CN108573122A - 一种原生盐溶解速率的预测方法 - Google Patents
一种原生盐溶解速率的预测方法 Download PDFInfo
- Publication number
- CN108573122A CN108573122A CN201810356675.8A CN201810356675A CN108573122A CN 108573122 A CN108573122 A CN 108573122A CN 201810356675 A CN201810356675 A CN 201810356675A CN 108573122 A CN108573122 A CN 108573122A
- Authority
- CN
- China
- Prior art keywords
- dissolution
- rate
- primary salt
- salt
- neural network
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种原生盐在不同条件下溶解速率的预测方法。首先实验测定不同组成的原生盐在不同浓度、温度、溶解倾角和流速条件下的溶解速率,收集并筛选人工神经网络模型所需要的样本数据;构建包含输入层、隐含层和输出层的BP人工神经网络模型;将样本数据分为两部分训练数据与检验数据来训练建立和检验人工神经网络;采用建立的人工神经网络预测不同组成原生盐在不同条件下的溶解速率。本发明建立的BP神经网络模型的预测精度较高,稳定性好,推广能力强,为原生盐的水溶开采与造腔工艺提供了基础数据指导;建立模型后,无需取样即可快速实现原生盐在不同溶解条件下的溶解速率预测。
Description
技术领域
本发明专利涉及原生盐溶解速率预测技术领域,属于井矿盐开采技术领域和原生盐水溶造腔技术领域。
背景技术
原生盐主要包括盐湖盐矿和地下盐矿两种,由于盐类矿物易溶于水的特性,对盐类矿床的开采常采用水溶开采的技术方法。水溶开采技术是根据盐类矿物易溶于水的特点,把水作为溶剂注入矿床,在矿床赋存地进行物理化学作用,将矿床中的盐类矿物就地溶解,固体盐矿物转变为流动状态的卤水。而利用深部原生盐洞穴进行能源地下储备是国际上广泛认可的能源储备方式,也是我国能源战略储备的重点部署方向之一。
原生盐的溶解速率是研究盐矿开采和盐穴储库造腔工艺的重要参数。不管是原生盐开采还是水溶造腔,都要进行原生盐溶解速率的测量与控制。在原生盐开采工艺中,通过原生盐溶解速率的测量与控制,可以控制采卤浓度,提高盐产品产量与质量;在盐穴储气库造腔工艺中,通过原生盐溶解速率的测量与控制,可以控制盐腔形态,保证盐穴稳定性。部分原生盐位于地下一千米至几千米之下,无法方便取样测量,且影响原生盐溶解速率的因素较多,除了受原生盐本身结构、构造、含量组成有关,还与溶剂性质、溶液浓度、流速、倾角等因素有关。因此,建立一种快速准确预测原生盐矿在不同条件下的溶解速率对井矿盐生产中原料卤水浓度精确控制与盐穴地下储库水溶造腔形态控制具有重要指导意义。
CN103163043A公开了一种盐矿溶解速率的测试装置及方法,基于质量守恒定律,通过已知的溶解速率公式计算得到原生盐在不同温度下的溶解速率,进而得到盐岩在不同温度下的溶解速率的规律。此方面需要有待测盐矿试块进行直接测量,无法通过其特征进行预测。且仅考虑温度对溶解速率的影响,忽略了卤水浓度、溶解倾角和流速条件等重要条件对溶解速率的影响。
发明内容
本发明要解决的技术问题:在无盐块进行现场测样的条件下,根据原生盐特点对其溶解速率进行预测,并考虑多因素协同作用。
本发明的技术方案是:
(1)通过开展实验研究,获不同组成原生盐在不同浓度、温度、溶解倾角和流速条件下的溶解速率,收集并筛选试验结果数据。
(2)将数据样本分为两部分,训练数据和检验数据,其中训练数据占总数据的80%,检验数据占总数据的20%,归一化预处理后得到人工神经网络模型所需要的样本数据。
(3)确定最佳的神经网络模型结构,包括神经网络的输入输出参数、隐含层个数以及隐含层神经元数目;其次,选取适当的学习参数,包括动量项因子、学习率、训练步长、初始的权值和阈值、激活函数、训练函数、学习算法、性能函数,对神经网络模型进行学习和训练,检验神经模型准确性。
(4)根据建立的人工神经网络模型对原生盐在不同条件下的溶解速率进行预测。
本发明基于大量实验数据的基础上,通过人工神经网络的方法得到各条件对结果原生盐溶解速率的映射关系,从而实现对原生盐在不同条件下的溶解速率的预测。
本发明的有益效果在于:
(1)预测精度较高,稳定性好,推广能力强,减少了实验盲目性增加了原生盐水溶开采与造腔工艺开发效率。
(2)建立模型后,无需取样即可快速实现原生盐在在不同溶解条件下(包括温度、卤水浓度、溶解倾角和流速条件)的溶解速率预测,节省大量的时间和成本。
附图说明
图1为本发明中原生盐溶解速率人工神经网络模型结构图。
图2为本发明中原生盐溶解速率人工神经网络网络性能的变化。
图3为本发明中原生盐溶解速率人工神经网络网络检验结果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细地描述。基于本发明,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实施例,都属于本发明保护的范围。
一种原生盐在不同条件下溶解速率的预测方法,如图1所示,原生盐溶解速率的影响因素主要考虑了原生盐中氯化钠含量、原生盐中硫酸钙含量、原生盐中硫酸钠含量、原生盐中不溶物含量、溶液中氯化钠浓度、溶液温度、溶液流速、溶解倾角共8个因素,首先,开展一系列实验测得原生盐在以上8个因素在不同水平情况下的溶解速率数据,收集并筛选试验结果数据600组,其中80%的数据用于训练,20%数据用于检验,归一化预处理后得到人工神经网络模型所需要的样本数据;然后,确定最佳的神经网络模型结构,输入层神经元个数为8,隐含层为1层且神经元个数为14,输出层神经元个数为1;其次,选取适当的学习参数,动量项因子为0.9,学习率为0.1,初始的权值和阈值为(-1,1)之间的随机数,隐含层激活函数为对数S形转移函数(logsig),输出层激活函数为线性函数(purelin),训练函数为动量自适应下降BP算法(traingdx),学习函数为带动量项BP学习规则(learngdm),性能函数为均方差性能分析函数(mse);根据选择的人工神经网络结构和学习参数,运用训练数据样本对人工神经网络模型进行学习训练,在训练阶段,网络误差性能的变化如图2所示,可以看出神经网络训练经过大约11000次循环后,达到网络的期望误差0.002,说明网络的收敛速度较快,没有出现训练过度的情况,训练效果较好,运用检验数据样本对建立的人工神经网络模型的准确性进行检验,如图3所示,表明BP神经网络的预报精度较高,稳定性较好,推广能力强,可以满足实际要求;最后,利用建立的人工神经网络模型预测原生盐不同条件下溶解速率。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的方法和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种原生盐溶解速率的预测方法,其特征在于,包含如下步骤:(1)通过开展系列实验获得多组不同组成原生盐在不同浓度、温度、溶解倾角和流速条件下的溶解速率,收集试验结果数据;(2)确定最佳的神经网络模型结构,选取适当的学习参数;(3)采用样本数据对人工神经网络进行学习训练和检验;(4)利用建立的人工神经网络模型进行原生盐溶解速率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810356675.8A CN108573122A (zh) | 2018-04-17 | 2018-04-17 | 一种原生盐溶解速率的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810356675.8A CN108573122A (zh) | 2018-04-17 | 2018-04-17 | 一种原生盐溶解速率的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573122A true CN108573122A (zh) | 2018-09-25 |
Family
ID=63575065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810356675.8A Pending CN108573122A (zh) | 2018-04-17 | 2018-04-17 | 一种原生盐溶解速率的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573122A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
CN112634995A (zh) * | 2020-12-21 | 2021-04-09 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
CN112634995B (zh) * | 2020-12-21 | 2024-05-31 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202330213U (zh) * | 2011-10-27 | 2012-07-11 | 中国科学院武汉岩土力学研究所 | 一种盐岩溶蚀、扩散规律测试装置 |
CN103163043A (zh) * | 2013-03-26 | 2013-06-19 | 中国科学院武汉岩土力学研究所 | 一种盐岩溶解速率的测试装置及方法 |
-
2018
- 2018-04-17 CN CN201810356675.8A patent/CN108573122A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202330213U (zh) * | 2011-10-27 | 2012-07-11 | 中国科学院武汉岩土力学研究所 | 一种盐岩溶蚀、扩散规律测试装置 |
CN103163043A (zh) * | 2013-03-26 | 2013-06-19 | 中国科学院武汉岩土力学研究所 | 一种盐岩溶解速率的测试装置及方法 |
Non-Patent Citations (5)
Title |
---|
RCY: ""Kerasで化合物の溶解度予測(ニューラルネットワーク,回帰分析"", 《⾹川⼤学農学部 ケミカルバイオロジー研究室》 * |
姜德义: ""岩盐溶解速率影响因素的实验"", 《重庆大学学报》 * |
王春荣: ""岩盐溶解速率影响因素实验研究"", 《万方数据》 * |
王金南: "《2010-2030年国家水环境形势分析与预测报告》", 31 March 2013, 中国环境出版社 * |
百度百科: ""dps灰色关联分析方法和灰色预测方法的应用"", 《百度百科》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
CN112634995A (zh) * | 2020-12-21 | 2021-04-09 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
CN112634995B (zh) * | 2020-12-21 | 2024-05-31 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112343587B (zh) | 一种特低渗透油藏优势渗流通道识别表征方法 | |
CN105117511B (zh) | 一种缝洞油藏井间连通通道及流动参数的表征方法 | |
CN108229811B (zh) | 一种评价碳酸盐岩缝洞型油藏注水效果的方法 | |
CN108446797A (zh) | 一种致密油藏水平井体积压裂初期产能预测方法 | |
CN106841075B (zh) | 基于神经网络的cod紫外光谱在线检测优化方法 | |
MX2012009273A (es) | Metodo y sistema para pronosticar el efecto de microbios inyectados en un yacimiento petrolifero. | |
CN107130951B (zh) | 一种监测蒸汽驱井间连通状况的方法及其系统 | |
CN112302606B (zh) | 一种低渗气藏压裂水平井产出剖面反演解释方法 | |
CN103967478B (zh) | 一种基于电导探针的垂直井流型辨识方法 | |
Song et al. | Evaluation of hydraulic fracturing effect on coalbed methane reservoir based on deep learning method considering physical constraints | |
CN104732064A (zh) | 一种油基钻井液参数的设计方法 | |
CN109740119A (zh) | 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法 | |
CN108573122A (zh) | 一种原生盐溶解速率的预测方法 | |
CN102536223A (zh) | 煤层裂隙孔隙度快速计算方法 | |
CN110070303A (zh) | 一种碎屑岩油藏注烃气开发效果综合评价方法 | |
CN106934075B (zh) | 钻井液密度确定方法及静态当量密度确定方法 | |
Zhu | Quantitative evaluation of coal-mining geological condition | |
CN104834934A (zh) | 一种用于识别储层流体的核体俘获法 | |
CN106599511A (zh) | 一种薄煤层长壁综采工作面采煤方法优选的方法 | |
Ahamed et al. | Modelling the Combined Effect of Salt Precipitation and Fines Migration on CO2 Injectivity Changes in Sandstone Formation | |
Yang et al. | A BP neural network model for predicting the production of a cutter suction dredger | |
CN109239307B (zh) | 一种实现岩盐动态条件下溶解特性试验的方法 | |
Zhang et al. | BPNN-GA-based intelligence information approach to characterize deep fractured strata | |
Li et al. | Gas data prediction based on LSTM neural network | |
CN110426752A (zh) | 一种基于岩石物理模型的储层参数反演方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |