CN108256688B - 改进萤火虫算法优化grnn的蒸汽驱开发效果预测方法 - Google Patents

Abstract

本发明涉及的是改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法，它依据现场收集的蒸汽驱开发效果数据，通过在标准萤火虫算法中引入混沌优化算子初始化种群，同时引入差分变异算子完成萤火虫个体自适应变异，增加了种群多样性，加快了收敛速度，提高了种群的可进化能力，利用改进萤火虫算法优化GRNN网络的光滑因子σ，优化目标为拟合误差的均方根误差，建立最优的蒸汽驱开发效果的预测模型，实现蒸汽驱开发效果预测。本发明通过采用改进萤火虫算法优化GRNN对蒸汽驱进行开发效果的预测，提高了预测的速度和精确，可以指导现场蒸汽驱开发方案的编制，实现蒸汽驱开发方案的优化和调整，最大限度的提高经济效益。

Description

改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法

技术领域

本发明涉及一种蒸汽驱开发效果预测方法，具体涉及改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法。

背景技术

蒸汽驱作为一种高效开发方式，是稠油油藏开采的主要发展方向，而实现蒸汽驱开发效果预测是蒸汽驱成功的关键。目前蒸汽驱开发效果预测方法有基于矿场资料的经验方法、室内实验模拟方法和数值模拟方法。经验方法操作简单，但是预测精确度低；室内实验方法与现场吻合度低，预测结果与实际情况相差较大。当前，有一些数值模拟软件可用于蒸汽驱的开发效果预测，但是这些软件往往本身很昂贵，而且运行需要应用大型计算机，还会花费大量的运算时间。

随着人工神经网络理论和优化技术的发展，各种新技术和新应用不断涌现。目前已有成功将人工神经网络理论和优化技术相融合用于解决很多工程预测问题。传统的BP神经网络存在学习速度慢、易陷入局部极小值，预测结果精度不高的缺点，广义回归神经网络(GRNN)具有很强的非线性逼近能力和自学习、自适应等特性，能自动从历史数据中提取有关预测的知识，因而非常适合解决预测领域中的一些复杂问题。

发明内容

本发明的目的是提供改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法，这种改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法用于解决现有蒸汽驱开发效果预测方法准确度低，成本高的问题。

本发明解决其技术问题所采用的技术方案是：这种改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法：

步骤一：收集现场蒸汽驱开发效果数据作为样本数据，包括原始含油饱和度、原油粘度(mPa·s)、油层深度(m)、渗透率(mD)、油层有效厚度(m)、原始温度(℃)、原始压力(MPa)、井网面积(m²)、注汽速率(m³/d)、注汽干度、注汽压力(MPa)，选取累积油汽比作为指标来衡量蒸汽驱开发效果的好坏程度；

步骤二：将所步骤1收集的样本数据根据公式(1)映射到[-1,1]之间，对样本数据作归一化处理得到归一化数据X_normal：

式中，X_min、X_max分别代表蒸汽驱开发效果预测数据集中最小和最大值，X为原始预测数据集中的数据；

步骤三：采用改进萤火虫算法搜寻最优的GRNN中的光滑因子σ，从而获得最优GRNN；改进萤火虫算法是在标准的萤火虫算法中引入混沌优化算子进行种群初始化，同时引入差分变异算子实现萤火虫个体的自适应变异，增加了种群多种性，加快了收敛速度，提高可进化能力；

步骤四：将归一化后的数据作为训练样本，用来训练最优GRNN，从而获得最优的蒸汽驱开发效果预测模型，实现蒸汽驱开发效果预测。

上述方案中改进萤火虫算法中引入混沌优化算子进行种群初始化的具体方法：

步骤1：随机产生D维向量Y₀，Y₀＝(y₀₁,y₀₂,…,y_0D)，其中D为优化问题的维数，Y₀中不能包含0.25、0.5和0.75这3个数值；

步骤2：取混沌序列：根据Logistic映射函数Y_n+1＝μ·Y_n·(1-Y_n)，其中μ是混沌吸引子，取值为4，得Y₁,Y₂,Y₃,…Y_N，获得混沌序列Y＝(Y₁,Y₂,Y₃…,Y_N)；

