CN116401931A - 一种循环井结构和运行参数优化方法、系统及设备 - Google Patents

一种循环井结构和运行参数优化方法、系统及设备 Download PDF

Info

Publication number
CN116401931A
CN116401931A CN202310670890.6A CN202310670890A CN116401931A CN 116401931 A CN116401931 A CN 116401931A CN 202310670890 A CN202310670890 A CN 202310670890A CN 116401931 A CN116401931 A CN 116401931A
Authority
CN
China
Prior art keywords
parameters
circulating well
circulating
well
prediction model
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.)
Granted
Application number
CN202310670890.6A
Other languages
English (en)
Other versions
CN116401931B (zh
Inventor
方樟
赵思远
周睿
马喆
张春鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202310670890.6A priority Critical patent/CN116401931B/zh
Publication of CN116401931A publication Critical patent/CN116401931A/zh
Application granted granted Critical
Publication of CN116401931B publication Critical patent/CN116401931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明公开一种循环井结构和运行参数优化方法、系统及设备，涉及污染修复领域。本发明通过建立循环井驱动下的地下水流运动数值模型来模拟给定参数条件下循环井的运行情况，构建数据集；对数据集进行清洗处理并划分训练集和测试集；运用支持向量机算法进行模型训练，得到循环井运行效果预测模型；利用测试集对循环井运行效果预测模型进行泛化能力分析；将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行，从而提升循环井的运行效果，具有易操作、周期短、成本低的特点。

Description

一种循环井结构和运行参数优化方法、系统及设备
技术领域
本发明涉及污染修复技术领域，特别是涉及一种循环井结构和运行参数优化方法、系统及设备。
背景技术
随着全球经济的飞速发展，地下水污染问题日益严重，环境修复工作已成为当今社会的一个重要课题。为了应对环境污染问题，许多先进的工艺技术被开发出来，如抽提技术、渗透反应墙技术等。其中，地下水循环井技术作为一项先进的修复技术，自上世纪80年代开始受到人们的关注，并已经得到了应用。地下水循环井技术具有很好的修复效果并且对场地水文地质条件影响较小，可以将多种修复技术结合其中，实现污染物的有效去除，从而实现地下水污染的绿色高效原位修复。循环井通过水力驱动能够在井周围形成可控的垂向地下水流场，有效穿透低渗透地层，去除地下水和含水层介质中的污染物，尤其对挥发性有机污染物、半挥发性有机污染物具有良好的效果。循环井技术有着巨大的推广价值，但运行效果受水文地质条件、循环井结构和运行参数等多种因素的影响，在不同条件下，循环井运行效果差异明显，因此，前期需要开展大量的调查和试验工作以针对场地的特定水文地质条件进行专门设计。
为了研究循环井的水力环流特征，明确循环井运行参数、结构参数和水力循环影响范围的关系，常用的研究手段可分为解析求解、数值模拟、室内实验和场地试验方法。然而以往对于循环井的研究虽然已得出影响循环井运行效果的规律性结论，但研究过程所需要的周期较长、成本较高，且难以全面、准确地分析出运行效果和各影响因素之间的关系，这对于指导循环井的实际应用稍显不足。
发明内容
针对上述背景技术中提出的问题，本发明提供一种循环井结构和运行参数优化方法、系统及设备，以提升循环井的运行效果，并且具有易操作、周期短、成本低的特点。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提供一种循环井结构和运行参数优化方法，包括：
建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集；所述给定参数包括水文地质参数、循环井结构参数及循环井运行参数；
对数据集进行清洗处理并将处理后数据集划分为训练集和测试集；
以训练集中的给定参数为输入变量，以对应的纵向影响半径为输出变量，运用支持向量机算法进行模型训练，得到循环井运行效果预测模型；
利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型；
通过对目标区域进行场地试验来确定实际场地水文地质参数；
将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；最优技术参数包括最优结构参数和最优运行参数；
