CN111815196B - 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 - Google Patents
基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 Download PDFInfo
- Publication number
- CN111815196B CN111815196B CN202010714908.4A CN202010714908A CN111815196B CN 111815196 B CN111815196 B CN 111815196B CN 202010714908 A CN202010714908 A CN 202010714908A CN 111815196 B CN111815196 B CN 111815196B
- Authority
- CN
- China
- Prior art keywords
- index
- water resource
- bearing capacity
- neural network
- shale gas
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 126
- 238000011156 evaluation Methods 0.000 title claims abstract description 88
- 238000011161 development Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000004064 recycling Methods 0.000 claims description 3
- 239000010865 sewage Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000008235 industrial water Substances 0.000 claims description 2
- 239000003621 irrigation water Substances 0.000 claims description 2
- 235000020681 well water Nutrition 0.000 claims description 2
- 239000002349 well water Substances 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 56
- 230000006870 function Effects 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于GA‑BP神经网络的页岩气开发区水资源承载力评价方法，具体步骤如下：步骤一、确定页岩气开发所在区域基本概况；步骤二、建立开发区水资源承载力评价指标体系；步骤三、综合确定水资源承载力指标分级标准；步骤四、构建GA‑BP神经网络模型，生成样本数据，将输出样本期望值在承载力等级区间插值；步骤五、对数据进行归一化处理；步骤六、通过遗传算法对BP神经网络的初始权值和阈值进行优化；步骤七、将验证数据代入优化后的BP神经网络模型，得到期望输出与结果的相关系数。本发明确定了评价指标及分级标准，优化了指标在BP神经网络中的权值和阈值，更容易挖掘影响水资源承载力的指标，能更好的反应指标变化带来的影响。
Description
技术领域
本发明属于页岩气开发施工技术领域，特别涉及一种基于GA-BP神经网络的页岩气开发区水资源承载力评价方法。
背景技术
页岩气是蕴藏于页岩层可供开采的天然气资源，较常规天然气相比，页岩气开发具有开采寿命长和生产周期长的优点。中国的页岩气资源可采资源量约为115 000×108～361 000×108m3，近几年页岩气年产量达到44.6×108m3，页岩气的大规模开发有助于改变我国能源消费结构。开采页岩气能为开采区域带来巨大的经济效益，但开采过程中需要消耗大量的淡水资源，可能威胁到当地的水资源可持续利用，据统计，页岩气水平井钻井和压裂所需水量达到约10000～24 000m3，钻井液的重复利用率为30％～70％，相比煤层气单井耗水量仅仅为300～1 000m3，页岩气开采耗水十分严重。如果不协调页岩气开发与水资源之间的关系，可能导致区域水资源匮乏，对页岩气开发区域的社会、经济和环境造成恶性影响。因此，开展页岩气水资源承载力评价研究，可以促进页岩气开发区域水资源、经济和社会协同发展。
目前，对于水资源承载力主要的评价方法有多元数据分析的投影寻踪、综合评价法、多目标分析法、系统动力学法等，而水资源系统具有非线性和混沌特征，水资源承载力评价的各项指标彼此间存在非线性的联系，这些方法对于评价指标权重的确定存在主观成分。且多数研究基于区域或流域展开水资源承载力的评价，专门对页岩气开采区域水资源承载力的研究较少。
发明内容
本发明提供了基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，用以解决页岩气开发过程中的水资源承载力评价的指标体系建立、分级和评价等技术问题。
为实现上述目的，本发明采用如下技术方案：
一种基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，具体步骤如下：
步骤一、根据页岩气开发所在区域，确定开发区的基本气候、地质特征和年平均降水量；
步骤二、进一步结合页岩气开发用水特点，建立开发区水资源承载力评价指标体系，指标体系包含社会指标分级、水资源指标分级、经济指标分级、生态指标分级和页岩气指标分级共五个一级指标分类，以及五个指标分类各对应的二级评价指标；
步骤三、结合水资源承载力评价指标体系中各二级评价指标的取值范围，综合确定水资源承载力各二级评价指标分级标准，分级标准共分为五个等级区间状态；
步骤四、构建BP神经网络模型，基于水资源承载力各二级评价指标分级标准，采用随机技术公式生成样本数据，将输出样本期望值在每个等级区间状态插值，分别使处于各个区间内；
步骤五、对步骤四的数据，采用最大最小方法对数据进行归一化处理，计算公式如下：
式中：Xmax和Xmin为数据中最大值和最小值；Xij为数据的实际值。
步骤六、选取BP神经网络模型的层数，设置隐含层神经元数，选用训练函数，控制模型精度；并通过遗传算法对BP神经网络的初始权值和阈值进行优化，使神经网络在不随机给定权值和阈值的情况下得到设计的预测精度，进而优化BP神经网络模型；
步骤七、将二级评价指标分级后数据代入优化后的BP神经网络模型，得到期望输出与结果的相关系数，而后验证样本最大相对误差，相对误差在设计范围内则表明该模型在页岩气开发区域的水资源承载力评价中具有适用性，若误差超出设计范围则重新校正模型；而后通过优化后的BP神经网络模型对页岩气开发区域的水资源进行承载力评价。
进一步的，社会指标分级的指标对应的二级评价指标包含：人口密度、人均生活用水量和灌溉水有效利用系数；
水资源指标分级的指标对应的二级评价指标包含：水资源利用率、人均水资源量和工业增加值用水量；
经济指标分级的指标对应的二级评价指标包含：工业用水重复利用率、第一产业比重和第三产业比重；
生态指标分级的指标对应的二级评价指标包含：水质达标率、绿化覆盖率和污水处理率；页岩气指标分级的指标对应的二级评价指标包含单井需水量、井群规模、压裂返排液回用率和压裂液反排率。
进一步的，对于步骤二中，水资源承载力评价指标体系包含目标层、准则层和指标层；其中目标层为水资源承载力，准则层为社会指标分级、水资源指标分级、经济指标分级、生态指标分级和页岩气指标分级共五个；指标层包含社会指标分级、水资源指标分级、经济指标分级、生态指标分级和页岩气指标分级分别对应的二级评价指标；。
进一步的，对于步骤三中，将对应指标层各二级评价指标数据取值范围划分为5个等级区间状态，分别为理想状态、可承载、弱承载、弱不可承载和不可承载；分别使“理想状态”、“可承载”、“弱承载”、“弱不可承载”和“不可承载”分别对应取值范围为[0.8-1]、[0.6-0.8)、[0.4-0.6)、[0.2-0.4)和[0-0.2)设置。
进一步的，对于步骤四中，采用随机公式在5个等级区间状态的每一等级中生成100组数据，其中随机选出90组作为训练样本数据，剩余10组作为测试样本数据；在5个等级区间状态中共计生成500组样本，其中建模样本450组，验证样本50组；将输出样本期望值在5个承载力等级区间插值，分别使处于对应“理想状态”、“可承载”、“弱承载”、“弱不可承载”和“不可承载”对应的数值区间内。
进一步的，对于步骤四中，随机技术公式如下：
xij k＝rand(nk)(aj k-bj k)+bj k
式中：aj k和bj k分别为第k个评价等级的上下限，nk为第k个评价等级随机数数量，xij k评价指标数据，其中i＝1,2,…,n；j＝1,2,…,k。
进一步的，对于步骤六中BP神经网络选取3层神经网络模型，设置隐含层神经元数为6个，训练函数选用trainlm，模型精度0.001。
进一步的，对于步骤六中，采用遗传算法对所建立的网络结构进行优化，经过反复调试后确定遗传算法参数，其中迭代次数为10，种群规模为10，交叉概率为0.3，变异概率为0.1，从而得到最佳适应度曲线，最佳适应度为1.431 9。
进一步的，其特征在于，对于步骤七中输出评价结果后，对应的不同评价等级确定影响其等级变化或趋势的水资源承载力评价指标，从而对该指标进行综合控制。
本发明的有益效果体现在：
1)本发明在页岩气开发区域水资源承载力评价中，以BP神经网络为主体进行水资源承载力指数预测评价，充分挖掘指标之间非线性关系，避开人工对各指标赋权的主观性影响；
2)本发明使用遗传算法优化了指标数据在BP神经网络中的权值和阈值，使BP神经网络在分配影响水资源承载力的指标时更加迅速，且可以得到更优的权值分配；经过遗传算法优化后的BP神经网络评价模型在页岩气开发区域水资源承载力评价中降低了误差。
3)本发明可更有针对性的够适用于页岩气开发区域水资源承载力评价，能反应页岩气实际开发情况下的水资源承载力变化趋势；为页岩气开发时对区域水资源承载力的评估进行预测和指导。本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解；本发明的主要目的和其它优点可通过在说明书中所特别指出的方案来实现和获得。
附图说明
图1是水资源承载力评价方法技术路线图；
图2是神经网络结构图；
图3是最佳适应度曲线图；
图4是2014年～2019年水资源承载力指数趋势图。
具体实施方式
以我国西南某地区页岩气开发为例，结合图1至图4，进一步说明基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其中图1是水资源承载力评价方法技术路线图；具体步骤如下：
步骤一、根据页岩气开发所在区域，确定开发区的基本气候、地质特征和年平均降水量；
此地区受到印度洋季风的影响，年降水量平均在1 300mm以上，地区内多条大江大河穿过，人均水资源量是全国平均水平的2倍。但此地区地形较为复杂，多为山区、丘陵，长期以来存在着水资源区域、季节分布不均等问题，经济和社会发展也因地形复杂而参差不齐。此地区的页岩气井区普遍使用水力压裂技术开采页岩气，单井耗水量在17 000-25000m3。
步骤二、进一步结合页岩气开发用水特点，建立开发区水资源承载力评价指标体系。水资源受到经济、社会和生态的影响与制约，因此水资源承载力评价是一个复杂的系统，而在页岩气开发区域，由于页岩气开采会消耗大量的水资源，所以在指标选取时结合页岩气开发用水特点，确定由16个因子构成的指标体系，详见表1。
表1开发区水资源承载力评价指标体系
注：“+”表示为正影响指标，即数值越大，水资源承载力越强；“－”表示为负影响指标，数值越大，水资源承载力越弱。
步骤三、结合水资源承载力评价指标体系中各指标的取值范围，综合确定水资源承载力指标分级标准；如表2所示，将水资源承载力指标分级标准分为5个等级区间状态。水资源承载力指数为[0.8-1]表明水资源承载力处于适宜页岩气开采的理想状态；[0.6-0.8)表明页岩气开发区域水资源承载力处在可以承载页岩气开采的状态；[0.4-0.6)表明水资源承载力处在承载力较弱的状态，需要调整页岩气的开采季节等；[0.2-0.4)表明水资源承载力处于很弱的状态，需要对页岩气的开发规模进行调整等；[0-0.2)表明水资源承载力处于很差的状态，基本不可承载页岩气开发。
表2开发区水资源承载力指标分级标准
步骤四、构建BP神经网络模型，基于水资源承载力各二级评价指标分级标准，采用随机技术公式生成样本数据，将输出样本期望值在每个等级区间状态插值，分别使处于各个区间内；
根据表2的水资源承载力分级标准，采用随机技术公式生成样本数据，公式如下：
xij k＝rand(nk)(aj k-bj k)+bj k (1)
式中：aj k和bj k分别为第k个评价等级的上下限；nk为第k个评价等级随机数数量，xij k评价指标数据，其中i＝1,2,…,n；j＝1,2,…,k。
基于表2的分级标准，采用随机公式在每一等级中生成100组数据，其中随机选出90组作为训练样本数据，剩余10组作为测试样本数据。由此，在5个等级区间状态中共计生成500组样本，其中建模样本450组，验证样本50组。将输出样本期望值在5个等级区间状态插值，分别使处于[0.8-1]、[0.6-0.8]、[0.4-0.6]、[0.2-0.4]、[0-0.2]之间的承载力数值对应“理想状态”、“可承载”、“弱承载”、“弱不可承载”和“不可承载”。
步骤五、为避免指标体系中各指标量纲不统一带来的影响，采用最大最小方法对数据进行归一化处理，计算公式如下：
式中：Xmax和Xmin为数据中最大值和最小值；Xij为数据的实际值。
步骤六、选取BP神经网络模型的层数，设置隐含层神经元数，选用训练函数，控制模型精度；并通过遗传算法对BP神经网络的初始权值和阈值进行优化，使神经网络在不随机给定权值和阈值的情况下得到设计的预测精度，进而优化BP神经网络模型。
遗传算法(Genetic Algorithm,GA)是一种基于自然选择和遗传理论的随机优化算法，通过选择、交叉和变异等操作对所有个体进行筛选，根据适应度值保留优秀个体，淘汰适应度差的个体。遗传算法优化过程主要包括编码、确定适应度函数、选择、交叉、变异5个方面的操作，具有很强的全局寻优能力。
BP(Back Propagation,BP)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络，其结构图如图2所示，BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
BP神经网络在计算的过程中以梯度下降的方法求取误差函数最小值，因此，对初始权值等参数十分敏感，全局搜索能力较差，较易陷入局部最优；遗传算法采用选择、交叉和变异操作进行搜索，不依赖梯度搜索技术，将遗传算法与BP神经网络结合可以跳出局部最优，使全局搜索能力增强。
