CN110909451A - 一种基于神经网络的原油切水方法及*** - Google Patents
一种基于神经网络的原油切水方法及*** Download PDFInfo
- Publication number
- CN110909451A CN110909451A CN201911048784.4A CN201911048784A CN110909451A CN 110909451 A CN110909451 A CN 110909451A CN 201911048784 A CN201911048784 A CN 201911048784A CN 110909451 A CN110909451 A CN 110909451A
- Authority
- CN
- China
- Prior art keywords
- oil
- water
- crude oil
- neural network
- height
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 220
- 239000010779 crude oil Substances 0.000 title claims abstract description 102
- 238000005520 cutting process Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000003921 oil Substances 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 24
- 238000013517 stratification Methods 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000018044 dehydration Effects 0.000 abstract description 3
- 238000006297 dehydration reaction Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 41
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于神经网络的原油切水方法，属于原油脱水技术领域，解决了油水界面高度的检测准确度较差及切水效果较差问题。一种基于神经网络的原油切水方法，包括以下步骤：采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，形成油水界面神经网络模型；计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；在油水分层后根据最优静置时间对应的切水量进行切水。实现了更准确的确定油水界面高度，并使得切水效果更好。
Description
技术领域
本发明涉及原油脱水技术领域，尤其是涉及一种基于神经网络的原油切水方法及***。
背景技术
原油在生产过程中，无法避免会将水和油一起收集，原油会含有大量的水，严重影响油品的质量，为了提高油品的性质，需要对原油进行脱水处理，原油中的水分在重力的作用下会降落到油罐的底部，经过一段静置时间后，把油罐底部的水放出来，就完成了原油切水的整个过程，但工作人员在一般通过工作经验来判断油水界面来进行切水还是出油，这种方式容易将油和水一起放出来，造成油品的浪费和环境污染，随着科学技术的发现，急切需要将新的科学技术用到原油切水的方法研发中。
目前使用的原油切水技术，都是通过安装自动切水器通过在线监测油水界面，以便实现自动切水，避免在脱水过程需要人为进行判断，并安全环保的完成一次切水过程；由于原油和水混合物混合物成分的复杂性，现有的油水界面检测仪的检测油水界面高度的准确度较差、稳定性也不太好，导致切水效果较差；有的企业并没有安装自动切水器装置，因为安装装置对于小的企业会带来一定的经济负担，且需要定期给检测仪进行清洗和维护，增加了工作人员的负担。
发明内容
本发明的目的在于至少克服上述一种技术不足，提出一种基于神经网络的原油切水方法及***。
一方面，本发明提供了一种基于神经网络的原油切水方法及***，包括以下步骤：
采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；
确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；
通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；
利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水。
进一步地，所述确定传递函数、训练函数以及网络结构，具体包括，确定所述传递函数为logsig或tansig函数、所述训练函数为traingd、traingda或trainlm函数，所述网络结构包括神经网络的输入层、隐含层和输出层。
进一步地，所述隐含层的输出为
所述输出层的输出为
其中，n为输入层单元个数，o为隐含层的单元个数，h为输出层的个数，βij和βkj为连接权值，θj和θk为神经元阀值，xi为输入的历史数据，bj为隐含层输出值，yj为油水界面的高度，f(x)为传递函数。
进一步地，根据所述油水界面高度，确定原油切水量，具体包括，
利用公式v＝πr2H，计算确定原油切水量，其中，v为原油的切水量，r为油罐地面的半径，H为油水界面高度。
另一方面，本发明还提供了一种基于神经网络的原油切水***，包括数据采集模块、神经网络模型构建模块、最优静置时间确定模块和切水模块；
所述数据采集模块，用于采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；
所述神经网络模型构建模块，用于确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；
最优静置时间确定模块，用于通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；
所述切水模块，用于利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水。
进一步地，所述神经网络模型构建模块，所述确定传递函数、训练函数以及网络结构，具体包括，确定所述传递函数为logsig或tansig函数、所述训练函数为traingd、traingda或trainlm函数，所述网络结构包括神经网络的输入层、隐含层和输出层。
进一步地，所述最优静置时间确定模块根据所述油水界面高度，确定原油切水量，具体包括，
利用公式v＝πr2H，计算确定原油切水量，其中，v为原油的切水量，r为油罐地面的半径，H为油水界面高度。
与现有技术相比，本发明的有益效果包括：通过采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水；实现了更准确的确定油水界面高度，并使得切水效果更好。
附图说明
图1为本发明实施例1所述的基于神经网络的原油切水方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的实施例提供了一种基于神经网络的原油切水方法，其流程示意图，如图1所示，包括以下步骤：
采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；