基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行。
可选地，所述建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集，具体包括：
建立循环井驱动下的地下水流运动数值模型，在数值模型中给定不同的水文地质参数、循环井结构参数及循环井运行参数并运行数值模型，从而模拟不同给定参数条件下循环井的运行情况，记录给定参数及循环井运行的纵向影响半径来构成数据集；其中水文地质参数包括含水层厚度、水力梯度、垂向渗透系数以及各向异性；循环井结构参数包括循环井的中间实段长度和筛段总长度；循环井运行参数包括循环井的抽注水量。
可选地，所述对数据集进行清洗处理并将处理后数据集划分为训练集和测试集，具体包括：
利用SPSS软件对数据集中的参数进行重复值和缺失值查找，对重复值进行去除，对缺失值用均值进行填充；再利用箱线图法对数据集中的异常值进行处理，并将不满足循环井适用条件的值剔除，得到处理后数据集；所述循环井适用条件包括饱和层厚度、含水层性质、地下水流速、水平渗透系数以及各向异性；
将数据集随机进行分割，将数据集的80%数据作为训练集，其余20%的数据作为测试集。
可选地，所述运用支持向量机算法进行模型训练时，支持向量机算法的目标函数为
Figure SMS_3
；其中/>
Figure SMS_4
代表目标函数；
Figure SMS_6
表示经验风险；/>
Figure SMS_1
为控制超平面方向的参数；/>
Figure SMS_5
是一个用来惩罚损失的正数；/>
Figure SMS_7
和/>
Figure SMS_8
分别为测量管道上方和下方的松弛变量；/>
Figure SMS_2
为训练集中的训练数据数量。
可选地，所述利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型，具体包括：
将决定系数
Figure SMS_9
作为评价循环井运行效果预测模型预测纵向影响半径能力的指标，对循环井运行效果预测模型进行泛化能力分析；若经过10次测试，有决定系数/>
Figure SMS_10
在0.8以下的测试结果，则确定循环井运行效果预测模型的泛化能力没有满足要求，需调整超参数重新进行模型训练；若经过10次测试，决定系数/>
Figure SMS_11
均在0.8以上，则确定循环井运行效果预测模型的泛化能力满足要求，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型。
可选地，所述将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数，具体包括：
将实际场地水文地质参数代入训练好的循环井运行效果预测模型中，得到适用于目标区域实际场地的参数优化设计模型；
将循环井结构参数和循环井运行参数作为寻优过程的决策变量，将纵向影响半径作为决策目标，将优化设计模型作为适应度函数，运用粒子群算法进行寻优计算，将计算得到的粒子最佳位置作为实际场地循环井的最优技术参数，此时最佳适应度为纵向影响半径所能达到的最大值。
另一方面，本发明提供一种循环井结构和运行参数优化系统，包括：
循环井运行模拟模块，用于建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集；所述给定参数包括水文地质参数、循环井结构参数及循环井运行参数；
数据集清洗及划分模块，用于对数据集进行清洗处理并将处理后数据集划分为训练集和测试集；
支持向量机训练模块，用于以训练集中的给定参数为输入变量，以对应的纵向影响半径为输出变量，运用支持向量机算法进行模型训练，得到循环井运行效果预测模型；
泛化能力分析模块，用于利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型；
场地试验模块，用于通过对目标区域进行场地试验来确定实际场地水文地质参数；
粒子群寻优计算模块，用于将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；最优技术参数包括最优结构参数和最优运行参数；
循环井运行控制模块，用于基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行。
另一方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上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所述的循环井结构和运行参数优化方法。
可选地，所述存储器为非暂态计算机可读存储介质。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种循环井结构和运行参数优化方法、系统及设备，通过建立循环井驱动下的地下水流运动数值模型来模拟给定参数条件下循环井的运行情况，从而构建数据集；对数据集进行清洗处理并将处理后数据集划分为训练集和测试集；以训练集中的给定参数为输入变量，以对应的纵向影响半径为输出变量，运用支持向量机算法进行模型训练，得到循环井运行效果预测模型；利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型；通过对目标区域进行场地试验来确定实际场地水文地质参数；将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行。采用本发明方法可对特定场地进行循环井优化设计，与传统的研究手段不同，本发明有着易操作、周期短、成本低等特点，通过大量的数据对模型进行训练，输入实际场地水文地质参数，便可快速计算出循环井的最优技术参数，能够在一定程度上减少循环井布设后的调试时间和设计成本，提升循环井的运行效果，为后期针对实际场地的循环井设计提供理论依据和技术支撑，具有很强的创新性和实际应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明一种循环井结构和运行参数优化方法的流程图；
图2为循环井结构参数示意图；
图3为循环井运行时纵向影响半径的刻画方式示意图；
图4为本发明中使用的支持向量机算法的流程图；
图5为本发明中使用的支持向量机算法的原理示意图；
图6为本发明中使用的粒子群算法的流程示意图。
具体实施方式
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。
虽然传统的数值模拟、室内实验等方法已应用于循环井技术研究中，但是影响循环井运行效果的因素错综复杂，包括水文地质条件、循环井结构及运行状态等因素，对于定量确定循环井技术参数的研究稍显不足。鉴于此，本发明提供一种循环井结构和运行参数优化方法、系统及设备，可对循环井的结构及运行参数进行优化设计，使循环井的运行效果得以提升，并且具有易操作、周期短、成本低的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种循环井结构和运行参数优化方法的流程图。参见图1，一种循环井结构和运行参数优化方法，包括：
步骤1：建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集。
所述给定参数包括水文地质参数、循环井结构参数及循环井运行参数。其中水文地质参数包括含水层厚度
Figure SMS_12
、水力梯度/>
Figure SMS_13
、垂向渗透系数/>
Figure SMS_14
以及各向异性；其中各向异性是指水平渗透系数与垂向渗透系数的比值/>
Figure SMS_15
。循环井运行参数为循环井不同的抽注水量/>
Figure SMS_16
。循环井结构参数包括循环井的中间实段长度/>
Figure SMS_17
和筛段总长度/>
Figure SMS_18
。图2为循环井结构参数示意图，如图2所示，典型循环井结构的有效段主要包括抽水筛、注水筛和中间的实段，抽水筛和注水筛的长度一般取相同的长度。循环井在运行过程中，利用水泵通过抽水筛抽水并将抽取的地下水经处理后以同样的流量在注水筛重新返回到同一含水层中，在地下水含水层中形成一个三维的循环流场，可以将含水层中的污染物带入到井内进行处理，从而达到去除污染物的目的。抽注水筛和中间实段的长度是影响循环井及井周围含水层中地下水运动的最关键的循环井结构参数。
利用Python模块FloPy对所研究目标区域的含水层进行时间和空间的离散，通过设置源汇项及边界条件，建立循环井驱动下的地下水流运动数值模型，并在此基础上进一步构建粒子追踪模型，通过设置循环井注水筛段位置虚拟粒子，模拟其在地下水流动过程中由注水筛向抽水筛运动的轨迹，将粒子运动轨迹到循环井中心的最远水平距离作为其影响半径（以沿着地下水流方向上游的最远水平距离作为纵向影响半径），从而确定其影响范围的表征指标。通过给定不同的水文地质参数、循环井结构参数及循环井运行参数，来模拟各种给定参数条件下循环井的运行情况，并记录给定参数及运行效果表征指标（纵向影响半径
Figure SMS_19
），从而构建之后用于训练预测模型的数据集。数据集包含的变量众多，确定输入变量为水文地质参数、循环井结构参数及循环井运行参数，输出变量为纵向影响半径/>
Figure SMS_20
。
图3为循环井运行时纵向影响半径的刻画方式示意图。如图3所示，循环井运行时周围的含水层可分为上游捕获区、循环区和下游释放区，纵向影响半径
Figure SMS_21
为循环区沿水流方向达到的最远距离。其中，上游捕获区是指在抽水筛内通过水泵抽水，对上游的地下水流进行捕集时，上游流入抽水筛的水流的范围。循环区是指在循环井附近有部分地下水从注水筛流入含水层中，并流向抽水筛，其中有一部分被抽水筛捕集，还有一部分无法被抽水筛捕集，被捕集的这部分地下水在注水筛和抽水筛之间反复循环的区域称为循环区。下游释放区是指，注水筛位置通过注水将井里面的水注入到含水层中，其中有一部分在循环区内循环，还有一部分无法被抽水筛捕集的则流向含水层的下游，由注水筛流出流向下游的水流范围即为下游释放区。
步骤2：对数据集进行清洗处理并将处理后数据集划分为训练集和测试集。
为了得到高质量数据，需要对步骤1构建的数据集进行清洗，首先利用SPSS（Statistical Package for the Social Sciences，社会科学统计软件包）软件对数据集中的重复值和缺失值进行查找，对重复值进行去除，对缺失值用均值进行填充。再利用箱线图法对数据集中的异常值进行处理，箱线图法描述数据用到了5个数值，其中包括：①最小值；②下四分位数Q1；③中位数Q2；④上四分位数Q3；⑤最大值。其中箱体的底部代表下四分位数Q1，顶部代表上四分位数Q3，Q1和Q3之间的距离为IQR，当数据样本大于Q3+1.5IQR和小于Q1-1.5IQR时，数据被定义为异常值并进行去除。
此外，本发明所研究的循环井适用于特定的水文地质条件，对饱和层厚度、含水层性质、地下水流速、含水层的水平渗透系数以及各向异性等都有一定的要求。具体的循环井适用条件见表1。