步骤3：根据公式(2)将混沌序列Y_i的第j个分量载波到优化变量的取值范围(x_min,j,x_max,j)内，x_min,j,x_max,j分别为优化变量的第j个分量的下限值和上限值，得到X₁,X₂,X₃,…,X_N，即N个萤火虫个体。

x_i,j＝x_min,j+y_i，j·(x_max,j-x_min,j)i＝1,2,…,N；j＝1,2,…,D (2)

上述方案中引入差分变异算子实现萤火虫个体的自适应变异，差分变异算子的具体实现方法为：

步骤1：根据公式(3)计算萤火虫个体i的自适应变异步长ω_i；

式中：N为萤火虫数目，j为萤火虫个体i按照亮度由小到大的排名；排名靠后者质量相对较高，变异尺度相对较小，排名靠前者质量相对较低，变异尺度相对较大；

步骤2：随机选择2个萤火虫m和k，它们所对应的位置为X_m和X_k，利用差分算法思想，根据公式(4)实现萤火虫个体i的自适应变异，应用式(4)计算X_i变异后萤火虫个体i的位置X_i'；最后比较X_i'与X_i，保留较好的，

X_i'＝X_i+ω_i·(X_m-X_k) (4)

由公式(4)看出，变异步长ω_i越大，变异后的萤火虫新位置X_i'与原位置X_i变化的程度也就较大，帮助跳出局部最优；反之，变异步长ω_i越小，变异后的萤火虫新位置X_i'与原位置X_i变化的程度也就较小，从而实现算法的局部搜索，可以提高全局搜索能力。

上述方案中改进萤火虫算法的具体实施步骤如下：

步骤1：初始化：

1)设置萤火虫数目N，最大吸引度β₀，光强吸收系数γ，步长因子α，最大迭代次数Max_Iter，搜索精度ε；

2)混沌优化算子初始化萤火虫的位置；

2.1)随机产生D维向量Y₀，Y₀＝(y₀₁,y₀₂,…,y_0D)，其中D为优化问题的维数，Y₀中不能包含0.25、0.5和0.75这3个数值；

2.2)取混沌序列：根据Logistic映射函数Y_n+1＝μ·Y_n·(1-Y_n)，其中μ是混沌吸引子，取值为4，得Y₁,Y₂,Y₃,…Y_N，由此获得混沌序列Y＝(Y₁,Y₂,Y₃…,Y_N)；

2.3)根据公式(2)将混沌序列Y_i的第j个分量载波到优化变量的取值范围(x_min,j,x_max,j)内，xmin,_j,x_max,j分别为优化变量的第j个分量的下限值和上限值，得到X₁,X₂,X₃,…,X_N，即N个萤火虫个体。

x_i,j＝x_min,j+y_i,j·(x_max,j-x_min,j)i＝1,2,…,N；j＝1,2,…,D (2)

步骤2：迭代寻优：

1)根据目标函数即公式(5)，计算萤火虫i的相对亮度I_i；

I_i＝f(X_i)(i＝1,2,…,N) (5)

式中：f(X_i)表示萤火虫i所在位置X_i的目标函数值；

2)根据公式(6)计算群体中萤火虫i和j的距离r_ij；

式中：X_i和X_j为萤火虫i和j的位置，D为求解问题的空间维度，x_ik为第i个萤火虫在k维的坐标；

3)根据式(7)计算群体中萤火虫的吸引度β；

式中：γ为光强吸收系数；r_ij为萤火虫i和j的距离；β₀为最大吸引度；

4)依据相对亮度，根据公式(8)更新萤火虫的空间位置；

X_{i_new}＝X_i+β·(X_j-X_i)+α·(rand-0.5) (8)