确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；
通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；
利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水。
具体实施时，在建立油水界面神经网络模型时，采集原油的密度、粘度和进油量的数据及静置时间；检测此静置时间下的油水界面高度，并计算出油罐切水量，油罐根据切水量进行切水，在切水之后化验出油含水率，根据这些数据作为样本数据，取多组数据，对神经网络进行训练，构建出油水界面高度神经网络模型
在确定最优静置时间时，可根据原油的密度、粘度、进油量、静置时间计算出对应的油水界面高度；选择m个静置时间，根据油水界面高度神经网络模型计算出各个静置时间及对应原油的密度、粘度、进油量条件下的油水界面高度，根据不同静置时间下对应的油水界面高度，计算出油罐不同的切水量，根据切水量进行切水后，检测出油含水率，选择最低出油含水率对应的静置时间为最优静置时间；
根据不同静置时间下对应的油水界面高度，计算出对不同的(油罐)原油切水量；获取不同切水量下的出油含水率，选择最低含水率下的切水量对应的静置时间为最优静置时间；然后，根据计算出来的最优静置时间和对应的切水量，先对原油进行最优时间的静置，在油水分层后根据切水量进行切水；
优选的，所述确定传递函数、训练函数以及网络结构，具体包括，确定所述传递函数为logsig或tansig函数、所述训练函数为traingd、traingda或trainlm函数，所述网络结构包括神经网络的输入层、隐含层和输出层。
所述传递函数采用S型函数，训练函数可根据问题的复杂性、样本数据的数量、误差目标等进行选择；考虑样本数据的大小选择两层网络还是多层网络，数据相对较小选择两层网络，否则添加一个隐层；输入层的节点数根据输入的矢量维数进行选取，本发明实施例中所述矢量维度为4，即密度、粘度、进油量、静置时间4为维度。
输出层的节点数根据表示该数据类型的数据大小和输出的数据类型，隐含层的节点数根据以下公式选取
其中，δ表示为[1,10]之间的常数；
优选的，所述隐含层的输出为
所述输出层的输出为
其中，n为输入层单元个数，o为隐含层的单元个数，h为输出层的个数，βij和βkj为连接权值，θj和θk为神经元阀值，xi为输入的历史数据，bj为隐含层输出值，yj为油水界面的高度，f(x)为传递函数。
优选的，根据所述油水界面高度，确定原油切水量，具体包括，
利用公式v＝πr2H，计算确定原油切水量，其中，v为原油的切水量，r为油罐地面的半径，H为油水界面高度。
实施例2
本发明实施例提供一种基于神经网络的原油切水***，包括数据采集模块、神经网络模型构建模块、最优静置时间确定模块和切水模块；
所述数据采集模块，用于采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；
所述神经网络模型构建模块，用于确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；
最优静置时间确定模块，用于通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；
所述切水模块，用于利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水。
优选的，所述神经网络模型构建模块，所述确定传递函数、训练函数以及网络结构，具体包括，确定所述传递函数为logsig或tansig函数、所述训练函数为traingd、traingda或trainlm函数，所述网络结构包括神经网络的输入层、隐含层和输出层。
优选的，所述最优静置时间确定模块根据所述油水界面高度，确定原油切水量，具体包括，
利用公式v＝πr2H，计算确定原油切水量，其中，v为原油的切水量，r为油罐地面的半径，H为油水界面高度。
需要说明的是，实施例1和实施例2为重复描述之处可相互借鉴。
本发明公开了一种基于神经网络的原油切水方法及***，通过采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水；实现了更准确的确定油水界面高度，并使得切水效果更好，此外，检测油水界面高度的稳定性更好，减少了工作人员的负担。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (7)
1.一种基于神经网络的原油切水方法，其特征在于，包括以下步骤：
采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；
确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；
通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；
利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水。
2.根据权利要求1所述的基于神经网络的原油切水方法，其特征在于，所述确定传递函数、训练函数以及网络结构，具体包括，确定所述传递函数为logsig或tansig函数、所述训练函数为traingd、traingda或trainlm函数，所述网络结构包括神经网络的输入层、隐含层和输出层。
3.根据权利要求2所述的基于神经网络的原油切水方法，其特征在于，所述隐含层的输出为
所述输出层的输出为
其中，n为输入层单元个数，o为隐含层的单元个数，h为输出层的个数，βij和βkj为连接权值，θj和θk为神经元阀值，xi为输入的历史数据，bj为隐含层输出值，yj为油水界面的高度，f(x)为传递函数。
4.根据权利要求1所述的基于神经网络的原油切水方法，其特征在于，根据所述油水界面高度，确定原油切水量，具体包括，
利用公式v＝πr2H，计算确定原油切水量，其中，v为原油的切水量，r为油罐地面的半径，H为油水界面高度。
5.一种基于神经网络的原油切水***，其特征在于，包括数据采集模块、神经网络模型构建模块、最优静置时间确定模块和切水模块；
所述数据采集模块，用于采集油罐原油的密度、粘度、进油量、静置时间以及油水界面高度的历史数据；
所述神经网络模型构建模块，用于确定传递函数、训练函数以及网络结构，建立油水界面高度与原油的密度、粘度、进油量、静置时间对应的神经网络数学模型，并对所述神经网络数学模型进行训练，形成油水界面神经网络模型；
最优静置时间确定模块，用于通过所述油水界面神经网络模型，计算不同静置时间下的油水界面高度，根据所述油水界面高度，确定原油切水量，并获取出油含水率，根据不同静置时间下的原出油含水率，确定原油的最优静置时间；
所述切水模块，用于利用最优静置时间对原油进行静置，在油水分层后根据最优静置时间对应的切水量进行切水。
6.根据权利要求5所述的基于神经网络的原油切水***，其特征在于，所述神经网络模型构建模块，所述确定传递函数、训练函数以及网络结构，具体包括，确定所述传递函数为logsig或tansig函数、所述训练函数为traingd、traingda或trainlm函数，所述网络结构包括神经网络的输入层、隐含层和输出层。
7.根据权利要求5所述的基于神经网络的原油切水***，其特征在于，所述最优静置时间确定模块根据所述油水界面高度，确定原油切水量，具体包括，
