基于半监督学习-多通道卷积神经网络的加氢裂化产品性质预测

摘要：

提出了一种用于加氢裂化产品性质预测的半监督学习-多通道卷积神经网络(SSL-MCCNN),通过逐层卷积实现加氢裂化工艺流程空间域局部特征提取,并基于多通道采样实现了时域特征提取.在应对模型训练中由于产品性质数据量不足导致的小样本学习问题方面,基于教师-学生半监督学习(TS-SSL)生成虚拟样本集实现了数据扩充,进一步提升了模型预测性能.基于SSL-MCCNN对煤油-柴油加氢裂化工业装置重石脑油密度和柴油闪点预测的均方根误差(RMSE)分别为0.83和1.03,判定系数(R2)分别为0.90和0.98,与BP神经网络(BPNN)和径向基神经网络(RBFNN)相比,SSL-MCCNN在实现最小RMSE的同时达到了最优R2.实验结果表明,所提出的SSL-MCCNN有效提取了加氢裂化工艺流程的时空域特征,显著提升了模型预测性能.

关键词：半监督学习、多通道卷积神经网络、加氢裂化、特征提取、产品性质、预测

所属期刊栏目：39

分类号：TE624(石油、天然气加工工业)

资助基金：中海油惠州石化科研项目E-2421E002

在线出版日期：2023-02-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：97-108