CN112949186B - 一种基于ssa-lssvm模型预测含蜡原油析蜡点温度的方法 - Google Patents

Abstract

本发明公开了一种基于SSA‑LSSVM模型预测含蜡原油析蜡点温度的方法，利用麻雀搜索算法(SSA)优化最小二乘支持向量机(LSSVM)模型中的罚参数γ和核函数宽度σ²，建立含蜡原油析蜡点温度SSA‑LSSVM预测方法；本发明利用SSA‑LSSVM模型预测含蜡原油析蜡点温度，其预测精度高、泛化能力强、不易陷入局部最优的问题，可以动态地为工程提供参考数据，对含蜡油气藏的合理开发提供一定的帮助。

Description

一种基于SSA-LSSVM模型预测含蜡原油析蜡点温度的方法

技术领域

本发明涉及石油天然气勘探开发技术领域，尤其涉及一种基于SSA-LSSVM模型预测含蜡原油析蜡点温度的方法。

背景技术

在油气藏开采过程中，随着温度、压力、流体流动速度等条件的变化，油气藏流体中以石蜡为主的固相物质会逐渐析出并沉积，储集层中沉积的石蜡会降低储层的孔隙度和渗透率，井筒和地面设备的壁面上沉积的石蜡会减小有效流动面积甚至完全堵塞井筒和地面流动管线，导致油气井的产能降低，严重时甚至停产，因此石蜡沉积对正常的石油生产带来的影响和危害不容忽视。

存在于原油或者凝析气体系中的石蜡，其结构为非常细小的粗晶蜡和微晶蜡，当温度小于其析蜡点温度时，蜡晶将会沉积下来，在流动的过程中，如果作用在石蜡上的剪切应力小于石蜡沉积的剪切强度，则会对流动的流体形成阻碍，引起堵塞。在油气藏中发生的石蜡沉积一直是需要解决的重大技术点难点，是当前在石油界中需要开展的必要研究课题，由于其难度较大，需要实验与流体热力学理论结合进行研究。对于石蜡沉积问题的深入研究，不仅可以解决在开采油气田过程中长期困扰人们的井筒、集输管线和地层里的固相沉积问题，而且还能够为高凝高粘油藏、深层气藏、凝析气藏以及注气提高油气藏采收率的高效开展提供科学的研究手段和科学的预测方法。近几年来，人工智能手段蓬勃发展，智能算法模型不用分析复杂的沉积过程就能够很好地预测出含蜡原油的析蜡点温度。但是，现有的智能算法模型的不足之处在于预测精度不够，易陷入局部最优。因此，有必要提供一种新的模型方法来预测含蜡原油的析蜡点温度，从而对含蜡油气藏的合理开发奠定基础。

发明内容

为解决上述技术问题，本发明的目的在于提供一种基于SSA-LSSVM模型预测在含蜡原油析蜡点温度的方法。该模型的优点是预测精度高、泛化能力强、不易陷入局部最优的问题，能够为实验分析以及实际工程提供有效的参考数据。

为了达到上述发明的目的，本发明采取的技术方案是：

基于SSA-LSSVM模型预测含蜡原油析蜡点温度的方法，具体步骤如下：

步骤1：利用Pearson关联方法来确定建模所用的输入变量和输出变量；将实验数据分为两部分，训练数据和预测数据比例按照7:3进行；

步骤2：利用LSSVM算法建立含蜡原油析蜡点温度的预测模型；

步骤3：对原始数据进行归一化处理，利用麻雀搜索算法(SSA)优化参数的数据、最小二乘支持向量机(LSSVM)预测模型训练和测试的样本数据；

步骤4：对SSA算法以及LSSVM预测模型参数初始化设置：利用收集的析蜡点温度数据，进行二进制编码，产生初代种群，即初始LSSVM模型，然后训练模型，通过SSA算法优化获得LSSVM预测模型参数，建立麻雀搜索算法最小二乘支持向量机(SSA-LSSVM)预测模型，对测试样本进行析蜡点温度预测；

步骤5：采用异常点检测等理论对步骤4得到的预测结果与测试值分析对比，验证预测值的正确性以及模型的适用范围。

本发明采取的技术和现有技术相比较，具有以下优点：

本发明采用LSSVM建立的SSA-LSSVM含蜡原油析蜡点温度预测模型，克服了常用模型的缺点，该模型泛化能力强、预测精度高以及适应性能较好、不易陷入局部最优问题；本发明选用SSA算法对LSSVM模型参数进行了优化，不仅具有可以处理离散变量问题还具有处理连续变量以及非线性目标和不需要梯度信息来约束函数等问题的优点。

