинов (23 соединения). Н-парафины (Нормальные алканы) – 4 - вещества Изо-парафины (Метилы) – 11 веществ Арены (Ароматические) – 8 веществ

Исходные данные

Результаты спектроскопии Спектры углеводородов в БИК-диапазоне (NIR)(4000 -12000 см-1) Спектры углеводородов в среднем ИКдиапазоне(MIR) (400 -4000 см-1)

Подготовка данных Ø Импорт данных в Rapid. Miner Studio Ø Использование Метода главных компонент Метод Главных Компонент (англ. Principal Components Analysis, PCA) — один из основных способов уменьшить размерность данных, потеряв наименьшее количество информации.

Регрессия на главные компоненты I МГК II Многомерная Линейная Регрессия Многомерная линейная регрессия — это линейная регрессия в n-мерном пространстве. Задачей множественной линейной регрессии является построение линейной модели связи между набором непрерывных предикторов и непрерывной зависимой переменной. Регрессионный анализ используется для прогноза, анализа временных рядов, тестирования гипотез и выявления скрытых взаимосвязей в данных.

Нейронные сети Иску сственная нейро нная се ть (ИНС) — математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Оператор перебора параметров Optimize parameters (Grid)

PLS

Деревья решений (регрессии) Дерево решений – бинарное дерево, где в каждом узле происходит проверка условия Каждая ветвь представляет собой результат такой проверки. В каждом листе получается предсказанное значение

Сравнение результатов Октановое число для 3 -х классов веществ и всех веществ, в среднем ИК диапазоне

Сравнение результатов Октановое число для 3 -х классов веществ и всех веществ, в ближнем ИК диапазоне

Сравнение моделей 14. 758 16 ОКТАНОВОЕ ЧИСЛО MIR NIR 14 RMSE 12 10 10. 840 9. 849 7. 375 7. 184 8 6 5. 969 4 1. 567 2 2. 903 0 PLS(OPUS) PCR Методы NN PLS

Сравнение моделей PCR RMSE (MIR) 30. 000 26. 134 23. 972 22. 085 22. 382 25. 000 NN 20. 000 13. 249 11. 648 15. 000 10. 000 7. 184 7. 375 4. 799 4. 305 5. 000 0. 000 ОКТАНОВОЕ ЧИСЛО ТЕМПЕРАТУРА КИПЕНИЯ КОЭФФИЦИЕНТ ПРЕЛОМЛЕНИЯ МОЛЯРНАЯ РЕФРАКЦИЯ ПЛОТНОСТЬ

Сравнение моделей RMSE (NIR) 27. 198 30. 000 PCR NN 25. 000 17. 727 20. 000 15. 000 10. 840 24. 864 16. 872 15. 121 9. 351 5. 969 4. 892 4. 998 5. 000 0. 000 ОКТАНОВОЕ ЧИСЛО ТЕМПЕРАТУРА КИПЕНИЯ КОЭФФИЦИЕНТ ПРЕЛОМЛЕНИЯ МОЛЯРНАЯ РЕФРАКЦИЯ ПЛОТНОСТЬ

Сравнение моделей PСR 30. 000 27. 198 26. 134 MIR NIR 25. 000 24. 864 23. 972 20. 000 15. 121 13. 249 15. 000 10. 840 10. 000 7. 184 4. 799 4. 892 5. 000 0. 000 ОКТАНОВОЕ ЧИСЛО ТЕМПЕРАТУРА КИПЕНИЯ КОЭФФИЦИЕНТ ПРЕЛОМЛЕНИЯ МОЛЯРНАЯ РЕФРАКЦИЯ ПЛОТНОСТЬ

Сравнение моделей NEURAL NET 25. 000 22. 382 20. 000 MIR NIR 17. 727 22. 085 16. 872 15. 000 10. 000 7. 375 11. 648 9. 351 5. 969 4. 305 4. 998 5. 000 0. 000 ОКТАНОВОЕ ЧИСЛО ТЕМПЕРАТУРА КИПЕНИЯ КОЭФФИЦИЕНТ ПРЕЛОМЛЕНИЯ МОЛЯРНАЯ РЕФРАКЦИЯ ПЛОТНОСТЬ

Сравнение моделей Октановое Число (MIR) 18. 000 PCR NN 15. 511 16. 000 14. 000 12. 000 10. 000 8. 000 6. 000 4. 000 2. 597 3. 849 1. 061 3. 092 1. 560 0. 000 АРОМАТИКА ИЗО-ПАРАФИНЫ АЛКАНЫ

Сравнение моделей Октановое Число (NIR) 9. 000 PCR NN 7. 663 8. 000 7. 000 6. 000 5. 000 3. 401 4. 000 2. 226 3. 000 2. 000 1. 000 3. 737 0. 880 0. 696 0. 000 АРОМАТИКА ИЗО-ПАРАФИНЫ АЛКАНЫ

Выводы Результатом реализации рассмотренных методик стали модели, способные спрогнозировать химические и физические свойства индивидуальных углеводородов по их среднему и ближнему инфракрасному спектру. Полученные модели были исследованы и оценены, проведено детально сравнение этих моделей между собой. Данные модели могут быть применены на производстве углеводородов в качестве методов экспресс-анализа веществ и для контроля в реальном времени.