CN113033074A - 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 - Google Patents
策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 Download PDFInfo
- Publication number
- CN113033074A CN113033074A CN202110211682.0A CN202110211682A CN113033074A CN 113033074 A CN113033074 A CN 113033074A CN 202110211682 A CN202110211682 A CN 202110211682A CN 113033074 A CN113033074 A CN 113033074A
- Authority
- CN
- China
- Prior art keywords
- strategy
- porosity
- prediction
- dragonfly algorithm
- dragonfly
- 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
- 241000238633 Odonata Species 0.000 title claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 5
- 230000002028 premature Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
Abstract
本发明公开了一种策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备,采用策略组合机制与蜻蜓算法相融合,然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化,基于优化后的支持向量回归方法建立预测模型,采用测井训练数据进行模型训练,利用训练后的预测模型进行孔隙度预测,有效地提高了算法的收敛速度、全局搜索能力和求解的精度,利用蜻蜓算法优化支持向量回归的参数,使储层参数孔隙度预测工作变得更加便捷高效,采用贪婪策略在蜻蜓算法中进行上下个体的交流,能够克服求解精度不高的问题,采用自适应策略进行蜻蜓算法的步长求解,能有效克服其早熟收敛的问题。
Description
技术领域
本发明涉及石油测井技术领域,特别涉及一种策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备。
背景技术
储层孔隙度是油气预测、油层识别和储量估算中最重要的综合评价参数,其准确性的获取是解释地层和降低油气勘探项目风险的基础和关键。在油气储层分析中,储层参数是综合利用地震和测井数据来评估和预测储层的属性,如岩性、几何形态、物性参数及油气性质等,精确预测这些参数尤其是对孔隙度和渗透率的预测,可以为地质综合评价、井位部署、储量估算等提供重要依据,因此孔隙度预测对石油勘探、开发具有重要意义。其中孔隙度是储层的基本性质,它被定义为一定体积内所含的孔隙率,因此孔隙度与储层中所含流体的数量及其流动能力有关。在当今竞争激烈的环境下,石油和天然气的生产和管理需要使用高科技工具,但这些工具增加了油气资源勘探、生产和管理的成本。在非岩心层段和非均质地层井中,由于一些测井数据不好获取或存在错误,利用常规测井资料进行孔隙度估算是一个比较困难和复杂的统计学问题。因此,需要经验丰富的专家和精密的实验室仪器来解释和评价储层参数,但这种手段是十分耗时昂贵的,实验传统的经验公式获取,存在着不可避免的误差,因此开发经济、有效的精确预测孔隙度的方法和技术是至关重要的。
发明内容
本发明的目的在于提供一种策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种策略组合机制融合蜻蜓算法的孔隙度预测方法,包括以下步骤:采用策略组合机制与蜻蜓算法相融合,然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化,基于优化后的支持向量回归方法建立预测模型,采用测井训练数据进行模型训练,利用训练后的预测模型进行孔隙度预测。
进一步的,采用原始测井数据的一部分作为测井训练数据。
进一步的,策略组合机制包括自适应策略、贪婪策略、平衡策略和组合策略,采用自适应策略用于蜻蜓算法的搜索空间,引入自适应策略步长为:
其中fit(t)是函数适应值,bestf(t)和worstf(t)分别是最佳和最差的适应值,t表示当前的迭代次数。
进一步的,采用贪婪策略在蜻蜓算法中进行上下个体的交流,设解空间中N个蜻蜓在第t次迭代的位置矩阵其对应的适应值矩阵每次迭代时,构造增广位置矩阵其对应的增广适应值矩阵按升序对增广适应值矩阵的所有元素进行排序,并建立排序映射OSt→XSt。
进一步的,选择XSt中前N个个体形成新的位置矩阵XNt。
进一步的,采用平衡策略在蜻蜓算法中加入气压扰动系数:
气压扰动系数:P(H)=P0e-Ah
式中,p0为最高气压,A为空气平均密度系数,h表示距离最低点的高度,取值是[0,10]。
进一步的,采用组合策略对蜻蜓算法进行优化:
