[发明专利]一种利用原油谱学信息预测渣油馏分SARA组成的方法

权利要求书

1.一种原油谱学信息预测渣油馏分SARA组成的方法，包括如下步骤：

(a)获取原油样本的渣油馏分SARA组成数据集和预设恒定温度下的谱学信息，对所述谱学信息中的特征变量进行微分处理，获得经微分处理后的谱学信息数据集；

(b)将谱学信息数据集与渣油SARA组成数据集相关联，利用多元回归分析方法分别建立谱学信息主成分与渣油SARA组成的第一校正模型、谱学信息残差与渣油SARA组成残差的第二校正模型；任选进一步对所述的第一校正模型与所述的第二校正模型进行验证的步骤；

(c)测定待测原油样本在预设恒定温度下的谱学信息，对其中的特征变量进行微分处理，将得到的谱学信息数据代入第一校正模型，谱学信息残差代入第二校正模型，两个模型预测结果相加得到待测原油样本的渣油SARA组成。

2.按照权利要求1所述的方法，其特征在于，在步骤(a)中，所述的原油样本为经过脱盐脱水的原油样本。

3.按照权利要求1所述的方法，其特征在于，所述预设恒定温度为36～40℃。

4.按照权利要求1所述的方法，其特征在于，采用标准方法测定原油样本的渣油SARA组成。

5.按照权利要求1所述的方法，其特征在于，对所述谱学信息中的特征变量进行一阶微分处理或二阶微分处理。

6.按照权利要求1所述的方法，其特征在于，在步骤(b)中，所述多元回归分析方法选自偏最小二乘法、人工神经网络、支持向量机和随机森林方法中的一种或多种。

7.按照权利要求1所述的方法，其特征在于，利用偏最小二乘法(PLS)建立谱学信息主成分与渣油SARA组成的校正模型和谱学信息残差的校正模型，其方法是：利用偏最小二乘法(PLS)得到的主成分建立谱学信息主成分的校正模型，利用偏最小二乘法(PLS)得到的谱学信息残差和预测残差通过非线性校正方法建立谱学信息残差的校正模型。

8.按照权利要求8所述的方法，其特征在于，所述非线性校正方法选自支持向量机方法、随机森林方法或人工神经网络；其中所述的谱学信息残差是利用偏最小二乘法(PLS)提取其中的主成分后的剩余部分；所述预测残差是校正集样本的实测值与第一校正模型预测值的差值。

9.按照权利要求8所述的方法，其特征在于，将数据集划分为校正集和验证集，利用校正集通过PLS算法得到谱学信息的主成分与谱学信息残差，建立谱学信息主成分与渣油SARA组成的第一校正模型；建立谱学信息残差与渣油SARA组成残差的第二校正模型。

10.按照权利要求8所述的方法，其特征在于，对所述谱学信息主成分与渣油SARA组成的第一校正模型和/或谱学信息残差的第二校正模型进行验证，以得到更为准确的谱学信息主成分的第一校正模型和/或谱学信息残差与渣油SARA组成残差的第二校正模型。

11.按照权利要求1所述的方法，其特征在于，在步骤(c)中，采用与步骤(a)相同的微分处理方法对待测原油样本的谱学信息中特征变量进行微分处理。

12.按照权利要求1所述的方法，其特征在于所述的谱学信息包括核磁共振谱、近红外光谱、中红外光谱。

13.按照权利要求1所述的方法，其特征在于，所述近红外谱区是波数为5342～6011cm^-1的谱区，所述中红外谱区是波数为1012～1655cm^-1的谱区，所述核磁共振谱区是化学位移为1.0～7.1ppm，场强58MHz氢谱的谱区。

14.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1～12之一所述的预测渣油SARA组成的方法。