附图说明

图1是支持向量机的基本原理图

图2是本发明的基本方法流程图

图3是采用SSA-LSSVM模型预测含蜡原油析蜡点温度的结果图

图4是各预测模型相对应的平均AARD对比结果图

图5是SSA-LSSVM模型的异常点检测结果图

具体实施方式

以下结合附图，将对本发明的技术方案进行详细介绍：

本发明理论背景

支持向量机(SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以通过核方法进行非线性分类，是常见的核学习方法之一。SVM通过训练样本数据，从而得到相应的预测模型，和其他预测方法相比，它具有结构风险较小，适用于样本小、维度高的数据处理。SVM的预测精度取决于松弛变量ζ_i和正规化常数C，正规化常数C和松弛变量ζ_i随着输入数据的变化而变化，将直接影响样本的预测精度。各种算法改进的方向则变成了如何影响C和ζ_i的取值。为了使SVM便于计算，最小二乘支持向量机(LSSVM)应运而生。LSSVM是在SVM基础上运用最小二乘相关原理开发出来的，有以下两个特点：一是采用二次规划方法将SVM中的不等式约束改为等式约束，用求解线性方程组问题代替二次规划问题；二是克服了常规预测方法难以解决的数据集粗糙、数据量不足等缺点，尤其适用于小样本预测。显然，以上两种特点是的LSSVM的运算过程得到简化，运算效率显著提高。

基于结构风险最小化原则以及统计学理论的基础，SVM适用于线性分类问题研究，也可以通过求解一个凸二次优化问题，被应用到非线性数据的回归计算问题以及未知函数曲线的拟合方面。图1是一个支持向量机的基本结构图。在形式上，SVM与前馈式神经网络同样具有数据信息的输入端和输出端；但是神经网格的神经元被SVM用核函数取代，使的两者的工作原理有所区别。SVM中核函数的作用是将低维度输入向量转换为更高维度的向量空间，核函数转换后，SVM便能选择合适的优化算法来执行线性回归或分类计算。

基于SSA-LSSVM模型预测在含蜡原油析蜡点温度的方法，具体步骤如下：

第一步：为保证模型的准确性和有效性，本发明的实验数据选取了国内外公开发表的4组含蜡原油析蜡点温度的数据(107个数据点)，由于实验数据数量级不一致，为了提高模型的预测精度，故采用mapminmax函数对数据进行归一化处理。将4组数据中每一组数据的70％用做训练样本(Train)，而剩余数据的30％用做预测样本(Test)；利用Pearson关联方法来确定含蜡原油析蜡点温度的主要影响因素是P、MW；所以本发明选取以上变量作为输入变量，析蜡点温度为输出变量；mapminmax函数所采用的映射为：

第二步：利用LSSVM算法建立含蜡原油析蜡点温度的预测模型；其具体过程如下：

首先，将输入变量记作x，输出变量记作y，这些析蜡点温度数据分为两部分：训练数据和预测数据。假设样本数集{(x_i,y_i),i＝1,2,3,…,N}为n维的列向量，其中N是样本个数，x_i为第i个数据的输入数值，y_i为第i个数据的输出数值，SVM算法引入核函数，将非线性变化的输入样本空间映射至高维特征空间中，进而解决样本数据线性可分的问题。核变换后，决策函数为如下形式：

式中，ω—权重系数；

b—偏移量，b∈R。

通过寻找最优的ω、b，在Laplace损失函数固定不变的情况下，将置信范围最小化，最优化问题将转化为：

式中，x_i—第i个学习样本输入值；

y_i—第i个学习样本输出值；

因此问题转化为求取1/2||ω||²的最小化，训练误差即为最优化问题的约束条件，因此，通过改变得到相应的回归函数，其拥有良好的泛化性能。在一定误差允许存在的前提下，若约束条件没法满足的情况出现时，则加入松弛变量ζ_i、ζ_i ^*，此时最优化问题就转变成：

式中，ζ_i、ζ_i ^*—松弛变量；

C—正规化常数，C≥0。

为更方便地进行方程求解，我们改变之前的凸二次规划问题，从而引入了拉格朗日函数：

式中，α_i、α_i*、η_i、η_i*—每一个样本对应的Lagrange乘子对。

由上式可得，对应的求解问题如下：

根据Karush-Kuhn-Tucker条件可知，在最优点处，拉格朗日乘子与对应的约束相乘为零，即：

可以得出α_i×α_i*＝0，α_i和α_i*中必须有一个值为零，由标准支持向量机可计算出偏移量b，即：

为了进一步提高计算精确度，通常做法是对标准的SVM求对应的偏移量，然后再求取平均值，则：

式中，Nnsv—标准支持向量的个数。

因此由式(8)和(9)可得，最终的回归函数表达式为：

LSSVM和SVM拥有相同的结构，它具有输入层和输出层，隐藏层包含将低维输入数据转换到高维的内核，输入向量经过内核转换变为特征空间的假高维度向量，从而拥有了高维度空间向量的可区分性以及低维度空间的可计算性，但LSSVM与SVM的工作原理不相同，SVM是基于不等式约束，而LSSVM是基于等式约束，使原问题从二次规划问题转化为线性KKT系统的线性方程问题。

LSSVM回归的基本思想是通过将低维空间的非线性回归问题转化为高维特征空间的线性回归问题，选定一个训练集(x_i,y_i),i＝1,2,…,l，LSSVM的回归函数为：