表1 循环井适用条件
Figure SMS_22
进一步地，为了得到科学有效的循环井运行效果预测模型，需要将数据集随机进行分割，运用Python语言调用sklearn包中的train_test_split模块，设定数据集的比例和随机种子数，将数据集的80%作为训练集，用于模型训练，将20%的数据作为测试集，用于对模型测试，因为测试集和训练集的数据有所不同且测试集不参与模型训练，可将测试集视为新鲜数据，验证模型的泛化能力。
步骤3：以训练集中的给定参数为输入变量，以对应的纵向影响半径为输出变量，运用支持向量机算法进行模型训练，得到循环井运行效果预测模型。
循环井运行效果的影响因素复杂，通过机器学习中支持向量机算法可求得各影响因素和纵向影响半径之间的响应关系，从而建立循环井运行效果预测模型。图4为本发明中使用的支持向量机算法的流程图；图5为本发明中使用的支持向量机算法的原理示意图。在数学上，支持向量机属于分类和回归算法的范畴，这是由统计学理论的原则规定的。支持向量机应用核函数将数据映射到一个可以表示复杂模式的多维空间。在新的多维空间中，支持向量机的目的是创建一个超平面（一个多维空间内的平面，可以理解为一个回归平面，用于拟合观测数据），可以用于回归并与数据之间形成最小的间隔，以最小的复杂性和建模函数的最小经验风险拟合数据。在水文地质领域，支持向量机被用于解决多种复杂的问题，支持向量机通过在空间中寻找出一个超平面使得所有观测值分布在其两侧，且保证观测点距离超平面的间隔尽可能最小，运用得到的超平面输入变量，实现对未知数据预测的目的。
步骤2所划分训练集中的训练数据可用
Figure SMS_33
表示，其中/>
Figure SMS_23
是第/>
Figure SMS_27
组输入变量（包括含水层厚度/>
Figure SMS_34
、水力梯度/>
Figure SMS_37
、垂向渗透系数/>
Figure SMS_35
、各向异性
Figure SMS_38
抽注水量/>
Figure SMS_31
、中间实段长度/>
Figure SMS_36
和筛段总长度/>
Figure SMS_26
），/>
Figure SMS_30
是对应的输出变量（即纵向影响半径/>
Figure SMS_24
），/>
Figure SMS_28
为训练集中的训练数据数量。支持向量机划分的超平面为
Figure SMS_29
，其中/>
Figure SMS_32
控制超平面的方向，/>
Figure SMS_25
控制超平面的截距。支持向量机提供了一个损失函数，其定义如下：
Figure SMS_39
（1）
支持向量机可以描述为如下的优化问题：
最小化目标函数：
Figure SMS_40
（2）
约束条件为：
Figure SMS_41
（3）
其中
Figure SMS_43
代表损失函数；/>
Figure SMS_46
代表目标函数；/>
Figure SMS_48
表示经验风险；/>
Figure SMS_44
是将数据映射到多维空间的核函数；/>
Figure SMS_45
和/>
Figure SMS_47
分别为测量管道/>
Figure SMS_49
上方和下方的松弛变量，如图5所示；/>
Figure SMS_42
是一个用来惩罚损失的正数。
通过引入拉格朗日乘子
Figure SMS_50
和/>
Figure SMS_51
，对偶形式的目标函数（2）可以表示为
Figure SMS_52
，如式（4）。
此时，最大化目标函数：
Figure SMS_53
（4）
约束条件为：
Figure SMS_54
（5）
利用PyCharm调用sklearn中SVR模块训练模型，首先设置一个核函数来获得特征空间中的内积。以径向基函数
Figure SMS_57
作为核函数，/>
Figure SMS_61
为基函数中心点宽度的标准化常数，系数/>
Figure SMS_63
设为0.1，/>
Figure SMS_58
设为1000以惩罚训练误差。模型训练结束后得到循环井运行效果预测模型。循环井运行效果预测模型以含水层厚度/>
Figure SMS_59
、水力梯度/>
Figure SMS_62
、垂向渗透系数/>
Figure SMS_64
、各向异性/>
Figure SMS_55
抽注水量/>
Figure SMS_60
、中间实段长度/>
Figure SMS_65
和筛段总长度/>
Figure SMS_66
为输入变量，以纵向影响半径/>
Figure SMS_56
为输出变量，能够表征循环井运行效果和各影响因素表征参数之间的响应关系。
步骤4：利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型。
如果对于训练集以外的数据，通过对模型输入变量，若仍可以输出误差较小的结果，则该模型拥有较好的泛化能力，本发明以决定系数
Figure SMS_67
作为评价模型泛化能力的指标，公式如下：
Figure SMS_68
（6）
其中
Figure SMS_69
代表预测值，/>
Figure SMS_70
代表平均值，/>
Figure SMS_71
代表真实值，决定系数/>
Figure SMS_72
表示自变量解释因变量的程度。利用公式（6）对预测模型进行泛化能力分析，若结果不满足要求需调整超参数重新进行模型训练，若满足要求可进行下一步。具体地，若经过10次测试，有决定系数/>
Figure SMS_73