本实施例中，BP神经网络选取3层神经网络模型，设置隐含层神经元数为6个，训练函数选用trainlm，模型精度0.001。遗传算法主要对BP神经网络的初始权值和阈值进行优化，从而使神经网络在不随机给定权值和阈值的情况下具有更好的预测精度。这种优化可以弥补神经网络在调整自身权值和阈值时容易遇到学习速度慢，易陷入局部最优等问题，能对各指标的权值进行更精确的调整。采用遗传算法对所建立的网络结构进行优化，经过反复调试后确定遗传算法参数，其中迭代次数为10，种群规模为10，交叉概率为0.3，变异概率为0.1，得到最佳适应度曲线如图3所示，最佳适应度为1.431 9。
步骤七、将验证数据代入优化后的BP神经网络模型，得到期望输出与结果的相关系数，而后验证样本最大相对误差，误差在设计范围内则表明该模型在页岩气开发区域的水资源承载力评价中具有适用性。将验证数据代入训练好的模型，得到期望输出与结果的相关系数为R＝0.995 98，验证样本最大相对误差6.50％。表明该模型在页岩气开发区域的水资源承载力评价中具有一定的适用性。
选用已经训练好的BP神经网络结构，将开发区2014年～2019年的评价指标数据作为输入项，将西南地区页岩气开发状态下水资源承载力作为输出项，对开发区2014年～2019年水资源承载力进行评价，其中指标层个评价指标数据见表3得到此开发区域的水资源承载力指数见图4。
表3 2014年～2019年评价指标数据,
由图4可以看出，2014年～2017年水资源承载力均处于“可承载”状态，说明在现有页岩气开发状态下，水资源相对充足，页岩气开发处于比较适合的状态；2018年和2019年水资源承载力处于“弱承载状态”，说明社会经济活动和水资源处于非协调状态。从趋势上来看，2014年～2019年的水资源承载力虽然没有到达不可承载的水平，但水资源承载力指数除2016年稍有回升外，均处于逐年下降趋势。
通过进一步对数据进行分析发现，相较于2015年，2016年井口数量增加23口，人均生活用水量减少45m3，人均水资源量增加118m3，且页岩气单井用水量降低469m3，因此水资源承载力指数出现小幅度上涨。2014年～2019年中的水质达标率上升8.6％、绿化覆盖率上升7.0％、年污水处理率上涨16.37％等，这些指标对水资源压力从侧面有一定程度的缓解，单井需水量、压裂返排液回用率也随着开采技术的发展有了一定的进步；但井群规模在快速增加，6年内增加了354口页岩气井，这表明页岩气系统方面的压力没有得到根本缓解是使得水资源承载力逐年下降的主要原因。由此，可进一步的对当地页岩气开发区进行针对性指导。
以上所述仅为本发明较佳的具体实施方式，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所想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，具体步骤如下：
步骤一、根据页岩气开发所在区域，确定开发区的基本气候、地质特征和年平均降水量；
步骤二、进一步结合页岩气开发用水特点，建立开发区水资源承载力评价指标体系，指标体系包含社会指标分级、水资源指标分级、经济指标分级、生态指标分级和页岩气指标分级共五个一级指标分类，以及五个指标分类各对应的二级评价指标；
步骤三、结合水资源承载力评价指标体系中各二级评价指标的取值范围，综合确定水资源承载力各二级评价指标分级标准，分级标准共分为五个等级区间状态；
步骤四、构建BP神经网络模型，基于水资源承载力各二级评价指标分级标准，采用随机技术公式生成样本数据，将输出样本期望值在每个等级区间状态插值，分别使处于各个区间内；
步骤五、对步骤四的数据，采用最大最小方法对数据进行归一化处理，计算公式如下：
式中：Xmax和Xmin为数据中最大值和最小值；Xij为数据的实际值；
对于步骤四中，采用随机公式在5个等级区间状态的每一等级中生成100组数据，其中随机选出90组作为训练样本数据，剩余10组作为测试样本数据；在5个等级区间状态中共计生成500组样本，其中建模样本450组，验证样本50组；将输出样本期望值在5个承载力等级区间插值，分别使处于对应“理想状态”、“可承载”、“弱承载”、“弱不可承载”和“不可承载”对应的数值区间内；
步骤六、选取BP神经网络模型的层数，设置隐含层神经元数，选用训练函数，控制模型精度；并通过遗传算法对BP神经网络的初始权值和阈值进行优化，使神经网络在不随机给定权值和阈值的情况下得到设计的预测精度，进而优化BP神经网络模型；
步骤七、将二级评价指标分级后数据代入优化后的BP神经网络模型，得到期望输出与结果的相关系数，而后验证样本最大相对误差，相对误差在设计范围内则表明该模型在页岩气开发区域的水资源承载力评价中具有适用性，若误差超出设计范围则重新校正模型；而后通过优化后的BP神经网络模型对页岩气开发区域的水资源进行承载力评价。
2.如权利要求1所述的基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，社会指标分级的指标对应的二级评价指标包含：人口密度、人均生活用水量和灌溉水有效利用系数；
水资源指标分级的指标对应的二级评价指标包含：水资源利用率、人均水资源量和工业增加值用水量；