进一步的,设训练样本集为{(xi,yi),i=1,2,...,n},其中n为训练样本的个数,ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt为第i个训练样本的输入向量,yi∈R为相应的输出值,
优化后的回归函数f(x)为:
一种策略组合机制融合蜻蜓算法的孔隙度预测系统,包括预测模块和训练模块,训练模块用于根据存储的预测模型以及测井训练数据进行模型训练,并将训练好的模型存储至预测模块,所述预测模型根据融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化后的支持向量回归方法建立,预测模块用于根据采集数据对孔隙度进行预测。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种策略组合机制融合蜻蜓算法的孔隙度预测方法,采用策略组合机制与蜻蜓算法相融合,然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化,基于优化后的支持向量回归方法建立预测模型,采用测井训练数据进行模型训练,利用训练后的预测模型进行孔隙度预测,有效地提高了算法的收敛速度、全局搜索能力和求解的精度,利用蜻蜓算法优化支持向量回归的参数,使储层参数孔隙度预测工作变得更加便捷高效。
进一步的,采用贪婪策略在蜻蜓算法中进行上下个体的交流,能够克服求解精度不高的问题。
进一步的,采用自适应策略进行蜻蜓算法的步长求解,能有效克服其早熟收敛的问题。
本发明一种策略组合机制融合蜻蜓算法的孔隙度预测系统,能够快速有效的预测孔隙度,结构简单、使用方便、性能优良、鲁棒性强。
附图说明
图1为本发明实施例中基于策略组合机制的孔隙度预测流程图。
图2为本发明实施例中蜻蜓算法的流程图。
图3为本发明实施例中EIADA-SVR模型的预测孔隙度与岩心孔隙度的交会图。
图4为本发明实施例中DA-SVR模型的预测孔隙度与岩心孔隙度的交会图。
图5为本发明实施例中SVR模型的预测孔隙度与岩心孔隙度的交会图。
图6为本发明实施例中BP模型的预测孔隙度与岩心孔隙度的交会图。
图7为本发明实施例中本申请预测模型与现有算法预测结果对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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其他实施例,都属于本发明保护的范围。
如图1、图2所示,一种策略组合机制融合蜻蜓算法的孔隙度预测方法,包括以下步骤:
采用策略组合机制与蜻蜓算法(DA)相融合,然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归(SVR)的惩罚函数C与核函数G参数进行优化,基于优化后的支持向量回归方法建立预测模型,采用测井训练数据进行模型训练,利用训练后的预测模型进行孔隙度预测。
具体的,所述预测模型基于策略组合机制的蜻蜓算法孔隙度SVR预测模型(EIADA-SVR),对孔隙度进行预测,本发明利用自适应策略、贪婪策略、平衡策略和组合策略优化蜻蜓算法,然后使用优化后的蜻蜓算法对支持向量回归的参数进行优化,有效的提高了算法的收敛速度、全局搜索能力和求解的精度。
本发明采用测井训练数据是采集原始测井数据,将原始测井数据分为测井训练数据和测井测试数据,利用测井测试数据对训练后的模型进行检测。
策略组合机制包括自适应策略、贪婪策略、平衡策略和组合策略,利用自适应策略、贪婪策略、平衡策略和组合策略优化蜻蜓算法。
蜻蜓算法的步长求解时,通常使用Le’vy步长来探索空间,算法中没有任何的机制来控制迭代过程中的步长,这样容易导致算法陷入局部最优解;本申请采用自适应策略用于蜻蜓算法的搜索空间,引入自适应策略步长为:
其中fit(t)是函数适应值,bestf(t)是最佳的适应值,worstft(t)是最差的适应值,t表示当前的迭代次数;
采用自适应策略进行蜻蜓算法的步长求解,能有效克服其早熟收敛的问题。
采用贪婪策略在蜻蜓算法中进行上下个体的交流,设解空间中N个蜻蜓在第t次迭代的位置矩阵其对应的适应值矩阵 每次迭代时,构造增广位置矩阵其对应的增广适应值矩阵按升序对增广适应值矩阵的所有元素进行排序,并建立排序映射OSt→XSt。排序结束后,选择XSt中前N个个体形成新的位置矩阵XNt,采用贪婪策略在蜻蜓算法中进行上下个体的交流,能够克服求解精度不高的问题。
采用平衡策略在蜻蜓算法中加入气压扰动系数:
气压扰动系数:P(H)=P0e-Ah
式中,p0为最高气压,取p0=1。A为空气平均密度系数,取A∈[0.1,2.0],h表示距离最低点的高度,取值是[0,10]。
采用组合策略对蜻蜓算法进行优化,提高全局搜索能力:
其中支持向量回归(SVR)是一种从支持向量机(SVM)扩展的回归方法,设训练样本集为{(xi,yi),i=1,2,...,n},其中n为训练样本的个数,ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt为第i个训练样本的输入向量,yi∈R为相应的输出值,SVR的目标是确定以下回归函数:
SVM最小化结构风险是为了找到函数f(x),结构风险最小化可以通过下面的公式计算:
其中,C为惩罚因子,它表示模型的复杂度与近似误差之间的平衡;若C的值太高或太低,模型的泛化能力都将变弱。
由上式,引入拉格朗日函数并转换为对偶形式,可得到:
其中K(xixj)是核函数,不同的核函数对支持向量机的性能有重要的影响,在本发明中选择采用适应性广的RBF核函数,影响径向基核函数支持向量机性能的主要参数:惩罚函数C和核函数G,由上式得到的最优解为:
则最后得到优化后的回归函数f(x)为:
其中ε是损失函数,w*是最优权重向量,αi是拉格朗日乘子,αi *是最优拉格朗日乘子,b*是最优偏置向量,是输入特征空间到高维特征空间的映射,用于调整回归近似误差的大小以控制支持向量的数量和泛化能力,因此ε值越大,精度越低。
蜻蜓算法能够实现:
(1)分离:避免邻近个体之间发生碰撞;该行为的计算公式如下:
(2)对齐:相邻个体之间保持相同的速度。该行为的计算公式如下:
(3)内聚:蜻蜓个体向相邻群体中心靠近。该行为的计算公式如下:
(4)食物吸引力:指食物对蜻蜓的吸引力。该行为的计算公式如下:
Fi=X+-X
(5)天敌排斥力:指蜻蜓对天敌的排斥力。该行为的计算公式如下:
Ei=X-+X
根据上述5种蜻蜓个体的行为,蜻蜓算法的下一代步长计算如下:
ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+ωΔXt
有邻近蜻蜓时,下一代蜻蜓的位置为:
Xt+1=Xt+αXt+1
当没有邻近的蜻蜓,设置为随机游走行为,下一代蜻蜓的位置为:
Xt+1=Xt+Le'vy(d)×Xt
其中t表示当前的迭代次数;Si表示第i个个体的分离量;X是当前个体的位置;Xj是相邻个体j的位置;N为相邻个体的数量;Ai表示第i个个体的对齐量;Vj为第j个邻近个体的速度;Ci表示第i个个体的内聚量;Fi表示第i个个体对食物的吸引力;X+表示食物所在的位置;Ei表示第i个个体需逃离天敌的距离;X-表示天敌所在的位置。Xt表示当前第t代种群个体位置;ΔXt+1表示下一代种群位置更新步长;ΔXi+1表示下一代种群个体位置;s,a,c,f,e分别对应于5种行为的权重;w是惯性权重;d是个体位置向量的维数。
Le’vy函数计算公式如下:
其中,r1,r2是[0,1]随机数,Γ(x)=(x-1)!,β是一个常数(这里取为0.5)。
为提高模型质量和建模速度,在进行实验之前首先要研究常规测井数据与孔隙度之间的非线性关系,确定输入数据与输出数据之间的逻辑关系。因此在训练网络时,要分析不同类型的测井参数与孔隙度之间的响应关系,使用相关性分析技术优先筛选出与孔隙度具有最佳相关性的常规测井参数,这里对AC、CNL、DEN、GR、ILD、RML、RMN、Vsh8种常规测井参数和岩心孔隙度数据进行Pearson系数相关性分析,得到8种常规测井参数与孔隙度的相关系数(绝对值)如表1所示,从表1中可以看出,声波时差(AC)、补偿中子(CNL)、补偿密度(DEN)和自然伽马(GR)的测井值与孔隙度的相关性最高,所以我们认为常规测井参数AC、CNL、DEN和GR与测得的孔隙度之间必然存在关系。通过主成分分析技术,这四种常规测井数据之间不相关。因此,在发明中,选择常规测井参数AC、CNL、DEN和GR作为预测模型(EIADA-SVR)的输入,孔隙度被用作输出目标。
表1常规测井参数与孔隙度的相关系数
本申请中,一共选取739组数据样本,所有可用的数据集被随机划分为两个不同的子集,包括训练和测试子集。这些子集中每一部分的比例分别占整个数据集的80%和20%。实验随机选取80%的数据对预测模型(EIADA-SVR)进行训练,其余20%数据对该模型进行测试,为了进一步确保所得结果的公平性和准确性,实验进行多次迭代,并获得了运行的平均值。这里,径向基核函数(RBF)用来构建支持向量回归(SVR)模型,同时使用改进的蜻蜓算法(EIADA)同步优选支持向量回归的惩罚函数C和核参数G。
在发明中采用下面三个预测精度评估指标,均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)用作该训练模型的预测精度和质量的评估,这些指标已经被广泛用于评估网络模型的拟合优度,其中x0(i)是测量值,x(i)是预测值,n是样本总数。公式如下:
1.均方误差(MSE)
2.平均绝对误差(MAE)
3.平均绝对百分比误差(MAPE)
为了验证该模型的准确性,在均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)的基础上,对EIADA-SVR预测模型进行评估,同时为了进一步检验所提出的EIADA-SVR预测模型的性能,对原始的DA-SVR模型和传统的神经网络模型:(BP、SVR)反向传播(Back Propagation,简称BP)神经网络、支持向量机(Support Vector Machine,简称SVM)使用相同的数据集来测试和训练模型,以便与本文所提出的EIADA-SVR模型进行比较。证明了本发明所构建的基于策略组合机制的蜻蜓算法孔隙度SVR预测模型在测井孔隙度中性能更好。
如图3-图7所示,实验结果表明,证明本发明所提出的EIADA-SVR混合模型的性能优于标准的DA-SVR模型和传统的BP、SVR神经网络模型,与BP、SVR、DA-SVR模型相比,改进的混合网络模型(EIADA-SVR)在所有情况下均达到误差最低,如表2所示。其中EIADA-SVR的精度评估指标为MAE=0.0034,MSE=0.000018,MAPE=0.0036。同时EIADA-SVR、DA-SVR、BP、SVR模型的准确率分别为96.4%、95.4%、94.5%和92.4%。从所给的表格与预测图中可以清楚的看出,所提出的EIADA-SVR模型与传统的人工神经网络相比,EIADA-SVR模型在孔隙度预测中的性能优于传统的人工神经网络模型,它具有更高的储层孔隙度预测能力,因此该模型在储层孔隙度预测中的应用是可行的,同时也表明改进的蜻蜓算法与支持向量回归相结合的神经网络具有高精度、稳定性、准确性的功能。因此EIADA-SVR模型可以提供一种实用、快速、廉价的解决方案,从而解决油田数据不足的油气藏孔隙度估计问题。再一次证明了本发明所构建的策略组合机制的蜻蜓算法孔隙度SVR预测模型在测井孔隙度中性能更好。