根据结构风险最小化原则，LSSVM的优化目标可表示为：

引入Lagrange乘子α_i，则式(12)对偶问题的Lagrange多项式为：

将式(13)代入Karush-Kuhn-Tucker(KKT)条件可得：

从而用求解式(14)中的线性方程组问题代替所求的解优化问题。

式中，I＝[1,2,…,l]^T，α＝[α₁,α₂,…,α_l]^T，y＝[y₁,y₂,…,y_l]^T，A＝ZZ^T+γ^-1I，

i＝1,2,…,l。

最终，LSSVM回归模型变为：

式中，K(x_i,x)是LSSVM的核函数，最小二乘支持向量机的核函数有：多项式函数、RBF核函数、反曲函数。大量研究表明在回归预测中采用RBF核函数的效果较好，表达式如下。

K(x_i,x)＝exp(-‖x-x_i‖²/2σ²) (17)

式中，σ²为核函数宽度，反映了边界封闭包含的半径。在LSSVM的回归模型中，罚参数γ和核函数宽度σ²是影响LSSVM性能最大的两个参数。本发明采用麻雀搜索算法优化γ和σ²两个参数。

第三步：对原始数据进行归一化处理，利用麻雀搜索算法(SSA)优化参数的数据、最小二乘支持向量机预测模型训练和测试的样本数据；在本发明中，需对罚参数γ和核函数宽度σ²进行优化，最优的γ、σ²分别为173.345、0.7218；具体优化流程如图2所示。

第四步：对麻雀搜索算法(SSA)以及最小二乘支持向量机(LSSVM)预测模型参数初始化设置：利用收集的析蜡点温度数据，进行二进制编码，产生初代种群，即初始最小二乘支持向量机(LSSVM)模型，然后训练模型，通过麻雀搜索算法(SSA)优化获得最小二乘支持向量机(LSSVM)预测模型参数，建立麻雀搜索算法最小二乘支持向量机(SSA-LSSVM)预测模型，对测试样本进行析蜡点温度预测；SSA-LSSVM模型预测含蜡原油析蜡点温度的结果如图3所示。由图3可知，SSA-LSSVM模型的预测值绝大多数均匀分布在45°线附近，模型精确度很高。

第五步：采用异常点检测等理论对步骤4得到的预测结果与测试值分析对比，验证预测值的正确性以及模型的适用范围。

析蜡点温度的实验值和计算值的绝对平均误差(AARD)定义如下：

为方便分析模型关联计算的每一组析蜡点温度的AARD结果，在得到预测析蜡点温度之后再运用AARD公式进行计算，得出SSA-LSSVM模型在温度270K～320K和压力0～70MPa条件下，预测析蜡点温度的平均误差为4.73％，最大平均误差为24.15％。

为了验证模型的有效性，运用LSSVM进行对比测试，测试数据不变，各预测模型所对应的绝对平均误差AARD对比结果如图4所示。图4是各预测模型相对应的平均AARD对比结果图。

运用异常点检测理论计算SSA-LSSVM模型的帽子值H和标准方差SR，作异常点检测，如图5所示，所有数据点均分布在0≤H*≤H和-3≤R≤3控制的区域内，没有异常点存在，说明模型有效，从而进一步的说明了模型的可靠性和准确性。

运用SSA算法对LSSVM模型进行参数寻优，建立了基于SSA-LSSVM的析蜡点温度预测模型，通过灵敏度分析计算可知，SSA-LSSVM模型的预测结果要优于LSSVM以及改进的Hsu模型，且通过异常点检测，从而充分说明本发明的有效性和准确性，可以出色的实现数据的准确预测。

Claims (1)

1.一种基于SSA-LSSVM模型预测含蜡原油析蜡点温度的方法，其特征在于，具体步骤如下：

步骤1：利用Pearson关联方法来确定建模所用的输入变量和输出变量；将实验数据分为两部分，训练数据和预测数据比例按照7∶3进行；

步骤2：利用LSSVM算法建立含蜡原油析蜡点温度的预测模型；

K(x_i,x)＝exp(-||x-x_i||²/2σ²)

式中：K(x_i,x)为LSSVM的核函数；σ²为核函数宽度；b为偏移量；x_i为第i个学习样本输入值；y为输出数据；

步骤3：对原始数据进行归一化处理，利用SSA算法优化参数的数据、LSSVM预测模型训练和测试的样本数据；

步骤4：对SSA算法以及LSSVM预测模型参数初始化设置：利用收集的析蜡点温度数据，进行二进制编码，产生初代种群，即初始LSSVM模型，然后训练模型，通过SSA算法优化获得LSSVM预测模型参数，建立麻雀搜索算法最小二乘支持向量机(SSA-LSSVM)预测模型，对测试样本进行析蜡点温度预测；

步骤5：采用异常点检测理论对步骤4得到的预测结果与测试值分析对比，验证预测值的正确性以及模型的适用范围。

Images