CN116359285A - 一种基于大数据的油气浓度智能检测***及方法 - Google Patents
一种基于大数据的油气浓度智能检测***及方法 Download PDFInfo
- Publication number
- CN116359285A CN116359285A CN202310392587.4A CN202310392587A CN116359285A CN 116359285 A CN116359285 A CN 116359285A CN 202310392587 A CN202310392587 A CN 202310392587A CN 116359285 A CN116359285 A CN 116359285A
- Authority
- CN
- China
- Prior art keywords
- data
- oil gas
- module
- gas concentration
- concentration
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000013079 data visualisation Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000003912 environmental pollution Methods 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 239000013307 optical fiber Substances 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 20
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 231100000719 pollutant Toxicity 0.000 claims description 14
- 239000003053 toxin Substances 0.000 claims description 14
- 231100000765 toxin Toxicity 0.000 claims description 14
- 108700012359 toxins Proteins 0.000 claims description 14
- 239000002912 waste gas Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明提供一种基于大数据的油气浓度智能检测***及方法，涉及油气浓度智能检测技术领域。该基于大数据的油气浓度智能检测***及方法，该***包括大数据油气浓度智能检测***、数据采集模块、数据接收模块、大数据分析模块、数据可视化模块。本发明提供一种基于大数据的油气浓度智能检测***及方法，该***当油气传感器检测到环境中存在油气浓度时，将采集到的数据通过光纤传输方式上传到云端存储平台，进行数据处理和分析，再通过对采集到的数据进行处理，可以监测油气浓度的变化趋势和超标情况，并及时发出预警，实现对环境污染的监控和管理，达到智能检测的目的，进而大大降低了人工的参与，提高了油气浓度的检测效率。
Description
技术领域
本发明涉及油气浓度智能检测技术领域，具体为一种基于大数据的油气浓度智能检测***及方法。
背景技术
大数据指高速涌现的大量多样化数据，其特性可简单概括为3V，即Velocity、Volume、Variety，其规模之大令传统数据处理软件束手无策，而新型的大数据技术则能够快速、高效地处理这些数据，在油气浓度的检测过程中，通过大数据进行计算可以为人们带来巨大的便利，基于大数据的油气浓度智能检测是通过利用大数据技术和相关算法，对油田中的油气浓度进行实时监测、分析和预测，以提高油气开采效率，保障生态环境和公共安全并能够及时预警和响应异常情况。
然而传统的油气浓度检测主要依靠人工采样、实验室分析等方法，存在操作繁琐、时间损耗长、实时性差、人为因素较大等问题，为此，急需进行技术改进。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于大数据的油气浓度智能检测***及方法，该方法可以解决传统的油气浓度检测主要依靠人工采样的问题，同时解决了传统油气浓度检测操作繁琐、时间损耗长和实时性差的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于大数据的油气浓度智能检测***及方法，该***包括大数据油气浓度智能检测***、数据采集模块、数据接收模块、大数据分析模块、数据可视化模块；