利用公式v＝πr2H，计算确定原油切水量，其中，v为原油的切水量，r为油罐地面的半径，H为油水界面高度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911048784.4A CN110909451A (zh) | 2019-10-31 | 2019-10-31 | 一种基于神经网络的原油切水方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911048784.4A CN110909451A (zh) | 2019-10-31 | 2019-10-31 | 一种基于神经网络的原油切水方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909451A true CN110909451A (zh) | 2020-03-24 |
Family
ID=69816127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911048784.4A Pending CN110909451A (zh) | 2019-10-31 | 2019-10-31 | 一种基于神经网络的原油切水方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909451A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111494988A (zh) * | 2020-06-30 | 2020-08-07 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法、设备及存储介质 |
| CN112940775A (zh) * | 2021-02-20 | 2021-06-11 | 东北石油大学 | 一种优化脉冲电场原油脱水参数的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280430A (zh) * | 2014-10-14 | 2015-01-14 | 西安理工大学 | 一种原油含水率测量装置及测量方法 |
| CN109917642A (zh) * | 2017-12-13 | 2019-06-21 | 中国石油化工股份有限公司 | 一种原油三相分离器油水界面模糊优化控制方法 |
-
2019
- 2019-10-31 CN CN201911048784.4A patent/CN110909451A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280430A (zh) * | 2014-10-14 | 2015-01-14 | 西安理工大学 | 一种原油含水率测量装置及测量方法 |
| CN109917642A (zh) * | 2017-12-13 | 2019-06-21 | 中国石油化工股份有限公司 | 一种原油三相分离器油水界面模糊优化控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯婷婷: "油水界面的软测量技术研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 杨忠平等: "吉林油田联合站老化原油成因与脱水方法研究", 《油田化学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111494988A (zh) * | 2020-06-30 | 2020-08-07 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法、设备及存储介质 |
| CN111494988B (zh) * | 2020-06-30 | 2020-09-29 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法及设备 |
| CN112940775A (zh) * | 2021-02-20 | 2021-06-11 | 东北石油大学 | 一种优化脉冲电场原油脱水参数的方法 |
| CN112940775B (zh) * | 2021-02-20 | 2021-08-17 | 东北石油大学 | 一种优化脉冲电场原油脱水参数的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN112016175B (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
| WO2023109370A1 (zh) | 排水管网的故障检测方法、设备、服务器及存储介质 | |
| CN107358347A (zh) | 基于工业大数据的装备集群健康状态评估方法 | |
| CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
| CN111582755A (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
| CN110929359B (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
| CN110909451A (zh) | 一种基于神经网络的原油切水方法及*** | |
| CN107273273A (zh) | 一种分布式集群硬件故障预警方法及*** | |
| CN107292383A (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
| CN102902985A (zh) | 基于二类支持向量机和粒子群算法的近海水质评价方法 | |
| CN113157732B (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
| CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
| CN110414048A (zh) | 井间连通性分析方法及装置 | |
| WO2024021642A1 (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
| CN115775045A (zh) | 一种基于历史相似日和实时多维研判的光伏平衡预测方法 | |
| CN115392617A (zh) | 一种基于环境异质性的水库库尾河段水环境安全评估方法 | |
| CN114399193A (zh) | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
| CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
| CN114896459A (zh) | 一种利用有向图的雨水管网污水偷排溯源方法 | |
| CN109002946B (zh) | 一种河湖补水的“两库—两站”***水资源优化调度方法 | |
| CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
| CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析***和方法 | |
| CN116992385B (zh) | 一种物联网水表用量异常检测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |