Resumen

Como la gasolina es el principal combustible de los vehículos pequeños, las emisiones de escape de su combustión afectarán a la calidad del aire. El objetivo de la limpieza de la gasolina es reducir el contenido de azufre y olefinas de la gasolina manteniendo su RON en la medida de lo posible. La reducción del RON supondrá grandes pérdidas económicas para las empresas. Por lo tanto, es muy importante que las empresas petroquímicas construyan un modelo de pérdida de RON en el proceso de refinado de la gasolina. La construcción del modelo, que reduce la pérdida de RON durante el refinado de la gasolina, es la cuestión principal de este trabajo. Mediante el software Python y SPSS, obtuvimos dos métodos de filtrado de variables: el filtrado de importancia de bosque aleatorio y el filtrado PCA, y combinados con los modelos SVR y de bosque aleatorio, se predijo el RON del producto y el contenido de azufre. El orden de filtrado de los datos originales por Excel y Python es la eliminación máxima y mínima, la eliminación del criterio 3σ, la eliminación de demasiados sitios en los datos incompletos, y el relleno de los valores vacíos en la media en dos horas. Se establecieron varios modelos de predicción de RON con la ayuda del software Python, y las variables seleccionadas se compararon mediante dos métodos de filtrado: uno es el modelo SVR basado en funciones de núcleo gaussianas, lineales, polinómicas y sigmoides; el otro es el modelo de bosque aleatorio. Se construyó el modelo de predicción del contenido de azufre y RON, que utiliza funciones de evaluación como MSE, R2 y RMSE para evaluar y el contenido de azufre como condición del sujeto. Convertimos el problema en problemas de optimización de variables de modelos lineales y no lineales: el modelo lineal es la variable seleccionada por el modelo de función de núcleo lineal SVR y el bosque aleatorio; el modelo no lineal es la combinación de variables seleccionadas por el modelo de bosque aleatorio y el bosque aleatorio. El método de optimización para cada muestra consiste en encontrar la solución óptima para cada variable y utilizar el método óptimo para cada variable como solución óptima local para la muestra. Los dos modelos se evalúan desde la perspectiva del grado de optimización, la tasa de optimización, la velocidad de ejecución del modelo, etc.

• Materias:Dióxido de carbono Perforación de pozos de minas Yacimientos minerales Minería Minas y minería Geofluidos
• Subjects:Carbon dioxide Shaft sinking Mineral deposits Mining Mines and mining Geofluids
• Palabras claves:modelo de bosque aleatorio, contenido de azufre, modelo de predicción de ron, modelo no lineal, bosque aleatorio, filtrado de importancia del bosque, gran pérdida económica, reducción de ron, métodos de filtrado de variables, combinación de variables
• Keywords:random forest model, sulfur content, ron prediction model, nonlinear model, random forest, forest importance filtering, great economic loss, reduction of ron, variable filtering methods, combination of variable