在0.8以下的测试结果，则确定循环井运行效果预测模型的泛化能力没有满足要求，需调整超参数重新进行模型训练；若经过10次测试，决定系数/>
Figure SMS_74
均在0.8以上，则确定循环井运行效果预测模型的泛化能力满足要求，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型。
步骤5：通过对目标区域进行场地试验来确定实际场地水文地质参数。
通过对目标区域进行场地试验，并结合水文地质勘察资料确定实际场地水文地质参数，包括含水层厚度
Figure SMS_75
、水力梯度/>
Figure SMS_76
、垂向渗透系数/>
Figure SMS_77
以及各向异性/>
Figure SMS_78
。
步骤6：将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；最优技术参数包括最优结构参数和最优运行参数。
将步骤5测得的实际场地水文地质参数代入训练好的循环井运行效果预测模型中，得到适用于目标区域实际场地的参数优化设计模型；将循环井结构参数和循环井运行参数作为寻优过程的决策变量，将纵向影响半径作为决策目标，将优化设计模型作为适应度函数，运用粒子群算法进行寻优计算，将计算得到的粒子最佳位置作为实际场地循环井的最优技术参数，此时最佳适应度为纵向影响半径所能达到的最大值。
图6为本发明中使用的粒子群算法的流程示意图。参见图6，本发明参数优化设计模型中的决策变量为抽注水量
Figure SMS_82
、中间实段长度/>
Figure SMS_83
和筛段总长度/>
Figure SMS_88
，决策目标为纵向影响半径/>
Figure SMS_79
，将参数优化设计模型作为适应度函数，运用粒子群算法对其进行寻优计算。粒子群算法通过向多维空间随机投放粒子，并对每个粒子的运动规则进行规定，最终达到寻优的目的。多维空间中的每个粒子都代表优化问题的一个解。设/>
Figure SMS_84
维空间中有/>
Figure SMS_89
个粒子，每个粒子的位置向量表达式为/>
Figure SMS_90
，每个粒子的速度向量表达式为
Figure SMS_81
，/>
Figure SMS_85
，/>
Figure SMS_87
，速度向量起到控制飞行方向的作用。个体最优解表达式为/>
Figure SMS_91
，若种群中第/>
Figure SMS_80
个粒子的适应度最佳，可将其视为群体最优解，表达式为/>
Figure SMS_86
。
在每次寻优过程中，所有粒子都会按照速度更新公式（7）和位置更新公式（9）来调整个体的速度和位置，直到找到最优解为止：
Figure SMS_92
（7）
Figure SMS_93
（8）
其中
Figure SMS_102
表示惯性因子，用来控制速度的参数，通过调整惯性因子改变个体的寻优能力；/>
Figure SMS_95
、/>
Figure SMS_98
表示加速常数，/>
Figure SMS_107
是每个粒子的个体学习因子，用来控制个体认知部分，/>
Figure SMS_112
是每个粒子的社会学习因子，用来控制社会认知部分，/>
Figure SMS_110
、/>
Figure SMS_113
通常为正数；/>
Figure SMS_104
、/>
Figure SMS_109
为0-1之间的随机数。粒子群算法中设置迭代次数为20，种群大小为1000，最大速度/>
Figure SMS_94
=10，最小速度
Figure SMS_101
= -10，学习因子/>
Figure SMS_97
=/>
Figure SMS_100
=2.0，惯性因子/>
Figure SMS_105
=0.8，运算求得的粒子最佳位置
Figure SMS_106
包括了抽注水量/>
Figure SMS_99
、中间实段长度/>
Figure SMS_103
和筛段总长度/>
Figure SMS_108
的最优值，此时纵向影响半径/>
Figure SMS_111
达到最大，对应的最佳适应度为纵向影响半径/>
Figure SMS_96
所能达到的最大值。
步骤7：基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行。
本发明提供的一种循环井结构和运行参数优化方法，基于支持向量机和粒子群算法，首先建立循环井驱动下的地下水流运动数值模型来模拟典型条件下循环井的运行情况，从而构建循环井运行效果和各影响因素表征参数形成的数据集，然后对数据进行清洗，选择影响循环井运行效果的各种影响因素为输入变量，循环井的影响半径为输出变量，再基于清洗后的训练集数据进行模型训练，以求找到输入变量和输出变量之间的响应关系，得到循环井运行效果预测模型，将实际场地水文地质参数代入预测模型，并对预测模型进行寻优求解，得到对于实际场地循环井的最优技术参数，可对特定场地进行循环井优化设计，使循环井的运行效果得以提升。即，根据最优结构参数（包括中间实段长度
Figure SMS_114
和筛段总长度/>
Figure SMS_115
的最优值）来设计实际场地循环井结构，并根据最优运行参数（即抽注水量/>
Figure SMS_116
的最优值）来控制实际场地循环井运行过程中的抽注水量。
与传统的研究手段不同，本发明方法有着易操作、周期短、成本低等特点，通过大量数据对预测模型进行训练，输入实际场地水文地质参数，便可快速计算出循环井的最优技术参数，能够在一定程度上减少循环井布设后的调试时间和设计成本，为后期针对实际场地的循环井设计提供理论依据和技术支撑，具有很强的创新性和实际应用价值。
基于本发明提供的方法，本发明还提供一种循环井结构和运行参数优化系统，包括：
循环井运行模拟模块，用于建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集；所述给定参数包括水文地质参数、循环井结构参数及循环井运行参数；
数据集清洗及划分模块，用于对数据集进行清洗处理并将处理后数据集划分为训练集和测试集；
支持向量机训练模块，用于以训练集中的给定参数为输入变量，以对应的纵向影响半径为输出变量，运用支持向量机算法进行模型训练，得到循环井运行效果预测模型；
泛化能力分析模块，用于利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型；
场地试验模块，用于通过对目标区域进行场地试验来确定实际场地水文地质参数；
粒子群寻优计算模块，用于将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；最优技术参数包括最优结构参数和最优运行参数；
循环井运行控制模块，用于基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行。
进一步地，本发明还提供一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序，以执行所述的循环井结构和运行参数优化方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非暂态计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种循环井结构和运行参数优化方法，其特征在于，包括：
建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集；所述给定参数包括水文地质参数、循环井结构参数及循环井运行参数；
对数据集进行清洗处理并将处理后数据集划分为训练集和测试集；
以训练集中的给定参数为输入变量，以对应的纵向影响半径为输出变量，运用支持向量机算法进行模型训练，得到循环井运行效果预测模型；
利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型；
通过对目标区域进行场地试验来确定实际场地水文地质参数；
将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；最优技术参数包括最优结构参数和最优运行参数；
基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行。
2.根据权利要求1所述的循环井结构和运行参数优化方法，其特征在于，所述建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集，具体包括：
建立循环井驱动下的地下水流运动数值模型，在数值模型中给定不同的水文地质参数、循环井结构参数及循环井运行参数并运行数值模型，从而模拟不同给定参数条件下循环井的运行情况，记录给定参数及循环井运行的纵向影响半径来构成数据集；其中水文地质参数包括含水层厚度、水力梯度、垂向渗透系数以及各向异性；循环井结构参数包括循环井的中间实段长度和筛段总长度；循环井运行参数包括循环井的抽注水量。
3.根据权利要求1所述的循环井结构和运行参数优化方法，其特征在于，所述对数据集进行清洗处理并将处理后数据集划分为训练集和测试集，具体包括：
利用SPSS软件对数据集中的参数进行重复值和缺失值查找，对重复值进行去除，对缺失值用均值进行填充；再利用箱线图法对数据集中的异常值进行处理，并将不满足循环井适用条件的值剔除，得到处理后数据集；所述循环井适用条件包括饱和层厚度、含水层性质、地下水流速、水平渗透系数以及各向异性；
将数据集随机进行分割，将数据集的80%数据作为训练集，其余20%的数据作为测试集。
4.根据权利要求1所述的循环井结构和运行参数优化方法，其特征在于，所述运用支持向量机算法进行模型训练时，支持向量机算法的目标函数为
Figure QLYQS_2
；其中/>
Figure QLYQS_5
代表目标函数；
Figure QLYQS_7
表示经验风险；/>
Figure QLYQS_3
为控制超平面方向的参数；/>
Figure QLYQS_4
是一个用来惩罚损失的正数；/>
Figure QLYQS_6
和/>
Figure QLYQS_8
分别为测量管道上方和下方的松弛变量；/>
Figure QLYQS_1
为训练集中的训练数据数量。
5.根据权利要求1所述的循环井结构和运行参数优化方法，其特征在于，所述利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型，具体包括：
将决定系数
Figure QLYQS_9
作为评价循环井运行效果预测模型预测纵向影响半径能力的指标，对循环井运行效果预测模型进行泛化能力分析；若经过10次测试，有决定系数/>
Figure QLYQS_10
在0.8以下的测试结果，则确定循环井运行效果预测模型的泛化能力没有满足要求，需调整超参数重新进行模型训练；若经过10次测试，决定系数/>
Figure QLYQS_11
均在0.8以上，则确定循环井运行效果预测模型的泛化能力满足要求，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型。
6.根据权利要求1所述的循环井结构和运行参数优化方法，其特征在于，所述将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数，具体包括：
将实际场地水文地质参数代入训练好的循环井运行效果预测模型中，得到适用于目标区域实际场地的参数优化设计模型；
将循环井结构参数和循环井运行参数作为寻优过程的决策变量，将纵向影响半径作为决策目标，将优化设计模型作为适应度函数，运用粒子群算法进行寻优计算，将计算得到的粒子最佳位置作为实际场地循环井的最优技术参数，此时最佳适应度为纵向影响半径所能达到的最大值。
7.一种循环井结构和运行参数优化系统，其特征在于，包括：
循环井运行模拟模块，用于建立循环井驱动下的地下水流运动数值模型并模拟给定参数条件下循环井的运行情况，从而构建数据集；所述给定参数包括水文地质参数、循环井结构参数及循环井运行参数；
数据集清洗及划分模块，用于对数据集进行清洗处理并将处理后数据集划分为训练集和测试集；
支持向量机训练模块，用于以训练集中的给定参数为输入变量，以对应的纵向影响半径为输出变量，运用支持向量机算法进行模型训练，得到循环井运行效果预测模型；
泛化能力分析模块，用于利用测试集对循环井运行效果预测模型进行泛化能力分析，将满足泛化能力要求的循环井运行效果预测模型作为训练好的循环井运行效果预测模型；
场地试验模块，用于通过对目标区域进行场地试验来确定实际场地水文地质参数；
粒子群寻优计算模块，用于将实际场地水文地质参数代入训练好的循环井运行效果预测模型，并运用粒子群算法进行寻优计算，得到实际场地循环井的最优技术参数；最优技术参数包括最优结构参数和最优运行参数；
循环井运行控制模块，用于基于最优技术参数设计实际场地循环井结构并控制实际场地循环井的运行。
8.一种电子设备，包括存储器、处理器以及存储在所述存储器上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如权利要求1至6中任一项所述的循环井结构和运行参数优化方法。
9.根据权利要求8所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质。
CN202310670890.6A 2023-06-08 2023-06-08 一种循环井结构和运行参数优化方法、系统及设备 Active CN116401931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310670890.6A CN116401931B (zh) 2023-06-08 2023-06-08 一种循环井结构和运行参数优化方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310670890.6A CN116401931B (zh) 2023-06-08 2023-06-08 一种循环井结构和运行参数优化方法、系统及设备

Publications (2)

Publication Number Publication Date
CN116401931A true CN116401931A (zh) 2023-07-07
CN116401931B CN116401931B (zh) 2023-08-18

Family

ID=87016496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310670890.6A Active CN116401931B (zh) 2023-06-08 2023-06-08 一种循环井结构和运行参数优化方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116401931B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN107729671A (zh) * 2017-10-25 2018-02-23 西安科技大学 一种基于支持向量机的矿井巷道摩擦阻力系数预测方法
CN108876039A (zh) * 2018-06-21 2018-11-23 浙江工业大学 一种基于支持向量机的含分布式电源配电网电能质量预测方法
CN109390973A (zh) * 2018-11-30 2019-02-26 国家电网公司西南分部 一种考虑通道约束的送端电网电源结构优化方法
CN109599861A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN110160380A (zh) * 2019-06-03 2019-08-23 中国矿业大学 一种宽通道板式换热器及换热器粒子群优化结构设计方法
WO2020139344A1 (en) * 2018-12-27 2020-07-02 Halliburton Energy Services, Inc. Hydraulic fracturing operation planning using data-driven multi-variate statistical machine learning modeling
CN114357852A (zh) * 2021-11-12 2022-04-15 中法渤海地质服务有限公司 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN107729671A (zh) * 2017-10-25 2018-02-23 西安科技大学 一种基于支持向量机的矿井巷道摩擦阻力系数预测方法