表2不同模型预测误差对比表
本发明一种策略组合机制融合蜻蜓算法的孔隙度预测方法,利用自适应策略、贪婪策略、平衡策略和组合策略有效地提高了算法的收敛速度、全局搜索能力和求解的精度。与其他传统的神经网络相比较,本模型的预测准确性达到96.4%,使其能更准确、可靠的预测孔隙度。本发明的方法利用蜻蜓算法优化支持向量回归的参数,使储层参数孔隙度预测工作变得更加便捷高效。
由于本发明的方法具有局部搜索和全局搜索能力,并在某具体油田孔隙度预测中得到了成功的应用,与其它神经网络相比在孔隙度的预测中实现了更低的MAE、MSE、MAPE,所以具有比经典方法更优的泛化能力。本发明进一步证实了人工智能技术融合的良好前景,这将为石油和天然气储层以及其他应用领域提供一个新的预测模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种策略组合机制融合蜻蜓算法的孔隙度预测方法,其特征在于,包括以下步骤:采用策略组合机制与蜻蜓算法相融合,然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化,基于优化后的支持向量回归方法建立预测模型,采用测井训练数据进行模型训练,利用训练后的预测模型进行孔隙度预测。
2.根据权利要求1所述的一种策略组合机制融合蜻蜓算法的孔隙度预测方法,其特征在于,采用原始测井数据的一部分作为测井训练数据。
5.根据权利要求4所述的一种策略组合机制融合蜻蜓算法的孔隙度预测方法,其特征在于,选择XSt中前N个个体形成新的位置矩阵XNt。
6.根据权利要求3所述的一种策略组合机制融合蜻蜓算法的孔隙度预测方法,其特征在于,采用平衡策略在蜻蜓算法中加入气压扰动系数:
气压扰动系数:P(H)=P0e-Ah
式中,p0为最高气压,A为空气平均密度系数,h表示距离最低点的高度,取值是[0,10]。
9.一种策略组合机制融合蜻蜓算法的孔隙度预测系统,其特征在于,包括预测模块和训练模块,训练模块用于根据存储的预测模型以及测井训练数据进行模型训练,并将训练好的模型存储至预测模块,所述预测模型根据融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化后的支持向量回归方法建立,预测模块用于根据采集数据对孔隙度进行预测。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211682.0A CN113033074A (zh) | 2021-02-25 | 2021-02-25 | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211682.0A CN113033074A (zh) | 2021-02-25 | 2021-02-25 | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033074A true CN113033074A (zh) | 2021-06-25 |
Family
ID=76462055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110211682.0A Pending CN113033074A (zh) | 2021-02-25 | 2021-02-25 | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033074A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707399A (zh) * | 2022-03-01 | 2022-07-05 | 浙江大学 | 一种六维力传感器的解耦方法 |
CN115952402A (zh) * | 2022-09-29 | 2023-04-11 | 南京林业大学 | 基于二进制蜻蜓算法的近红外模型传递标样集挑选方法 |
CN117195746A (zh) * | 2023-10-24 | 2023-12-08 | 佛山科学技术学院 | 一种基于多元策略蜻蜓算法的梁结构损伤识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN111723949A (zh) * | 2020-06-24 | 2020-09-29 | 中国石油大学(华东) | 基于选择性集成学习的孔隙度预测方法 |
-
2021
- 2021-02-25 CN CN202110211682.0A patent/CN113033074A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN111723949A (zh) * | 2020-06-24 | 2020-09-29 | 中国石油大学(华东) | 基于选择性集成学习的孔隙度预测方法 |
Non-Patent Citations (4)
Title |
---|