式中：X_i和X_j为萤火虫i和j的位置，β为吸引度，α为步长因子，rand是产生[0,1]之间任意数的随机函数；

5)萤火虫种群按照亮度进行排序，执行差分变异算子；

6)进入迭代寻优，重复执行步骤1)-5)；

步骤3：终止判断，直至当前迭代次数等于最大迭代次数Max_Iter，或已达到搜索精度ε要求，寻优结束，输出寻优结果。

本发明具有以下有益效果：

1、本发明采用改进萤火虫算法优化GRNN的光滑因子σ，从而获得最优GRNN，建立最优的蒸汽驱开发效果预测模型，实现蒸汽驱开发效果的快速准确的预测，进一步指导现场蒸汽驱开发方案的编制，实现蒸汽驱开发方案的优化和调整，最大限度的提高经济效益。

2、本发明采用GRNN相比于传统的BP神经网络预测，具有泛化能力好、训练速度快、参数调节方便等优点。

3、本发明改进萤火虫算法引入混沌优化算子初始化种群，同时引入差分变异算子实现萤火虫个体的自适应变异，增加了种群的多样性，更容易跳出局部极值，快速找到全局最优解。

4、本发明采用的改进萤火虫优化GRNN的光滑因子σ，建立蒸汽驱开发效果预测模型，预测效果稳定，预测精度高。

附图说明

图1为基于改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法流程图；

图2为改进萤火虫算法(IFA)的流程图；

图3为两种模型预测(FA-GRNN和IFA-GRNN)的均方根误差；

图4为标准萤火虫算法优化GRNN的蒸汽驱开发效果预测模型(FA-GRNN模型)的预测结果；

图5为改进萤火虫算法优化GRNN的蒸汽驱开发效果预测模型(IFA-GRNN模型)的预测结果。

具体实施方式

下面结合附图对本发明作进一步的说明：

参阅图1，这种改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法，具体步骤如下：

步骤一：收集现场蒸汽驱开发效果数据作为样本数据，包括原始含油饱和度、原油粘度(mPa·s)、油层深度(m)、渗透率(mD)、油层有效厚度(m)、原始温度(℃)、原始压力(MPa)、井网面积(m²)、注汽速率(m³/d)、注汽干度、注汽压力(MPa)共11个主要因素，选取累积油汽比作为指标来衡量蒸汽驱开发效果的好坏程度；

步骤二：由于收集的数据往往不是在同一个数量级，为了得到较好的预测效果，需要将所收集的数据映射到[-1,1]之间，根据公式(1)对样本数据作如下归一化处理：

式中，X_min、X_max分别代表蒸汽驱开发效果预测数据集中最小和最大值，X为原始预测数据集中的数据，X_normal表示归一化数据。

步骤三：采用改进萤火虫算法搜寻最优的GRNN中的光滑因子σ，从而获得最优GRNN；

改进萤火虫算法是在标准的萤火虫算法中引入混沌优化算子进行种群初始化，同时引入差分变异算子实现萤火虫个体的自适应变异，增加了种群多种性，加快了收敛速度，提高了可进化能力。

所述的改进萤火虫算法的具体实施步骤如下：

步骤1：初始化：

1)设置萤火虫数目N，最大吸引度β₀，光强吸收系数γ，步长因子α，最大迭代次数Max_Iter，搜索精度ε；

2)混沌优化算子初始化萤火虫的位置；

2.1)随机产生D维向量Y₀，Y₀＝(y₀₁,y₀₂,…,y_0D)，其中D为优化问题的维数，Y₀中不能包含0.25、0.5和0.75这3个数值；

2.2)取混沌序列：根据Logistic映射函数Y_n+1＝μ·Y_n·(1-Y_n)，其中μ是混沌吸引子，取值为4，得Y₁,Y₂,Y₃,…Y_N，由此获得混沌序列Y＝(Y₁,Y₂,Y₃…,Y_N)；