大数据油气浓度智能检测***，该***当油气传感器检测到环境中存在油气浓度时，将采集到的数据通过光纤传输方式上传到云端存储平台，进行数据处理和分析，再通过对采集到的数据进行处理，可以监测油气浓度的变化趋势和超标情况，并及时发出预警，实现对环境污染的监控和管理，达到智能检测的目的；
数据采集模块，该模块对检测的油气浓度数据进行采集；
数据接收模块，该模块对采集的油气浓度数据进行处理和清洗，再通过从数据中提取出与浓度相关的特征，比如地质地理条件、温度、湿度和时间等；
大数据分析模块，该模块对油气浓度数据进行分析，得出各种指标的分布情况，检测毒素、废气污染物质的出现情况，确定其对人体、生态和环境的影响；
数据可视化模块，该模块展示预测结果，如折线图和热力图，从而更好地理解浓度变化。
优选的，所述数据采集模块包括油气浓度传感器和空气质量监测仪器，通过油气浓度传感器可达到实时监测环境中油气浓度的目的，同时油气传感器利用电学原理进行检测，再通过空气质量监测仪器对空气中的油气成分进行检测和分析，进而实现对油气浓度的快速、准确的检测和监测，有效地避免环境污染问题的发生。
优选的，所述数据接收模块包括数据预处理模块，通过数据预处理模块对采集到的原始数据进行处理和清洗，主要包括选择需要进行分析的数据列、重命名列名、删除重复值、处理缺失值、一致化、排序以及处理异常值等步骤，同时这些操作可以使用Python等编程语言的相关工具和库来实现。
优选的，所述数据接收模块包括数据特征提取模块，通过数据特征提取模块从数据中提取出与分析目标相关的特征，在前期建模过程中需要经常进行特征选择，保证只有与目标相关的特征被用于后续计算。
优选的，所述数据接收模块包括数据存储模块和云端存储平台。
优选的，所述大数据分析模块包括模型训练模块和数据模型选择模块，通过模型训练模块根据实际情况选择合适的学习模型，如线性回归、决策树、支持向量机和神经网络，再通过模型训练模块通过历史数据对所选定的模型进行训练，得到一个预测未来浓度变化的模型支持向量机和神经网络。
优选的，所述大数据分析模块包括浓度预测模块，通过浓度预测模块使已经训练好的模型，根据当前的地理、气象等条件，预测未来一段时间内的油田浓度变化。
优选的，一种基于大数据的油气浓度智能检测方法，包括以下过程：
S1.数据采集模块
首先通过数据采集模块对油气储存的地理位置进行实时的油气浓度数据检测；
S2.数据接收模块
再通过数据接收模块对检测的油气浓度数据进行采集，再对采集的油气浓度数据进行处理和清洗，主要包括选择需要进行分析的数据列、重命名列名、删除重复值、处理缺失值、一致化、排序以及处理异常值等步骤，同时这些操作可以使用Python等编程语言的相关工具和库来实现；
S3.数据特征提取模块
再从数据中提取出与浓度相关的特征，比如地质地理条件、温度、湿度、时间等等；
S4.数据存储模块
其次，再通过数据存储模块使数据传输到云端存储平台；
S5.大数据分析模块
再通过大数据分析模块对油气浓度数据进行分析，得出各种指标的分布情况，检测毒素、废气污染物质的出现情况，确定其对人体、生态和环境的影响；
S6.数据模型选择模块
再通过数据模型选择模块根据实际情况选择合适的学习模型，如线性回归、决策树、支持向量机和神经网络；
S7.模型训练模块
再通过模型训练模块通过历史数据对所选定的模型进行训练，得到一个预测未来浓度变化的模型支持向量机和神经网络；
S8.浓度预测模块
再通过浓度预测模块使已经训练好的模型，根据当前的地理、气象等条件，预测未来一段时间内的油田浓度变化；
S9.数据可视化模块
再通过数据可视化模块展示预测结果，如折线图和热力图，从而更好地理解浓度变化和未来趋势一段时间内的油田浓度变化。
(三)有益效果
本发明提供了一种基于大数据的油气浓度智能检测***及方法。具备以下有益效果：
1、本发明提供了一种基于大数据的油气浓度智能检测***及方法，该***当油气传感器检测到环境中存在油气浓度时，将采集到的数据通过光纤传输方式上传到云端存储平台，进行数据处理和分析，再通过对采集到的数据进行处理，可以监测油气浓度的变化趋势和超标情况，并及时发出预警，实现对环境污染的监控和管理，达到智能检测的目的，进而大大降低了人工的参与，提高了油气浓度的检测效率。
2、本发明提供了一种基于大数据的油气浓度智能检测***及方法，该方法通过大数据分析模块对油气浓度数据进行分析，得出各种指标的分布情况，检测毒素、废气污染物质的出现情况，确定其对人体、生态和环境的影响，同时通过数据可视化模块展示预测结果，如折线图和热力图，从而更好地理解浓度变化和未来趋势一段时间内的油田浓度变化。
附图说明
图1为本发明的方法结构框图；
图2为本发明的***结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1-2所示，本发明实施例提供一种基于大数据的油气浓度智能检测***及方法，该***包括大数据油气浓度智能检测***、数据采集模块、数据接收模块、大数据分析模块、数据可视化模块；