ZHONGWEI LI, ET AL.: "Prediction and application of porosity based on support vector regression model optimized by adaptive dragonfly algorithm", 《ENERGY SOURCES, PART A: RECOVERY, UTILIZATION, AND ENVIRONMENTAL EFFECTS》, vol. 43, no. 9, pages 2 - 4 * |
吴伟民;吴汪洋;林志毅;李泽熊;方典禹;: "基于增强个体信息交流的蜻蜓算法", 计算机工程与应用, vol. 53, no. 04, pages 11 - 12 * |
曹紫阳;贾文友;梁利东;江磊;: "基于量子行为和差分进化的改进蜻蜓算法", 常州工学院学报, vol. 32, no. 06, pages 33 - 40 * |
段友祥;王言飞;孙歧峰;: "选择性集成学习模型在岩性-孔隙度预测中的应用", 科学技术与工程, vol. 20, no. 03, pages 1001 - 1008 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707399A (zh) * | 2022-03-01 | 2022-07-05 | 浙江大学 | 一种六维力传感器的解耦方法 |
CN114707399B (zh) * | 2022-03-01 | 2024-09-20 | 浙江大学 | 一种六维力传感器的解耦方法 |
CN115952402A (zh) * | 2022-09-29 | 2023-04-11 | 南京林业大学 | 基于二进制蜻蜓算法的近红外模型传递标样集挑选方法 |
CN115952402B (zh) * | 2022-09-29 | 2023-06-27 | 南京林业大学 | 基于二进制蜻蜓算法的近红外模型传递标样集挑选方法 |
CN117195746A (zh) * | 2023-10-24 | 2023-12-08 | 佛山科学技术学院 | 一种基于多元策略蜻蜓算法的梁结构损伤识别方法 |
CN117195746B (zh) * | 2023-10-24 | 2024-05-28 | 佛山科学技术学院 | 一种基于多元策略蜻蜓算法的梁结构损伤识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033074A (zh) | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 | |
WO2022083009A1 (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
CN111008447B (zh) | 一种基于图嵌入法的链路预测方法 | |
CN108563837B (zh) | 一种冲积河流水沙模型的模型参数实时校正方法和系统 | |
CN111489034B (zh) | 一种油气储层渗透率预测模型的构建方法及其应用 | |
CN111767674B (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN108182500A (zh) | 基于加速寿命试验的弹药贮存可靠性预测方法 | |
CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
CN108764475A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及系统 | |
CN106991509A (zh) | 基于径向基函数神经网络模型的测井曲线预测方法 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN115342814A (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
Muhamedyev et al. | Comparative analysis of classification algorithms | |
CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
CN117421562A (zh) | 海洋溶解氧含量时空分布预测方法、系统、介质及设备 | |
CN117172386A (zh) | 优势储层划分识别预测方法、系统、电子设备、及介质 | |
CN116757323A (zh) | 一种基于IVMD-IAO-BiLSTM的滑坡位移预测方法 | |
CN115062551B (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
Duan et al. | A new neural network model for rock porosity prediction | |
CN115510753A (zh) | 群智网络中基于矩阵补全与强化学习的数据收集方法 | |
CN114821322A (zh) | 基于注意力机制的小样本遥感影像分类方法及系统 | |
CN113064216A (zh) | 一种储层孔隙度预测方法、系统、设备及可读存储介质 |
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 |