基于Regression GAN的原油总氢物性预测方法

摘要：

针对生成对抗网络(Generative adversarial network, GAN) 不适用于原油物性回归预测的问题,本文提出一种回归生成对抗网络(Regression GAN, RGAN) 结构,该结构由生成模型G、判别模型D 及回归模型R 组成.通过判别模型D 与生成模型G间的对抗学习,D提取原油物性核磁共振氢谱(1H NMR)谱图的潜在特征.首层潜在特征是样本空间的浅层表示利于解决回归问题,采用首层潜在特征建立回归模型R,提高了预测的精度及稳定性.通过增加条件变量和生成样本间的互信息约束,并采用回归模型R 的MSE 损失函数估计互信息下界,生成模型G 产生更真实的样本.实验结果表明,RGAN 有效地提高了原油总氢物性回归预测精度及稳定性,同时加快了生成模型的收敛速度,提高了谱图的生成质量.

关键词：回归生成对抗网络、原油物性预测、生成对抗网络、核磁共振氢谱

所属期刊栏目：44

资助基金：国家自然科学基金61590922,61525302;教育部科研业务费项目N160801001,N161608001资助 Supported by National Natural Science Foundation of China61590922,61525302;the Research Funds by the Ministry of Education of ChinaN160801001,N161608001

在线出版日期：2018-06-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：915-921