大数据油气浓度智能检测***，该***当油气传感器检测到环境中存在油气浓度时，将采集到的数据通过光纤传输方式上传到云端存储平台，进行数据处理和分析，再通过对采集到的数据进行处理，可以监测油气浓度的变化趋势和超标情况，并及时发出预警，实现对环境污染的监控和管理，达到智能检测的目的；
数据采集模块，该模块对检测的油气浓度数据进行采集；
数据接收模块，该模块对采集的油气浓度数据进行处理和清洗，再通过从数据中提取出与浓度相关的特征，比如地质地理条件、温度、湿度和时间等；
大数据分析模块，该模块对油气浓度数据进行分析，得出各种指标的分布情况，检测毒素、废气污染物质的出现情况，确定其对人体、生态和环境的影响；
数据可视化模块，该模块展示预测结果，如折线图和热力图，从而更好地理解浓度变化。
数据采集模块包括油气浓度传感器和空气质量监测仪器，通过油气浓度传感器可达到实时监测环境中油气浓度的目的，同时油气传感器利用电学原理进行检测，再通过空气质量监测仪器对空气中的油气成分进行检测和分析，进而实现对油气浓度的快速、准确的检测和监测，有效地避免环境污染问题的发生，数据接收模块包括数据预处理模块，通过数据预处理模块对采集到的原始数据进行处理和清洗，主要包括选择需要进行分析的数据列、重命名列名、删除重复值、处理缺失值、一致化、排序以及处理异常值等步骤，同时这些操作可以使用Python等编程语言的相关工具和库来实现，数据接收模块包括数据特征提取模块，通过数据特征提取模块从数据中提取出与分析目标相关的特征，在前期建模过程中需要经常进行特征选择，保证只有与目标相关的特征被用于后续计算，数据接收模块包括数据存储模块和云端存储平台，大数据分析模块包括模型训练模块和数据模型选择模块，通过模型训练模块根据实际情况选择合适的学习模型，如线性回归、决策树、支持向量机和神经网络，再通过模型训练模块通过历史数据对所选定的模型进行训练，得到一个预测未来浓度变化的模型支持向量机和神经网络，大数据分析模块包括浓度预测模块，通过浓度预测模块使已经训练好的模型，根据当前的地理、气象等条件，预测未来一段时间内的油田浓度变化。
一种基于大数据的油气浓度智能检测方法，包括以下过程：
S1.数据采集模块
首先通过数据采集模块对油气储存的地理位置进行实时的油气浓度数据检测；
S2.数据接收模块
再通过数据接收模块对检测的油气浓度数据进行采集，再对采集的油气浓度数据进行处理和清洗，主要包括选择需要进行分析的数据列、重命名列名、删除重复值、处理缺失值、一致化、排序以及处理异常值等步骤，同时这些操作可以使用Python等编程语言的相关工具和库来实现；
S3.数据特征提取模块
再从数据中提取出与浓度相关的特征，比如地质地理条件、温度、湿度、时间等等；
S4.数据存储模块
其次，再通过数据存储模块使数据传输到云端存储平台；
S5.大数据分析模块
再通过大数据分析模块对油气浓度数据进行分析，得出各种指标的分布情况，检测毒素、废气污染物质的出现情况，确定其对人体、生态和环境的影响；
S6.数据模型选择模块
再通过数据模型选择模块根据实际情况选择合适的学习模型，如线性回归、决策树、支持向量机和神经网络；
S7.模型训练模块
再通过模型训练模块通过历史数据对所选定的模型进行训练，得到一个预测未来浓度变化的模型支持向量机和神经网络；
S8.浓度预测模块
再通过浓度预测模块使已经训练好的模型，根据当前的地理、气象等条件，预测未来一段时间内的油田浓度变化；
S9.数据可视化模块
再通过数据可视化模块展示预测结果，如折线图和热力图，从而更好地理解浓度变化和未来趋势一段时间内的油田浓度变化。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于大数据的油气浓度智能检测***，其特征在于：该***包括大数据油气浓度智能检测***、数据采集模块、数据接收模块、大数据分析模块、数据可视化模块；
大数据油气浓度智能检测***，该***当油气传感器检测到环境中存在油气浓度时，将采集到的数据通过光纤传输方式上传到云端存储平台，进行数据处理和分析，再通过对采集到的数据进行处理，可以监测油气浓度的变化趋势和超标情况，并及时发出预警，实现对环境污染的监控和管理，达到智能检测的目的；
数据采集模块，该模块对检测的油气浓度数据进行采集；
数据接收模块，该模块对采集的油气浓度数据进行处理和清洗，再通过从数据中提取出与浓度相关的特征，比如地质地理条件、温度、湿度和时间等；
大数据分析模块，该模块对油气浓度数据进行分析，得出各种指标的分布情况，检测毒素、废气污染物质的出现情况，确定其对人体、生态和环境的影响；
数据可视化模块，该模块展示预测结果，如折线图和热力图，从而更好地理解浓度变化。
2.根据权利要求1所述的一种基于大数据的油气浓度智能检测***，其特征在于：所述数据采集模块包括油气浓度传感器和空气质量监测仪器，通过油气浓度传感器可达到实时监测环境中油气浓度的目的，同时油气传感器利用电学原理进行检测，再通过空气质量监测仪器对空气中的油气成分进行检测和分析，进而实现对油气浓度的快速、准确的检测和监测，有效地避免环境污染问题的发生。
