CN111625953B - 气体高压等温吸附曲线预测方法、系统、存储介质、终端 - Google Patents

Abstract

本发明属于煤岩气体吸附能力检测技术领域，公开了一种气体高压等温吸附曲线预测方法、系统、存储介质、终端，采用构建的学习数据库对机器学习模型进行训练；综合随机森林、BP神经网络、支持向量机等模型评价结果筛选出影响吸附量的关键特征参数；将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K‑折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，得到等温吸附曲线预测模型。现有的气体在煤岩中高压等温曲线均通过实验手段进行直接测试，存在耗时费力且成本高的缺陷，本发明可减少大量高昂的实验测试，计算效率极高，大大降低测试的时间成本，快速准确地确定等温吸附曲线。

Description

气体高压等温吸附曲线预测方法、系统、存储介质、终端

技术领域

本发明属于煤岩气体吸附能力检测技术领域，尤其涉及一种气体高压等温吸附曲线预测方法、系统、存储介质、终端。

背景技术

目前，气体在煤岩中高压等温吸附曲线均通过实验测试手段确定，包括压力法、容积法及重力法，压力法是指将煤岩置于样品罐中，通过向参考缸(体积一定)中通入一定压力的气体，根据气体状态方程确定参考缸中充入的气体总量，待样品罐与参考缸连同且压力恒定后，根据气体状态方程及物质平衡原理计算吸附气体量。容积法与压力法流程相似，其不同之处在于容积法中充入气体的总量是通过高精度泵进行控制。对于重力法，吸附气体的量是利用高精度电磁天平称量煤岩样品吸附前后的质量差进行计算。综合而言，压力法和容积法所需实验设备成本相对较低，但由于实验流程及计算原理相对复杂，因而结果的不确定性相对较强；重力法实验流程及计算过程相对简单，但所需仪器设备价格昂贵。三种实验方法均存在实验测试周期长、测试费用高、实验安全性差等问题。

目前气体在煤岩中的高压等温吸附曲线主要通过直接测试方法进行测定，包括压力法、容积法及重力法。直接测试方法测定吸附曲线时均需依次进行样品制备、平衡水处理、装置气密性检测、自由空间测定、吸附平衡等繁琐耗时的实验流程，存在测试流程复杂、所需测试时间长、测试费用高的缺陷。此外，由于实验设备装置(如压力传感器灵敏性)的差异、自由空间体积和吸附量计算过程中状态方程选取的不同，不同测试结果常存在不一致的缺陷。目前业内均基于实验方法，针对如何快速准确地确定吸附曲线尚未有其他方案。对于甲烷等易燃易爆气体，实验过程还存在一定的危险性。

通过上述分析，现有技术存在的问题及缺陷为：目前气体在煤岩中的高压等温吸附曲线测试方法存在测试流程复杂、所需测试时间长、测试费用高，且不同设备或计算方法结果不一致等缺陷。

解决以上问题及缺陷的难度为：目前的吸附曲线确定方法均需通过实验方法，而实验方法的理论基础已相对完善，且实验设备所需的关键元件(如温控传感器、压力传感器、压力变送器)的精度在目前的经济技术条件下已很难进一步提升。通过完善实验流程本身可行性不强。如何深度挖掘已有的实验数据，实现吸附曲线的准确预测尚未见报道。

解决以上问题及缺陷的意义为：提出提供一种准确、快速确定等温吸附曲线的方法，能够大幅降低测试成本费用，提高测试效率。

发明内容

针对现有技术存在的问题，本发明提供了一种气体高压等温吸附曲线预测方法、系统、存储介质、终端。

本发明是这样实现的，一种气体高压等温吸附曲线预测方法，所述气体高压等温吸附曲线预测方法采用构建的学习数据库对随机森林、BP神经网络、支持向量机模型进行训练；综合随机森林、BP神经网络、支持向量机等模型评价结果筛选出影响吸附量的关键特征参数；将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，得到等温吸附曲线预测模型。

进一步，所述气体高压等温吸附曲线预测方法包括：

第一步，收集煤岩工业分析、煤岩元素分析、煤岩显微组分分析、镜质体反射率测定、煤岩比表面、孔容测试及不同压力下的气体吸附量数据，形成学习数据库；

第二步，将所有特征参数为输入量，以吸附量作为输出量，采用构建的学习数据库对随机森林、BP神经网络、支持向量机等模型进行训练；以随机置换重要性作为评价指标，综合随机森林、BP神经网络、支持向量机等模型评价结果筛选出影响吸附量的关键特征参数；

第三步，以筛选出的关键特征参数作为输入变量，以吸附量作为输出变量，将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，最佳超参数取值组合条件下训练得到的梯度提升决策树模型即为等温吸附曲线预测模型；

第四步，将测试集的特征参数输入至建立的预测模型中，计算模型输出吸附量，计算测试集的实际吸附量与模型计算的吸附量之间的误差指标，包括决定系数、绝对误差、相对误差、标准差；

第五步，在稳健性测试通过的基础上，以筛选出的关键特征参数作为输入变量，采用构建的预测模型对不同煤样的等温吸附曲线进行预测。

进一步，所述第二步影响气体在煤岩中的吸附量的可能特征参数包括灰分含量、挥发分含量、固定碳含量、水分含量、镜质组含量、镜质体反射率、比表面积、孔容、温度、压力。

进一步，所述第二步对于不同煤样，影响吸附量的关键特征参数也不同，首先筛选出关键特征参数以弱化非关键参数对预测精度的影响。

进一步，所述第三步对于梯度提升决策树模型超参数包括决策树数量、最大树深、叶节点最小数据点数、学习率。

进一步，所述第四步根据误差指标评价预测模型稳健性，若预测模型稳健性较好，则进入第四步。

进一步，若稳健性较差，则对第一步中数据库可靠性进行复检，若数据库数据可靠性，则需要调整第二步中随机置换重要性的阈值，重新筛选关键参数并对第三步中预测模型进行重构。

本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤：采用构建的学习数据库对随机森林、BP神经网络、支持向量机等机器学习模型进行训练；综合随机森林、BP神经网络、支持向量机等模型评价结果筛选出影响吸附量的关键特征参数；将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，得到等温吸附曲线预测模型。

本发明的另一目的在于提供一种实施所述气体高压等温吸附曲线预测方法的气体高压等温吸附曲线预测系统，所述气体高压等温吸附曲线预测系统包括：

数据库构建模块，用于收集煤岩工业分析、煤岩元素分析、煤岩显微组分分析、镜质体反射率测定、煤岩比表面、孔容测试及不同压力下的气体吸附量数据，形成学习数据库；

关键特征参数筛选模块，用于将所有特征参数为输入量，以吸附量作为输出量，采用构建的学习数据库对随机森林、BP神经网络、支持向量机等模型进行训练；以随机置换重要性作为评价指标，综合随机森林、BP神经网络、支持向量机等模型评价结果筛选出影响吸附量的关键特征参数；

预测模型构建模块，用于以筛选出的关键特征参数作为输入变量，以吸附量作为输出变量，将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，最佳超参数取值组合条件下训练得到的梯度提升决策树模型即为等温吸附曲线预测模型；

预测模型稳健性测试模块，用于将测试集的特征参数输入至建立的预测模型中，计算模型输出吸附量，计算测试集的实际吸附量与模型计算的吸附量之间的误差指标，包括决定系数、绝对误差、相对误差、标准差；

等温吸附曲线预测模块，用于在稳健性测试通过的基础上，以筛选出的关键特征参数作为输入变量，采用构建的预测模型对不同煤样的等温吸附曲线进行预测。

本发明的另一目的在于提供一种终端，所述终端搭载所述的气体高压等温吸附曲线预测系统。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提出了基于梯度提升决策树算法预测气体在煤岩中高压等温曲线的预测方法，能够快速、准确、安全地确定甲烷、二氧化碳等吸附性气体在煤岩中的高压等温吸附曲线。

现有的气体在煤岩中高压等温曲线均通过实验手段进行直接测试，存在耗时费力、测试成本高、实验安全性差等问题，本发明提出了基于梯度提升决策树模型的等温吸附曲线预测方法，能够充分利用现有的大量实验数据，实现简便、快捷、准确地确定高压等温吸附曲线，能够显著降低测试时间、测试费用，并能有效地降低甚至避免高压等温实验测试固有的安全隐患。

本发明提出了基于多种模型结合随机置换重要性指标筛选关键参数的方法，现有的方法多以皮尔森系数或斯皮尔曼系数或F检验或经验方法筛选关键参数，常存在忽视某些潜在关键参数的缺陷。本发明提供了一种替代传统实验测试方法的策略，一方面可减少大量高昂的实验测试，显著提高经济效益；另一方面，实验测试方法的测试流程极为繁琐复杂，且耗时费力，而本发明的计算效率极高，可大大降低测试的时间成本，快速准确地确定等温吸附曲线。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的气体高压等温吸附曲线预测方法流程图。

图2是本发明实施例提供的气体高压等温吸附曲线预测系统的结构示意图；

图中：1、数据库构建模块；2、关键特征参数筛选模块；3、预测模型构建模块；4、预测模型稳健性测试模块；5、等温吸附曲线预测模块。

图3是本发明实施例提供的预测模型对训练集的拟合结果示意图。

图4是本发明实施例提供的模型估算与实测吸附气量交汇图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种气体高压等温吸附曲线预测方法、系统、存储介质、终端，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的气体高压等温吸附曲线预测方法包括以下步骤：

S101：以具体目标煤层内已有的测试资料或公开文献资料数据为基础，收集煤岩工业分析、煤岩元素分析、煤岩显微组分分析、镜质体反射率测定、煤岩比表面/孔容测试及不同压力下的气体吸附量数据，形成学习数据库；

S102：将所有特征参数为输入量，以吸附量作为输出量，采用构建的学习数据库对随机森林/BP神经网络/支持向量机等模型进行训练；以随机置换重要性作为评价指标，综合随机森林/BP神经网络/支持向量机等模型评价结果筛选出影响吸附量的关键特征参数；

S103：以筛选出的关键特征参数作为输入变量，以吸附量作为输出变量，将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，最佳超参数取值组合条件下训练得到的梯度提升决策树模型即为等温吸附曲线预测模型；

S104：将测试集的特征参数输入至建立的预测模型中，计算模型输出(即吸附量)，计算测试集的实际吸附量与模型计算的吸附量之间的误差指标，包括决定系数/绝对误差/相对误差/标准差等；

S105：在稳健性测试通过的基础上，以筛选出的关键特征参数作为输入变量，采用构建的预测模型即可对不同煤样的等温吸附曲线进行预测。

如图2所示，本发明提供的气体高压等温吸附曲线预测系统包括：

数据库构建模块1，用于以具体目标煤层内已有的测试资料或公开文献资料数据为基础，收集煤岩工业分析、煤岩元素分析、煤岩显微组分分析、镜质体反射率测定、煤岩比表面/孔容测试及不同压力下的气体吸附量数据，形成学习数据库。

关键特征参数筛选模块2，用于将所有特征参数为输入量，以吸附量作为输出量，采用构建的学习数据库对随机森林/BP神经网络/支持向量机等模型进行训练；以随机置换重要性作为评价指标，综合随机森林/BP神经网络/支持向量机等模型评价结果筛选出影响吸附量的关键特征参数。

预测模型构建模块3，用于以筛选出的关键特征参数作为输入变量，以吸附量作为输出变量，将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，最佳超参数取值组合条件下训练得到的梯度提升决策树模型即为等温吸附曲线预测模型；

预测模型稳健性测试模块4，用于将测试集的特征参数输入至建立的预测模型中，计算模型输出(即吸附量)，计算测试集的实际吸附量与模型计算的吸附量之间的误差指标，包括决定系数/绝对误差/相对误差/标准差等；

等温吸附曲线预测模块5，用于在稳健性测试通过的基础上，以筛选出的关键特征参数作为输入变量，采用构建的预测模型即可对不同煤样的等温吸附曲线进行预测。

下面结合实施例对本发明的技术方案作进一步的描述。

本发明提供的气体高压等温吸附曲线预测方法具体包括以下步骤：

步骤一、学习数据库构建；以具体目标煤层内已有的测试资料或公开文献资料数据为基础，收集煤岩工业分析、煤岩元素分析、煤岩显微组分分析、镜质体反射率测定、煤岩比表面/孔容测试及不同压力下的气体吸附量数据，形成学习数据库。

步骤二、关键特征参数筛选；影响气体在煤岩中的吸附量的可能特征参数包括灰分含量/挥发分含量/固定碳含量/水分含量/镜质组含量/镜质体反射率/比表面积/孔容/温度/压力等。对于不同煤样，影响吸附量的关键特征参数也不同，因此需首先筛选出关键特征参数以弱化非关键参数对预测精度的影响。其方法如下：将上述所有特征参数为输入量，以吸附量作为输出量，采用步骤一中构建的学习数据库对随机森林/BP神经网络/支持向量机等模型进行训练；以随机置换重要性(random permutation importance)作为评价指标，综合随机森林/BP神经网络/支持向量机等模型评价结果筛选出影响吸附量的关键特征参数。

步骤三、预测模型构建；以步骤二中筛选出的关键特征参数作为输入变量，以吸附量作为输出变量，将步骤一中的数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练。对于梯度提升决策树模型而言，其性能(包括预测精度及稳健性)受其自身的超参数取值影响，主要超参数包括决策树数量/最大树深/叶节点最小数据点数/学习率。在此，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值。最佳超参数取值组合条件下训练得到的梯度提升决策树模型即为等温吸附曲线预测模型。

步骤四、预测模型稳健性测试；将步骤三中测试集的特征参数输入至步骤三中建立的预测模型中，计算模型输出(即吸附量)，计算步骤三中测试集的实际吸附量与模型计算的吸附量之间的误差指标，包括决定系数/绝对误差/相对误差/标准差等。根据误差指标评价预测模型稳健性，若预测模型稳健性较好，则进入步骤四；若稳健性较差，则需对步骤一中数据库可靠性进行复检，若数据库数据可靠性，则需要调整步骤二中随机置换重要性的阈值，重新筛选关键参数并对步骤三中预测模型进行重构。

步骤五、等温吸附曲线预测；在步骤四稳健性测试通过的基础上，以步骤三中筛选出的关键特征参数作为输入变量，采用构建的预测模型即可对不同煤样的等温吸附曲线进行预测。

下面结合实验对本发明的技术效果作详细的描述。

本实验包括以下步骤：

第一步，以沁水盆地某区块现有的煤质分析及等温吸附曲线测试资料为基础构建学习数据库，学习数据库中共包括165组煤样，每个煤样分别测试了8个平衡压力点下的甲烷吸附气量。

第二步，筛选关键特征参数为：灰分含量、固定碳含量、原生水分含量、平衡水分含量、镜质体反射率、镜质组含量及实验测试温度。

第三步，随机选取165组煤样中的132组煤样作为训练集，剩余33组为测试集；通过步骤3中所述的K折交叉验证方法确定决策树数量、最大树深、叶节点最小数据点数、学习率分别为1000，3，1，0.05，并构建预测模型，预测模型对训练集的拟合结果如图3。

第四步，将测试集中33组煤样的灰分含量、固定碳含量、原生水分含量、平衡水分含量、镜质体反射率、镜质组含量及实验测试温度作为输入变量输入预测模型，计算得到吸附量；由图4中可以看出，预测模型的计算结果与实测结果交汇图基本集中在45°斜线附近，表1所示为误差指标。图4及表1均表明所述方法构建的预测模型精度高、稳健性强，能够较为准确地预测该区块中新样品的吸附曲线。

表1误差指标

*根据GB/T 19560-2008《煤的高压等温吸附试验方法》

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种气体高压等温吸附曲线预测方法，其特征在于，所述气体高压等温吸附曲线预测方法采用构建的学习数据库对随机森林、BP神经网络、支持向量机模型进行训练；综合随机森林、BP神经网络、支持向量机模型评价结果筛选出影响吸附量的关键特征参数；将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，得到等温吸附曲线预测模型；

所述气体高压等温吸附曲线预测方法包括：

第一步，收集煤岩工业分析、煤岩元素分析、煤岩显微组分分析、镜质体反射率测定、煤岩比表面、孔容测试及不同压力下的气体吸附量数据，形成学习数据库；

第二步，将所有特征参数为输入量，以吸附量作为输出量，采用构建的学习数据库对随机森林、BP神经网络、支持向量机模型进行训练；以随机置换重要性作为评价指标，综合随机森林、BP神经网络、支持向量机模型评价结果筛选出影响吸附量的关键特征参数；

第三步，以筛选出的关键特征参数作为输入变量，以吸附量作为输出变量，将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，最佳超参数取值组合条件下训练得到的梯度提升决策树模型即为等温吸附曲线预测模型；

第四步，将测试集的特征参数输入至建立的预测模型中，计算模型输出吸附量，计算测试集的实际吸附量与模型计算的吸附量之间的误差指标，包括决定系数、绝对误差、相对误差、标准差；

第五步，在稳健性测试通过的基础上，以筛选出的关键特征参数作为输入变量，采用构建的预测模型对不同煤样的等温吸附曲线进行预测。

2.如权利要求1所述的气体高压等温吸附曲线预测方法，其特征在于，所述第二步影响气体在煤岩中的吸附量的可能特征参数包括灰分含量、挥发分含量、固定碳含量、水分含量、镜质组含量、镜质体反射率、比表面积、孔容、温度、压力。

3.如权利要求1所述的气体高压等温吸附曲线预测方法，其特征在于，所述第二步对于不同煤样，影响吸附量的关键特征参数也不同，首先筛选出关键特征参数以弱化非关键参数对预测精度的影响。

4.如权利要求1所述的气体高压等温吸附曲线预测方法，其特征在于，所述第三步对于梯度提升决策树模型超参数包括决策树数量、最大树深、叶节点最小数据点数、学习率。

5.如权利要求1所述的气体高压等温吸附曲线预测方法，其特征在于，所述第四步根据误差指标评价预测模型稳健性，若预测模型稳健性较好，则进入第四步。

6.如权利要求5所述的气体高压等温吸附曲线预测方法，其特征在于，若稳健性较差，则对第一步中数据库可靠性进行复检，若数据库数据可靠性，则需要调整第二步中随机置换重要性的阈值，重新筛选关键参数并对第三步中预测模型进行重构。

7.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～6任意一项所述包括下列步骤：采用构建的学习数据库对随机森林、BP神经网络、支持向量机模型进行训练；综合随机森林、BP神经网络、支持向量机模型评价结果筛选出影响吸附量的关键特征参数；将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，得到等温吸附曲线预测模型。

8.一种实施权利要求1～6任意一项所述气体高压等温吸附曲线预测方法的气体高压等温吸附曲线预测系统，其特征在于，所述气体高压等温吸附曲线预测系统包括：

数据库构建模块，用于收集煤岩工业分析、煤岩元素分析、煤岩显微组分分析、镜质体反射率测定、煤岩比表面、孔容测试及不同压力下的气体吸附量数据，形成学习数据库；

关键特征参数筛选模块，用于将所有特征参数为输入量，以吸附量作为输出量，采用构建的学习数据库对随机森林、BP神经网络、支持向量机模型进行训练；以随机置换重要性作为评价指标，综合随机森林、BP神经网络、支持向量机模型评价结果筛选出影响吸附量的关键特征参数；

预测模型构建模块，用于以筛选出的关键特征参数作为输入变量，以吸附量作为输出变量，将数据集随机划分为训练集和测试集，采用训练集对梯度提升决策树模型进行训练，采用K-折交叉验证方法确定梯度提升决策树模型的最佳超参数取值，最佳超参数取值组合条件下训练得到的梯度提升决策树模型即为等温吸附曲线预测模型；

预测模型稳健性测试模块，用于将测试集的特征参数输入至建立的预测模型中，计算模型输出吸附量，计算测试集的实际吸附量与模型计算的吸附量之间的误差指标，包括决定系数、绝对误差、相对误差、标准差；

等温吸附曲线预测模块，用于在稳健性测试通过的基础上，以筛选出的关键特征参数作为输入变量，采用构建的预测模型对不同煤样的等温吸附曲线进行预测。

9.一种终端，其特征在于，所述终端搭载权利要求8所述的气体高压等温吸附曲线预测系统。

Images