极端梯度提升与随机森林融合的天然气露点预测方法

目的 解决目前水露点数据多为人工采用测量仪器测得,时效性低且成本高昂的问题。方法 建立一种基于极端梯度提升(XGBoost)和随机森林(RF)的天然气水露点预测方法。采用XGBoost方法对所有监测工艺参数进行分析,筛选出主要影响水露点的关键工艺特征参数,以排除无关特征参数对预测的干扰。建立RF预测模型,输入关键特征集参数,实现对水露点的实时预测。以重庆气矿某脱水监测系统监测数据与生产数据为例,对所提预测方法进行对比分析验证。结果 相较于XGBoost、SVM等预测方法,RF模型具有最佳的预测性能,且经过XGBoost特征选择后,RF预测结果的MAE值降低了0.016 9 ℃,RMSE值降低了0.014 6 ℃。结论 基于极端梯度提升与随机森林融合的水露点预测方法具有更优的预测精度与鲁棒性,对指导脱水现场生产具有积极作用。     

数模融合驱动的集输管道内腐蚀预测

为提升天然气集输管道内壁腐蚀深度预测精度,基于腐蚀机理模型与高斯过程回归(GPR)建立了数模融合驱动的管道内腐蚀深度预测模型。将GPR引入管道内壁腐蚀深度预测中,首先根据腐蚀深度物理模型得到线性腐蚀增量模型,并将其融入高斯过程线性核函数中;然后进一步将平方指数核函数融合至上述核函数中,提高模型局部学习能力,构建用于腐蚀深度预测的Velázquez-GP模型;最后以重庆气矿天高线B段管道内壁腐蚀监测数据为研究对象,探讨了Velázquez-GP与Velázquez模型、GPR法、GM(1, 1)法及RPGM(1, 1)法预测结果的差异。结果表明,Velázquez-GP的预测结果与实际值吻合情况最优,相对误差分布在-8%～8%,且持续20个月相对误差介于-2%～2%,均方根误差(E_RMS)为3.824 3μm,平均绝对百分比误差(E_MAP)为2.046 7%,各项评价指标均优于4种对比方法,证明了所建预测模型具有更高的预测精度及泛化能力,可有效并长期实现对管道内壁腐蚀深度的预测。