2.3)根据公式(2)将混沌序列Y_i的第j个分量载波到优化变量的取值范围(x_min,j,x_max,j)内，x_min,j,x_max,j分别为优化变量的第j个分量的下限值和上限值，得到X₁,X₂,X₃,…,X_N，即N个萤火虫个体。

x_i,j＝x_min,j+y_i,j·(x_max,j-x_min,j)i＝1,2,…,N；j＝1,2,…,D (2)

步骤2：迭代寻优：

1)根据目标函数即公式(5)，计算萤火虫i的相对亮度I_i；

I_i＝f(X_i)(i＝1,2,…,N) (5)

式中：f(X_i)表示萤火虫i所在位置X_i的目标函数值；

2)根据公式(6)计算群体中萤火虫i和j的距离r_ij；

式中：X_i和X_j为萤火虫i和j的位置，D为求解问题的空间维度，xik为第i个萤火虫在k维的坐标；

3)根据式(7)计算群体中萤火虫的吸引度β；

式中：γ为光强吸收系数；r_ij为萤火虫i和j的距离；β₀为最大吸引度；

4)依据相对亮度，根据公式(8)更新萤火虫的空间位置；

X_{i_new}＝X_i+β·(X_j-X_i)+α·(rand-0.5) (8)

式中：X_i和X_j为萤火虫i和j的位置，β为吸引度，α为步长因子，rand是产生[0,1]之间任意数的随机函数；

5)萤火虫种群按照亮度进行排序，执行差分变异算子；

差分变异算子更进一步的具体实现为：

5.1)根据公式(3)计算萤火虫个体i的自适应变异步长ω_i；

式中：N为萤火虫数目，j为萤火虫个体i按照亮度由小到大的排名；排名靠后者质量相对较高，变异尺度相对较小，排名靠前者质量相对较低，变异尺度相对较大；

5.2)随机选择2个萤火虫m和k，它们所对应的位置为X_m和X_k，利用差分算法思想，根据公式(4)实现萤火虫个体i的自适应变异，应用式(4)计算X_i变异后萤火虫个体i的位置X'_i；最后比较X'_i与X_i，保留较好的，

X'_i＝X_i+ω_i·(X_m-X_k) (4)

由公式(4)看出，变异步长ω_i越大，变异后的萤火虫新位置X_i'与原位置X_i变化的程度也就较大，帮助跳出局部最优；反之，变异步长ω_i越小，变异后的萤火虫新位置X_i'与原位置X_i变化的程度也就较小，从而实现算法的局部搜索，可以提高全局搜索能力。

6)进入迭代寻优，重复执行步骤1)-5)；

步骤3：终止判断，直至当前迭代次数等于最大迭代次数Max_Iter，或已达到搜索精度ε要求，寻优结束，输出寻优结果。

步骤四：将归一化后的数据作为训练样本，用来训练最优GRNN，从而获得最优的蒸汽驱开发效果预测模型，实现蒸汽驱开发效果预测。

本发明的原理：人工神经网络(Artificial Neural Network ANN)具有良好的非线性、鲁棒性、容错性、自组织、自适应能力等特点，已成为解决预测问题的有力工具。广义回归神经网络(GRNN)是基于径向基函数神经网络的一种改进。它具有很强的非线性映射能力和柔性网络结构，以及高度的容错性和鲁棒性。与其他神经网络相比，训练过程更为简单，只需确定训练样本和光滑因子σ即可完成网络构建和预测。它具有较高的学习速度、拟合能力强。因而非常适合解决预测领域中的一些复杂问题。

GRNN的光滑因子σ对预测的效果影响较大，需要不断尝试才能获得最佳值。为了提高蒸汽驱开发效果预测的速度和精度，本发明采用改进萤火虫算法优化GRNN的光滑因子σ，从而获得最优GRNN，建立最优的蒸汽驱开发效果预测模型，实现蒸汽驱开发效果的快速准确的预测。