3.根据权利要求1所述的一种基于大数据的油气浓度智能检测***，其特征在于：所述数据接收模块包括数据预处理模块，通过数据预处理模块对采集到的原始数据进行处理和清洗，主要包括选择需要进行分析的数据列、重命名列名、删除重复值、处理缺失值、一致化、排序以及处理异常值等步骤，同时这些操作可以使用Python等编程语言的相关工具和库来实现。
4.根据权利要求1所述的一种基于大数据的油气浓度智能检测***，其特征在于：所述数据接收模块包括数据特征提取模块，通过数据特征提取模块从数据中提取出与分析目标相关的特征，在前期建模过程中需要经常进行特征选择，保证只有与目标相关的特征被用于后续计算。
5.根据权利要求1所述的一种基于大数据的油气浓度智能检测***，其特征在于：所述数据接收模块包括数据存储模块和云端存储平台。
6.根据权利要求1所述的一种基于大数据的油气浓度智能检测***，其特征在于：所述大数据分析模块包括模型训练模块和数据模型选择模块，通过模型训练模块根据实际情况选择合适的学习模型，如线性回归、决策树、支持向量机和神经网络，再通过模型训练模块通过历史数据对所选定的模型进行训练，得到一个预测未来浓度变化的模型支持向量机和神经网络。
7.根据权利要求1所述的一种基于大数据的油气浓度智能检测***，其特征在于：所述大数据分析模块包括浓度预测模块，通过浓度预测模块使已经训练好的模型，根据当前的地理、气象等条件，预测未来一段时间内的油田浓度变化。
8.一种基于大数据的油气浓度智能检测方法，其特征在于：包括以下过程：
S1.数据采集模块
首先通过数据采集模块对油气储存的地理位置进行实时的油气浓度数据检测；
S2.数据接收模块
再通过数据接收模块对检测的油气浓度数据进行采集，再对采集的油气浓度数据进行处理和清洗，主要包括选择需要进行分析的数据列、重命名列名、删除重复值、处理缺失值、一致化、排序以及处理异常值等步骤，同时这些操作可以使用Python等编程语言的相关工具和库来实现；
S3.数据特征提取模块
再从数据中提取出与浓度相关的特征，比如地质地理条件、温度、湿度、时间等等；
S4.数据存储模块
其次，再通过数据存储模块使数据传输到云端存储平台；
S5.大数据分析模块
再通过大数据分析模块对油气浓度数据进行分析，得出各种指标的分布情况，检测毒素、废气污染物质的出现情况，确定其对人体、生态和环境的影响；
S6.数据模型选择模块
再通过数据模型选择模块根据实际情况选择合适的学习模型，如线性回归、决策树、支持向量机和神经网络；
S7.模型训练模块
再通过模型训练模块通过历史数据对所选定的模型进行训练，得到一个预测未来浓度变化的模型支持向量机和神经网络；
S8.浓度预测模块
再通过浓度预测模块使已经训练好的模型，根据当前的地理、气象等条件，预测未来一段时间内的油田浓度变化；
S9.数据可视化模块
再通过数据可视化模块展示预测结果，如折线图和热力图，从而更好地理解浓度变化和未来趋势一段时间内的油田浓度变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310392587.4A CN116359285A (zh) | 2023-04-13 | 2023-04-13 | 一种基于大数据的油气浓度智能检测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310392587.4A CN116359285A (zh) | 2023-04-13 | 2023-04-13 | 一种基于大数据的油气浓度智能检测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116359285A true CN116359285A (zh) | 2023-06-30 |
Family
ID=86908268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310392587.4A Pending CN116359285A (zh) | 2023-04-13 | 2023-04-13 | 一种基于大数据的油气浓度智能检测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116359285A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776104A (zh) * | 2023-08-21 | 2023-09-19 | 华南理工大学 | 基于机器学习实现大气成分的变化规律分析方法及*** |
| CN117434227A (zh) * | 2023-12-20 | 2024-01-23 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分监控方法及*** |
