On the prediction of solubility of alkane in carbon dioxide using the LSSVM algorithm

The increasing global energy demand and declination of oil reservoir in recent years cause the researchers attention focus on the enhancement of oil recovery approaches. One of the extensive applicable methods for enhancement of oil recovery, which has great efficiency and environmental benefits, is carbon dioxide injection. The CO₂ injection has various effects on the reservoir fluid, which causes enhancement of recovery. One of these effects is extraction of lighter components of crude oil, which straightly depends on solubility of hydrocarbons in carbon dioxide. In order to better understand of this parameter, in this study, Least squares support vector machine (LSSVM) algorithm was developed as a novel predictive tool to estimate solubility of alkane in CO₂ as function of carbon number of alkane, carbon dioxide density, pressure, and temperature. The predicting model outputs were compared with the extracted experimental solubility from literature statistically and graphically. The comparison showed the great ability and high accuracy of developed model in prediction of solubility.     

Modeling dynamic viscosity of n-alkanes using LSSVM technique

One of the important thermophysical properties is viscosity which expresses the resistance of fluid to flow. The least squares support vector machine (LSSVM) algorithm is proposed as a novel method for prediction of dynamic viscosity of different normal alkanes in a wide range of pressure and temperature. As this study is purely computational, 228 experimental data points were gathered from literature for training and validation of the model. The outcomes of the LSSVM algorithm were compared with the actual data with acceptable average absolute relative deviation and the coefficient of determination (R²) of 1.014 and 0.9968, respectively. The comparisons showed that the predicting model has the potential of prediction of n-alkane dynamic viscosity in terms of pressure, temperature, and carbon number of n-alkane, so this strategy can be used as a simple tool for predicting the behavior of reservoir fluids.     

基于彩色图像处理的浮选尾煤灰分软测量研究

浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量，以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题，提出了一种基于彩色图像处理的浮选尾煤软测量方法，建立了基于最小二乘支持向量机(LSSVM)的浮选尾煤灰分软测量模型。模型以不同颜色空间的彩色特征、灰度均值以及浓度特征为输入变量，以尾煤灰分作为输出变量，采用粒子群优化算法对LSSVM模型参数进行优化。结果表明：所建立的尾煤灰分软测量模型可以较好地实现浮选尾矿灰分的在线预测，引入浮选尾矿图像的彩色特征可以提高尾煤图像分析的精度，预测精度达96.89%。研究成果在柳湾选煤厂现场应用，并取得了较好的尾矿灰分测量效果。     

基于LSSVM的真空玻璃传热过程建模

真空玻璃传热过程隔热性能和质量评价关键指标-传热系数(U值)受真空度影响,难以精确检测。为实现真空玻璃隔热性能和质量的快速评定,建立了基于LSSVM的真空玻璃传热过程智能模型,应用MATLAB软件和实验数据,对真空玻璃传热过程进行了模拟,在线预测了真空玻璃传热后侧(非热源侧)的中心温度。结果表明:模型理论正确,预测迅速(时间1 s),误差小(相对误差1.2%),为真空玻璃隔热性能和真空玻璃质量的快速评定提供了一种新的技术手段。同时,也为后续研究能将温度参数预测转化为传热系数预测奠定一定的理论和应用基础。     

基于VMD的螺栓松动状态识别

针对螺栓出现松动故障信号产生非线性、非平稳的现象,提出一种基于VMD与LSSVM模型相结合的螺栓松动状态识别方法。搭建螺栓松动实验平台采集螺栓松动状态下4种工况的振动信号;利用VMD分解对螺栓松动状态各个工况下的振动信号进行分解,并计算VMD分解后各模态分量的能量熵,最后以各工况下VMD分解的各模态分量能量熵为特征构造特征向量矩阵,通过LSSVM模型进行训练与状态识别。实验结果表明:该方法可以有效的识别出的螺栓松动状态,并通过与EMD-LSSVM模型进行对比,验证了该方法用于螺栓松动状态识别的有效性、可行性与相较其EMD分解方法的优越性。     

基于最小二乘支持向量机的土石坝渗透系数反演

针对土石坝渗透参数和测压管水位间复杂的非线性关系,应用最小二乘支持向量机于土石坝渗透系数的反演。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体水压分量相对值和渗透系数间复杂的非线性关系,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝渗透系数的反演值。以某土石坝为例经对比分析,该方法是可行的。     

基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测

目的 构建海洋管线外腐蚀速率预测模型,提高海底油气管线外腐蚀速率预测的准确性.方法 建立基于套索(LASSO)回归和鲸鱼优化算法(WOA)的最小二乘支持向量机(LSSVM)腐蚀速率预测模型,采用LASSO回归方法对指标进行筛选,提取海洋管线腐蚀的主要影响因素.应用最小二乘支持向量机算法建立海洋管线外腐蚀速率预测模型,并使用鲸鱼优化算法对模型参数进行优化,避免了参数取值对模型回归性能的影响.以海洋挂片实验为例,通过MATLAB进行模拟仿真,分析验证模型预测结果,并将预测结果与其他模型进行对比分析.结果 LASSO回归算法筛选得到影响腐蚀速率的主要因素为:温度、溶解氧含量、pH值.采用WOA-LSSVM模型所预测的结果与实际值较为吻合,其平均相对误差为2.23％,均方根误差(RMSE)为0.3248,决定系数R2达到0.9708,均优于其他两种模型.结论 基于LASSO回归和鲸鱼优化算法的最小二乘支持向量机预测模型具有更优的泛化能力和预测精度,为海底管道腐蚀研究工作提供了新思路,也为海洋油气输送系统的结构安全与风险防范提供了参考.     

基于SOA-LSSVM的SLS成形工艺参数优化研究

为提高选择性激光烧结( SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM), 建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明：SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。     

基于EEMD能量熵和LSSVM的传感器故障诊断

传感器作为动车组制动系统的关键部件,其能否正常工作直接影响动车组的安全稳定运行.集成经验模态分解克服了经验模态分解的模态混叠现象,分解出的各个内禀模态函数突出了故障的局部特征,并求解其能量熵组成故障特征向量,然后把故障特征向量输入到最小二乘支持向量机(LSSVM)进行故障识别和分类.同时采用粒子群优化算法对LSSVM的结构参数进行择优.测试结果表明:该故障诊断模型对动车组AS压力传感器故障具有较高的正确分类率.     

基于LSSVM的卫星姿态控制系统故障诊断

提出了一种基于最小二乘支持向量机(LSSVM)非线性观测器的卫星姿态控制系统故障诊断方法。与标准的支持向量机回归算法相比,最小二乘支持向量机回归算法收敛速度快,适用于在线训练。该方法利用其回归逼近非线性函数的能力,设计基于最小二乘支持向量机的非线性系统状态观测器,在线训练最小二乘支持向量机回归,并用于估计卫星姿态控制系统故障。最后,通过仿真验证了这种方法可以快速准确地估计出卫星姿态控制系统的故障。