本发明进行的保密性实验：

以辽河油田齐40块为研究对象，通过现场专家分析和研究，确定11个参数即原始含油饱和度、原油粘度(mPa·s)、油层深度(m)、渗透率(mD)、油层有效厚度(m)、原始温度(℃)、原始压力(MPa)、井网面积(m²)、注汽速率(m³/d)、注汽干度、注汽压力(MPa)作为模型的主要影响因素，选取累积油汽比来衡量预测效果的好坏程度，收集100个井组数据，部分样本数据如表1所示。选取90个井组数据作为训练样本和10个井组数据作为测试样本，建立预测模型数据集。

表1部分样本的原始数据

为了验证所提出的改进萤火虫算法(IFA)优化GRNN蒸汽驱开发效果预测模型的性能，采用Matlab2014a开发环境，利用Matlab神经网络GRNN工具箱中的newgrnn函数，建立了两种预测模型，分别是：标准萤火虫算法优化GRNN的蒸汽驱开发效果预测模型(FA-GRNN模型)和改进萤火虫算法优化GRNN的蒸汽驱开发效果预测模型(IFA-GRNN模型)。两种模型采用相同的参数设置：萤火虫数目N＝100，最大吸引度β₀＝1，光强吸收系数γ＝1，步长因子α＝0.02，最大迭代次数Max_Iter＝200，搜索精度ε＝1e-08。

从图3中可以看出：FA-GRNN模型预测的均方根误差RMSE＝9.71086E-09，迭代次数为169，耗时501.70S；而IFA-GRNN模型预测的均方根误差RMSE＝6.13E-09，迭代次数为97，耗时287.96S。因此，IFA-GRNN模型相对于FA-GRNN模型，预测速度更快且预测精度更高。

将标准萤火虫算法FA找到的最佳光滑因子σ值代入到GRNN模型中，进行剩下10组样本的蒸汽驱开发效果预测，结果如图4所示。由图4中可知，大部分样本FA-GRNN模型的预测值和期望值之间比较接近，但有个别样本与期望值偏差较大些，预测效果不是很理想。

将改进萤火虫算法IFA找到的最佳光滑因子σ值代入到GRNN模型中，进行剩下10组样本的蒸汽驱开发效果预测，结果如图5所示。由图5中可知，IFA-GRNN模型的预测值和期望值之间最为接近，预测效果非常好；FA-GRNN模型比IFA-GRNN模型差一些。

从实验结果可以看出，依据现场采集的蒸汽驱开发效果数据，采用改进萤火虫算法寻找GRNN的最佳光滑因子σ，建立的基于改进萤火虫算法优化GRNN的蒸汽驱开发效果预测模型，改善了GRNN泛化能力，在蒸汽驱开发效果预测方面具有较好的预测能力，提高了预测的准确性，为蒸汽驱开发效果预测提供了一种科学、有效的方法。

Claims (1)

1.一种改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法，其特征在于：这种改进萤火虫算法优化GRNN的蒸汽驱开发效果预测方法将混沌优化算子和差分变异算子一起融合到萤火虫算法而成，具体包括如下步骤：

步骤一：收集现场蒸汽驱开发效果数据作为样本数据，包括原始含油饱和度、原油粘度、油层深度、渗透率、油层有效厚度、原始温度、原始压力、井网面积、注汽速率、注汽干度、注汽压力，选取累积油汽比作为指标来衡量蒸汽驱开发效果的好坏程度；

步骤二：将所述步骤一收集的样本数据，根据公式(1)映射到[-1,1]之间，对样本数据作归一化处理得到归一化数据X_normal：

式中，X_min、X_max分别代表蒸汽驱开发效果预测数据集中最小和最大值，X为原始预测数据集中的数据；

步骤三：采用改进萤火虫算法搜寻最优的GRNN中的光滑因子σ，从而获得最优GRNN；改进萤火虫算法是在标准的萤火虫算法中引入混沌优化算子进行种群初始化，同时引入差分变异算子实现萤火虫个体的自适应变异，增加了种群多种性，加快了收敛速度，提高可进化能力；