-
2023
- 2023-04-13 CN CN202310392587.4A patent/CN116359285A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776104A (zh) * | 2023-08-21 | 2023-09-19 | 华南理工大学 | 基于机器学习实现大气成分的变化规律分析方法及*** |
| CN116776104B (zh) * | 2023-08-21 | 2023-11-10 | 华南理工大学 | 基于机器学习实现大气成分的变化规律分析方法及*** |
| CN117434227A (zh) * | 2023-12-20 | 2024-01-23 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分监控方法及*** |
| CN117434227B (zh) * | 2023-12-20 | 2024-04-30 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分监控方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116359285A (zh) | 一种基于大数据的油气浓度智能检测***及方法 | |
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
| CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
| CN107480698A (zh) | 基于多个监测指标的质量控制方法 | |
| CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及*** | |
| CN117370900B (zh) | 一种环境保护监测用水质监测*** | |
| CN111622735A (zh) | 一种基于物联网的环保钻机自动化控制及监测***和方法 | |
| CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
| CN115575584B (zh) | 一种大气环境镉含量监测预警方法及*** | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测*** | |
| CN113008806A (zh) | 一种农产品产地重金属空间分布确定方法 | |
| CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及*** | |
| CN116341776A (zh) | 一种基于大数据的森林防火智能检测***与方法 | |
| CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
| CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
| CN113592308A (zh) | 一种基于常态模型的监测数据告警阈值提取方法 | |
| CN110850837A (zh) | 基于长短时记忆神经网络的***寿命分析与故障诊断方法 | |
| CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及*** | |
| CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
| CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
| CN113468821B (zh) | 一种基于决策回归算法的坡面产流产沙阈值确定方法 | |
| CN114970977A (zh) | 数字化城市空气质量监测数据的异常数据检测方法及*** | |
| CN114648095A (zh) | 一种基于深度学习的空气质量浓度反演方法 | |
| Ari et al. | A genetic programming based pollutant concentration predictor design for urban pollution monitoring based on multi-sensor electronic nose | |
| CN111582734A (zh) | 基于python爬虫***和SVM的海洋污染对比分析与风险评估的智能方法 |
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 |