CN108876039A (zh) * 2018-06-21 2018-11-23 浙江工业大学 一种基于支持向量机的含分布式电源配电网电能质量预测方法
CN109390973A (zh) * 2018-11-30 2019-02-26 国家电网公司西南分部 一种考虑通道约束的送端电网电源结构优化方法
CN109599861A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑本地负荷调峰能力的送端电网电源结构规划方法
WO2020139344A1 (en) * 2018-12-27 2020-07-02 Halliburton Energy Services, Inc. Hydraulic fracturing operation planning using data-driven multi-variate statistical machine learning modeling
CN110160380A (zh) * 2019-06-03 2019-08-23 中国矿业大学 一种宽通道板式换热器及换热器粒子群优化结构设计方法
CN114357852A (zh) * 2021-11-12 2022-04-15 中法渤海地质服务有限公司 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵思远 等: "基于机器学习MLR模型的地下水循环井优化设计", 《安全与环境工程》, vol. 30, no. 1, pages 192 - 198 *

Also Published As

Publication number Publication date
CN116401931B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN108108836B (zh) 一种基于时空深度学习的臭氧浓度分布预测方法和系统
Kerschke et al. Low-budget exploratory landscape analysis on multiple peaks models
CN113052371A (zh) 基于深度卷积神经网络的剩余油分布预测方法及装置
CN106228536A (zh) 基于数字图像处理的土石坝筑坝材料颗粒级配检验方法
CN108932978B (zh) 基于过程模拟及不确定性分析的污染物健康风险评价方法
CN109271755A (zh) 一种应用随钻数据计算岩石强度的方法和系统
CN108052745A (zh) 一种模拟辐照缺陷与晶界协同演化的方法
CN110138766A (zh) 天牛须结合随机森林的网络入侵检测方法
CN107463879A (zh) 基于深度学习的人体行为识别方法
CN106204597A (zh) 一种基于自步式弱监督学习的视频物体分割方法
Aminian et al. A robust predictive model for base shear of steel frame structures using a hybrid genetic programming and simulated annealing method
CN109543617A (zh) 基于yolo目标检测技术的智能车辆运动路况信息的检测方法
CN116401931B (zh) 一种循环井结构和运行参数优化方法、系统及设备
CN113435128A (zh) 基于条件生成式对抗网络的油气藏产量预测方法及装置
CN107103071A (zh) 一种基于直接优化pauc算法的新闻信息分类方法
Moeinikia et al. Experimental Design in reservoir simulation: an integrated solution for uncertainty analysis, a case study
CN113705878B (zh) 水平井出水量的确定方法、装置、计算机设备及存储介质
CN116187001A (zh) 一种地浸采铀有效溶浸范围的自动提取方法
Tan et al. Accurate and fast deep evolutionary networks structured representation through activating and freezing dense networks
CN116401749B (zh) 一种循环井参数的确定方法、系统、电子设备及存储介质
Guan Reconstructing pore networks using generative adversarial networks
CN115983088B (zh) 一种基于集成学习建立的海相页岩原地气量预测模型
CN116527411B (zh) 数据安全智能防护模型构建方法、装置及协作平台
Wang et al. A novel drilling rate of penetration (ROP) prediction method using data pre-processing techniques and TS fuzzy inference
CN109871616B (zh) 一种设备内部参量关联性辨识方法

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