改进萤火虫算法的具体实施步骤如下：

步骤1：初始化：

1)设置萤火虫数目N，最大吸引度β₀，光强吸收系数γ，步长因子α，最大迭代次数Max_Iter，搜索精度ε；

2)混沌优化算子初始化萤火虫的位置；

2.1)随机产生D维向量Y₀，Y₀＝(y₀₁,y₀₂,…,y_0D)，其中D为优化问题的维数，Y₀中不能包含0.25、0.5和0.75这3个数值；

2.2)取混沌序列：根据Logistic映射函数Y_n+1＝μ·Y_n·(1-Y_n)，其中μ是混沌吸引子，取值为4，得Y₁,Y₂,Y₃,…Y_N，由此获得混沌序列Y＝(Y₁,Y₂,Y₃…,Y_N)；

2.3)根据公式(2)将混沌序列Y_i的第j个分量载波到优化变量的取值范围(x_min,j,x_max,j)内，x_min,j,x_max,j分别为优化变量的第j个分量的下限值和上限值，得到X₁,X₂,X₃,…,X_N，即N个萤火虫个体；

x_i,j＝x_min,j+y_i,j·(x_max,j-x_min,j)i＝1,2,…,N；j＝1,2,…,D (2)

步骤2：迭代寻优：

1)根据目标函数即公式(5)，计算萤火虫i的相对亮度I_i；

I_i＝f(X_i)(i＝1,2,…,N) (5)

式中：f(X_i)表示萤火虫i所在位置X_i的目标函数值；

2)根据公式(6)计算群体中萤火虫i和j的距离r_ij；

式中：X_i和X_j为萤火虫i和j的位置，D为求解问题的空间维度，x_ik为第i个萤火虫在k维的坐标；

3)根据式(7)计算群体中萤火虫的吸引度β；

式中：γ为光强吸收系数；r_ij为萤火虫i和j的距离；β₀为最大吸引度；

4)依据相对亮度，根据公式(8)更新萤火虫的空间位置；

X_{i_new}＝X_i+β·(X_j-X_i)+α·(rand-0.5) (8)

式中：X_i和X_j为萤火虫i和j的位置，β为吸引度，α为步长因子，rand是产生[0,1]之间任意数的随机函数；

5)萤火虫种群按照亮度进行排序，执行差分变异算子；

5.1)：根据公式(3)计算萤火虫个体i的自适应变异步长ω_i；

式中：N为萤火虫数目，j为萤火虫个体i按照亮度由小到大的排名；排名靠后者质量相对较高，变异尺度相对较小，排名靠前者质量相对较低，变异尺度相对较大；

5.2)：随机选择2个萤火虫m和k，它们所对应的位置为X_m和X_k，利用差分算法思想，根据公式(4)实现萤火虫个体i的自适应变异，应用式(4)计算X_i变异后萤火虫个体i的位置X′_i；最后比较X′_i与X_i，保留较好的，

X′_i＝X_i+ω_i·(X_m-X_k) (4)

由公式(4)看出，变异步长ω_i越大，变异后的萤火虫新位置X′_i与原位置X_i变化的程度也就较大，帮助跳出局部最优；反之，变异步长ω_i越小，变异后的萤火虫新位置X′_i与原位置X_i变化的程度也就较小，从而实现算法的局部搜索，提高全局搜索能力；

6)进入迭代寻优，重复执行步骤1)-5)；

步骤3：终止判断，直至当前迭代次数等于最大迭代次数Max_Iter，或已达到搜索精度ε要求，寻优结束，输出寻优结果；

步骤四：将归一化后的数据作为训练样本，用来训练最优GRNN，从而获得最优的蒸汽驱开发效果预测模型，实现蒸汽驱开发效果预测。

Images