经济指标分级的指标对应的二级评价指标包含：工业用水重复利用率、第一产业比重和第三产业比重；
生态指标分级的指标对应的二级评价指标包含：水质达标率、绿化覆盖率和污水处理率；
页岩气指标分级的指标对应的二级评价指标包含单井需水量、井群规模、压裂返排液回用率和压裂液反排率。
3.如权利要求2所述的基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，对于步骤二中，水资源承载力评价指标体系包含目标层、准则层和指标层；其中目标层为水资源承载力，准则层为社会指标分级、水资源指标分级、经济指标分级、生态指标分级和页岩气指标分级共五个；指标层包含社会指标分级、水资源指标分级、经济指标分级、生态指标分级和页岩气指标分级分别对应的二级评价指标。
4.如权利要求3所述的基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，对于步骤三中，将对应指标层各二级评价指标数据取值范围划分为5个等级区间状态，分别为理想状态、可承载、弱承载、弱不可承载和不可承载；分别使“理想状态”、“可承载”、“弱承载”、“弱不可承载”和“不可承载”分别对应取值范围为[0.8-1]、[0.6-0.8)、[0.4-0.6)、[0.2-0.4)和[0-0.2)设置。
5.如权利要求4所述的基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，对于步骤四中，随机技术公式如下：
xij k＝rand(nk)(aj k-bj k)+bj k
式中：aj k和bj k分别为第k个评价等级的上下限，nk为第k个评价等级随机数数量，xij k评价指标数据，其中i＝1,2,…,n；j＝1,2,…,k。
6.如权利要求1所述的基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，对于步骤六中BP神经网络选取3层神经网络模型，设置隐含层神经元数为6个，训练函数选用trainlm，模型精度0.001。
7.如权利要求6所述的基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，对于步骤六中，采用遗传算法对所建立的网络结构进行优化，经过反复调试后确定遗传算法参数，其中迭代次数为10，种群规模为10，交叉概率为0.3，变异概率为0.1，从而得到最佳适应度曲线，最佳适应度为1.431 9。
8.如权利要求1所述的基于GA-BP神经网络的页岩气开发区水资源承载力评价方法，其特征在于，对于步骤七中输出评价结果后，对应的不同评价等级确定影响其等级变化或趋势的水资源承载力评价指标，从而对该指标进行综合控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010714908.4A CN111815196B (zh) | 2020-07-23 | 2020-07-23 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010714908.4A CN111815196B (zh) | 2020-07-23 | 2020-07-23 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815196A CN111815196A (zh) | 2020-10-23 |
| CN111815196B true CN111815196B (zh) | 2023-11-24 |
Family
ID=72862238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010714908.4A Active CN111815196B (zh) | 2020-07-23 | 2020-07-23 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815196B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033954B (zh) * | 2021-02-18 | 2022-09-06 | 重庆大学 | 一种煤与煤层气协调开发智能决策方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101415196B1 (ko) * | 2013-10-15 | 2014-07-04 | 한국지질자원연구원 | 전기비저항 및 밀도 검층 데이터를 이용한 셰일가스전 스윗스팟 수평시추구간의 파쇄구간 선정방법 |
| CN106529818A (zh) * | 2016-11-16 | 2017-03-22 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
| CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及系统 |
| CN109374860A (zh) * | 2018-11-13 | 2019-02-22 | 西北大学 | 一种基于机器学习算法的土壤养分预测及综合评价方法 |
| CN110400382A (zh) * | 2019-07-19 | 2019-11-01 | 西安艾润物联网技术服务有限责任公司 | 基于etc设备的费用支付控制方法及装置 |
| CN110443418A (zh) * | 2019-07-31 | 2019-11-12 | 西安科技大学 | 基于ga-bp神经网络的城市用水量预测方法 |
| CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
| CN111260801A (zh) * | 2020-01-14 | 2020-06-09 | 西安艾润物联网技术服务有限责任公司 | 停车无人收费管理方法、设备及存储介质 |
| CN111292016A (zh) * | 2020-03-10 | 2020-06-16 | 中国环境科学研究院 | 一种基于psr模型的环保绩效评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10031024B2 (en) * | 2011-04-07 | 2018-07-24 | Gas Sensing Technology Corp. | Evaluating hydrologic reservoir constraint in coal seams and shale formations |
| CA3061724C (en) * | 2017-04-26 | 2024-05-28 | Conocophillips Company | Time-series geochemistry in unconventional plays |
-
2020
- 2020-07-23 CN CN202010714908.4A patent/CN111815196B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101415196B1 (ko) * | 2013-10-15 | 2014-07-04 | 한국지질자원연구원 | 전기비저항 및 밀도 검층 데이터를 이용한 셰일가스전 스윗스팟 수평시추구간의 파쇄구간 선정방법 |
| CN106529818A (zh) * | 2016-11-16 | 2017-03-22 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
| CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及系统 |
| CN109374860A (zh) * | 2018-11-13 | 2019-02-22 | 西北大学 | 一种基于机器学习算法的土壤养分预测及综合评价方法 |
| CN110400382A (zh) * | 2019-07-19 | 2019-11-01 | 西安艾润物联网技术服务有限责任公司 | 基于etc设备的费用支付控制方法及装置 |
| CN110443418A (zh) * | 2019-07-31 | 2019-11-12 | 西安科技大学 | 基于ga-bp神经网络的城市用水量预测方法 |
| CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
| CN111260801A (zh) * | 2020-01-14 | 2020-06-09 | 西安艾润物联网技术服务有限责任公司 | 停车无人收费管理方法、设备及存储介质 |
| CN111292016A (zh) * | 2020-03-10 | 2020-06-16 | 中国环境科学研究院 | 一种基于psr模型的环保绩效评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| "水资源开发利用对汉江流域水生态环境影响及生态系统健康评价研究";李柏山;《中国博士学位论文全文数据库 工程科技I辑》(第03期);第67页第4段、第70页第13段至第71页第1段、第70页倒数第3-4段和第71页表4-3、第88页第2段、第92页第4段至第95页第1段、第105页第2段至第106页第1段、第108页第1段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815196A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Meng et al. | Multi-objective hydropower station operation using an improved cuckoo search algorithm | |
| CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
| Amiri et al. | Improving water saturation estimation in a tight shaly sandstone reservoir using artificial neural network optimized by imperialist competitive algorithm–A case study | |
| CN103729550A (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
| Kalam et al. | An ANN model to predict oil recovery from a 5-spot waterflood of a heterogeneous reservoir | |
| CN102902985A (zh) | 基于二类支持向量机和粒子群算法的近海水质评价方法 | |
| CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
| CN106503792A (zh) | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 | |
| CN111815196B (zh) | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 | |
| CN109469478A (zh) | 基于改进qfd的高含水期整装油田多级开发潜力评价方法 | |
| Griggs | A re-evaluation of geopressured-geothermal aquifers as an energy resource | |
| Moghaddam et al. | A framework for the assessment of qualitative and quantitative sustainable development of groundwater system | |
| CN102360453A (zh) | 一种防护林水平配置方法 | |
| Ikpeka et al. | Application of machine learning models in predicting initial gas production rate from tight gas reservoirs | |
| Yi et al. | Spatial correlation-based machine learning framework for evaluating shale gas production potential: A case study in southern Sichuan Basin, China | |
| CN113762774A (zh) | 一种矿区所在地矿井水配置方法 | |
| Saafan et al. | A multi-objective optimization approach to groundwater management using genetic algorithm | |
| CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
| CN108133286B (zh) | 一种基于地面沉降替代模型的地下水多目标计算方法 | |
| CN110457831A (zh) | 一种地下水水源地的回补适宜性评价方法 | |
| Abrams et al. | Analysis of Risk to Sandstone Water Supply in the Southwest Suburbs of Chicago | |
| Moeck et al. | Geothermal Play Typing-Current Development and Future Trends of a Modern Concept for Geothermal Resources Assessment | |
| CN110443719B (zh) | 一种古潜山成藏有利区带的评价方法 | |
| Liu et al. | Infill Well Location Optimization Method based on Remaining Oil Recoverable Potential Evaluation | |
| Gad et al. | Application of sharing genetic algorithm for optimization of groundwater management problems in Wadi El-Farigh, Egypt |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |