CN117522173B - 基于深度神经网络的天然气水合物降压开采产能预测方法 - Google Patents
基于深度神经网络的天然气水合物降压开采产能预测方法 Download PDFInfo
- Publication number
- CN117522173B CN117522173B CN202410008197.7A CN202410008197A CN117522173B CN 117522173 B CN117522173 B CN 117522173B CN 202410008197 A CN202410008197 A CN 202410008197A CN 117522173 B CN117522173 B CN 117522173B
- Authority
- CN
- China
- Prior art keywords
- model
- exploitation
- data
- natural gas
- test
- 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
- NMJORVOYSJLJGU-UHFFFAOYSA-N methane clathrate Chemical compound C.C.C.C.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O NMJORVOYSJLJGU-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 46
- 230000014509 gene expression Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000005065 mining Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- -1 natural gas hydrates Chemical class 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度神经网络的天然气水合物降压开采产能预测方法，主要是通过建立一个五层深度神经网络模型，利用现有的多尺度天然气水合物降压开采试验数据对模型进行训练、优化、测试和评估，并基于此模型设计产能预测模块，从而实现不同工况下多尺度天然气水合物降压开采试验产能的精准预测，从而调整开采策略、优化开采过程以及提高开采效率，减少了传统天然气水合物降压开采试验所需的大量人力物力，且深度学习模型的自动化学习和模式识别能力，有效降低了实验室工作和数据分析的负担，为研究人员提供更高效的实验手段。
Description
技术领域
本发明属于天然气水合物开采领域，尤其涉及一种基于深度神经网络的天然气水合物降压开采产能预测方法。
背景技术
天然气水合物，是在高压和低温条件下由天然气和水形成的冰状固体化合物，具有分布广、储量大、埋藏浅、能效高、污染低等优点，是后石油时代的最佳替代能源之一。在众多天然气水合物开采方法中，降压开采法及其改良方案被认为是最具前景、可实现天然气水合物商业化开采的方法之一。通过了解不同开采参数下的降压开采产能情况，可以调整开采策略，最大化水合物资源的开采潜力，其产能的准确预测对于优化开采过程、提高开采效率至关重要。
由于天然气水合物的现场开采工程具有准备时间长、成本高以及风险大等特点，导致目前进行的现场试验有限，大部分研究只能通过室内试验进行。此外，由于室内开采试验数据的多样性和复杂性，传统的分析方法难以总结规律或实现对每种开采参数下产能的准确预测。而且，受限于开采参数与降压开采产能的复杂非线性关系，现有的预测方法包括基于经验公式的简单线性回归和基于物理模型的复杂计算方法在准确度和适用性上均存在一定的不足。
深度神经网络作为一种先进的机器学习技术，在处理复杂数据和非线性关系方面具有显著优势。其独特之处在于通过多层次的神经元网络，能够自动学习和提取数据中的复杂特征。所以，现在迫切需要一种天然气水合物降压开采产能高效智能预测方法。本发明提出一种基于深度神经网络的天然气水合物降压开采产能预测方法，相对于传统降压开采产能预测方法，该种方法能够更好地理解产能与各种开采参数之间的复杂关系，从而提高预测的准确性。而且，其自动学习特征的能力使其能够更好地适应不同的天然气水合物开采场景，而无需依赖复杂的人为参数输入及计算。
发明内容
为了解决传统天然气水合物降压开采产能预测方法准确度和适应性不足的问题，本发明提供了一种基于深度神经网络的天然气水合物降压开采产能预测方法，从而实现不同工况下多尺度天然气水合物降压开采试验产能的精准预测，从而调整开采策略、优化开采过程以及提高开采效率。
为实现上述目的，本发明采取的技术方案是：一种基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，建立一个五层深度神经网络模型，利用现有的多尺度天然气水合物降压开采试验数据对模型进行训练、优化、测试和评估，并基于此模型设计产能预测模块，从而实现不同工况下多尺度天然气水合物降压开采试验产能的精准预测，从而调整开采策略、优化开采过程以及提高开采效率，具体包括以下步骤：
S1：收集多尺度天然气水合物降压开采试验数据，这些试验数据涵盖了离散型特征和连续型特征，其中离散型特征包括试样尺度信息和开采井筒信息，连续型特征包括开采参数和产能数据；
S2：对试验数据进行预处理；
S:3：建立一个包含一个输入层、三个隐藏层和一个输出层的深度神经网络模型；
S4：利用多尺度下不同开采参数的降压开采试验数据，训练深度神经网络模型以准确捕捉试验数据中的复杂模式和非线性关系，并通过反向传播算法优化网络参数；
S5：利用决定系数和平均相对误差两个参数评估模型的计算精度，从而得到精度高误差小的产能预测模型；
S6：加载产能预测模型设计产能预测模块，利用产能预测模块预测不同尺度和开采参数下的天然气水合物降压开采试验产能。
进一步：步骤S1中，所述的试样尺度信息包括一维、二维和三维的三尺度试样尺度信息；所述的开采井筒信息包括水平井、垂直井和水平井+垂直井的开采井筒信息；所述的开采参数包括试样体积、孔隙度、天然气水合物饱和度、开采前压力、开采后压力、开采初始温度以及降压速率；所述的产能数据包括累计产气量以及平均产气速率。
进一步：步骤S2数据预处理的方法为：
S2.1：对采集的数据进行清洗，剔除潜在异常值和噪音，获得规范试验数据；
S2.2：以各开采参数的5%作为其浮动范围，对试验样本数量进行扩充并采用分层随机抽样法进行抽样，抽样总数为N；
S2.3：对试验数据进行归一化处理，得到九类特征，将归一化后的数据集划分为训练集、验证集和测试集；
S2.4：按照划分比例，将归一化后的数据集划分为70%训练集、15%验证集和15%测试集。
进一步：步骤2.3中试验数据归一化处理方法为：
S2.3.1：对于离散型特征，采用独热编码将试样尺度信息和开采井筒信息进行形式上的归一化处理：
试样尺度信息：一维=(1,0,0)，二维=(0,1,0)，三维=(0,0,1)；
开采井筒信息：水平井=(1,0,0)，垂直井=(0,1,0)，水平井+垂直井=(0,0,1)；
S2.3.2：对于连续型特征，采用将开采参数的数据缩放到[0,1]范围内的方法进行归一化处理，表达式为：
式中，x为步骤S1中的7类开采参数，min(x)为步骤S2.2中抽取的所有试验样本中相应开采参数的最小值，max(x)则为步骤S2.2中抽取的所有试验样本中对应开采参数的最大值，x n为归一化后的值。
进一步：步骤S3具体包括以下步骤：
S3.1：建立一个五层深度神经网络模型，包括一个输入层、三个隐藏层和一个输出层；
S3.2：输入层节点个数为9个，分别与试样尺度信息、开采井筒信息以及七个开采参数共计九类特征一一对应；
S3.3：输出层的节点为2个，分别与步骤S1中的两类产能数据相对应；
S3.4：确定深度神经网络模型中每一个隐藏层的节点数均为60。
进一步：步骤S4具体包括以下步骤：
S4.1：将模型的偏差初始化为零，且采用正态分布将模型的权重进行随机初始化，表达式为：
W~N(0,0.012)
式中，W为权重矩阵，N(0,0.012)表示均值为0、标准差为0.01的正态分布；
S4.2：选择Leaky ReLU作为激活函数，表达式为：
f(x)=max(αxi,xi)
式中，α是很小的正数，为0.01，xi为步骤S2.3中的9类特征；
S4.3：使用MSE作为损失函数，用来度量利用步骤S2.4中训练集得到的产能预测值与实际值之间的平方差，表达式为：
式中，J为模型预测产能值和实际产能值之间的平方差的平均值，m表示步骤S2.4中训练集试验样本数量，表示模型预测产能值，/>表示实际产能值；
S4.4：利用链式法则，从输出层开始，反向计算损失对模型参数权重和偏差的梯度，并使用批量梯度下降的优化算法实现参数的更新，表达式为：
式中，为损失函数对模型参数的梯度计算值，θ为深度神经网络模型的参数，β为学习率，初始值为0.01；
S4.5：采用L2正则化技术对模型的权重进行惩罚，防止权重过大，模型对训练数据过度拟合，表达式为：
式中，J L2(θ)为添加L2正则化后的损失函数，λ为正则化强度，初始值为0.1，为模型所有权重的平方和；
S4.6：在验证集上评估模型的性能，根据验证集上的表现对学习率和正则化强度进行调整；
S4.7：重复步骤S4.3~S4.6，进行多次迭代，直至模型达到满意的性能。
进一步：步骤S5的详细步骤为：
使用测试集评估已经训练好并优化后的模型在未见过的数据上的泛化性能，并以决定系数R 2大于等于0.8和平均相对误差E小于10%作为模型计算精度的评估标准，从而得到拟合精度高以及误差小的产能预测模型，决定系数R 2与平均相对误差E两者的表达式分别为：
式中，n表示步骤S2.4中测试集试验样本的数量，为实际产能值的平均值；
R 2越接近1，表示模型拟合精度越高，而E越接近0，表示模型的预测产能值与实际产能值的误差越小。
进一步：步骤S6的详细步骤为：
加载步骤S5中拟合精度高误差小的产能预测模型设计产能预测模块，实时获取天然气水合物降压开采试验数据，并将试验数据按照S2.3归一化的数据格式输入产能预测模块中，得到产能预测值，从而提供实时的、精准的多尺度天然气水合物降压开采试验产能信息，进而为现场应用提供数据参考。
结合上述的所有技术方案，本发明的有益效果包括：
（1）本发明提供的一种基于深度神经网络的天然气水合物降压开采产能预测方法显著减少了传统天然气水合物降压开采试验所需的大量人力物力，且深度学习模型的自动化学习和模式识别能力，有效降低了实验室工作和数据分析的负担，为研究人员提供更高效的实验手段。
（2）本发明提供的一种基于深度神经网络的天然气水合物降压开采产能预测方法为降压开采工程提供了优化开采策略的支持，且模型的泛化能力和实时性能够即时获取产能预测信息，从而调整和优化降压开采操作，提高生产效率，降低成本。
（3）本发明提供的一种基于深度神经网络的天然气水合物降压开采产能预测方法相较于传统方法，具有更高的预测精准度，且模型能够更好地捕捉天然气水合物降压开采试验中的复杂关系，为降压开采工程提供更可靠的产能预测支持，有助于科学决策和资源规划。
附图说明
图1是本发明提供的基于深度神经网络的天然气水合物降压开采产能预测方法流程图；
图2是本发明实施例提供的基于深度神经网络的天然气水合物降压开采试验部分累计产气量预测值与实际值的对比图；
图3是本发明实施例提供的基于深度神经网络的天然气水合物降压开采试验部分平均产气速率预测值与实际值的对比图。
具体实施方式
下面结合附图对本发明实施例的施工过程进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示，本发明提供了一种基于深度神经网络的天然气水合物降压开采产能预测方法实施例，包括：收集该工程多尺度天然气水合物降压开采试验数据并进行预处理；建立一个包含一个输入层、三个隐藏层和一个输出层的深度神经网络模型；通过三种尺度下不同开采参数的降压开采试验数据，训练深度神经网络模型以准确捕捉试验数据中的复杂模式和非线性关系，并通过反向传播算法优化网络参数；利用决定系数和平均相对误差两个参数评估模型的计算精度；设计产能预测模块，用于预测不同尺度和开采参数下的天然气水合物降压开采试验产能。该方法的主要步骤如下：
S1：数据采集
通过多组天然气水合物降压开采试验，详尽地获取试验数据。这些数据涵盖了离散型特征和连续型特征，前者包括一维、二维和三维的试样尺度信息以及水平井、垂直井和水平井+垂直井的开采井筒信息，后者则为包括试样体积V、孔隙度e、天然气水合物饱和度S h、开采前压力P 1、开采后压力P 2、开采初始温度T 0以及降压速率v p在内的开采参数和包括累计产气量Q以及平均产气速率在内的产能数据。
S2：数据预处理
S2.1：对采集的数据进行清洗，剔除潜在异常值和噪音，获得规范试验数据，且将由于试验操作等因素引起的数据波动在误差允许范围内对数据进行合并，如表1所示。
表1 合并后的规范试验数据
S2.2：以各开采参数的5%作为其浮动范围，对试验样本数量进行扩充，共得到104976组试验样本，并采用分层随机抽样法进行抽样，抽样总数为3200；
S2.3：数据归一化
S2.3.1：对于离散型特征，采用独热编码将试样尺度信息和开采井筒信息进行形式上的归一化处理：
试样尺度信息：一维=(1,0,0)，二维=(0,1,0)，三维=(0,0,1)；
开采井筒信息：水平井=(1,0,0)，垂直井=(0,1,0)，水平井+垂直井=(0,0,1)；
S2.3.2：对于连续型特征，采用将开采参数的数据缩放到[0,1]范围内的方法进行归一化处理，表达式为：
式中，x为步骤S1中的7类开采参数，min(x)为步骤S2.2中抽取的所有试验样本中相应开采参数的最小值，max(x)则为步骤S2.2中抽取的所有试验样本中对应开采参数的最大值，x n为归一化后的值；
7类开采参数的归一化处理结果，具体如下：
S2.4：按照划分比例，将归一化后的数据集划分为70%训练集2240个试验样本、15%验证集480个试验样本和15%测试集480个试验样本。
S3：深度神经网络模型建立
S3.1：建立一个五层深度神经网络模型，包括一个输入层、三个隐藏层和一个输出层；
S3.2：输入层节点个数为9个，分别与步骤S2.3中的9类特征一一对应，也就是与试验尺度信息、开采井筒信息以及七个开采参数特征一一对应；
S3.3：输出层的节点为2个，分别与步骤S1中的两类产能数据相对应；
S3.4：确定深度神经网络模型中每一个隐藏层的节点数均为60。
S4：深度神经网络模型训练与优化
S4.1：将模型的偏差初始化为零，且采用正态分布将模型的权重进行随机初始化，表达式为：
W~N(0,0.012)
式中，W为权重矩阵，N(0,0.012)表示均值为0、标准差为0.01的正态分布；
S4.2：选择Leaky ReLU作为激活函数，表达式为：
f(x)=max(αxi,xi)
式中，α是很小的正数，为0.01，xi为步骤S2.3中的9类特征；
S4.3：使用MSE作为损失函数，用来度量利用步骤S2.4中训练集得到的产能预测值与实际值之间的平方差，表达式为：
式中，m表示步骤S2.4中训练集试验样本数量，为2240，表示模型预测产能值，/>表示实际产能值；
S4.4：利用链式法则，从输出层开始，反向计算损失对模型参数权重和偏差的梯度，并使用批量梯度下降的优化算法实现参数的更新，表达式为：
式中，θ为深度神经网络模型的参数，β表示学习率，初始值为0.01；
S4.5：采用L2正则化技术对模型的权重进行惩罚，防止权重过大，模型对训练数据过度拟合，表达式为：
式中，J L2(θ)为添加L2正则化后的损失函数，λ表示正则化强度，初始值为0.1，为模型所有权重的平方和；
S4.6：在验证集上评估模型的性能，根据验证集上的表现对学习率和正则化强度进行调整，确定最终的学习率为0.001，正则化强度则为0.01；
S4.7：重复步骤S4.3~S4.6，进行多次迭代，不断优化模型参数，直至模型达到满意的性能；
S5：深度神经网络模型测试与评估
使用测试集评估已经训练好并优化后的模型在未见过的数据上的泛化性能，并以决定系数R 2大于等于0.8和平均相对误差E小于10%作为模型计算精度的评估标准，两者的表达式分别为：
式中，n表示步骤S2.4中测试集试验样本的数量，为480，为实际产能值的平均值；
R 2越接近1，表示模型拟合精度越高，而E越接近0，表示模型的预测产能值与实际产能值的误差越小。经计算，模型的决定系数R 2为0.84，平均相对误差E为8.1%，且满足模型精度要求的部分产能预测值与实际值的对比情况，分别如图2和图3所示。
S6：产能预测
加载步骤S5中拟合精度高误差小的模型设计产能预测模块，实时获取天然气水合物降压开采试验数据，并按照S2.3中归一化之后的数据格式输入到产能预测模块中，得到产能预测值，提供实时的、精准的多尺度天然气水合物降压开采试验产能信息，进而为现场应用提供数据参考。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (3)
1.一种基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，具体包括以下步骤：
S1：收集多尺度天然气水合物降压开采试验数据，这些试验数据涵盖了离散型特征和连续型特征，其中离散型特征包括试样尺度信息和开采井筒信息，连续型特征包括开采参数和产能数据；所述的试样尺度信息包括一维、二维和三维的三尺度试样尺度信息；所述的开采井筒信息包括水平井、垂直井和水平井+垂直井的开采井筒信息；所述的开采参数包括试样体积、孔隙度、天然气水合物饱和度、开采前压力、开采后压力、开采初始温度以及降压速率；所述的产能数据包括累计产气量以及平均产气速率；
S2：对试验数据进行预处理；具体包括以下步骤：
S2.1：对采集的数据进行清洗，剔除潜在异常值和噪音，获得规范试验数据；
S2.2：以各开采参数的5％作为其浮动范围，对试验样本数量进行扩充并采用分层随机抽样法进行抽样，抽样总数为N；
S2.3：对试验数据进行归一化处理，得到九类特征，将归一化后的数据集划分为训练集、验证集和测试集；归一化处理方法为：
S2.3.1：对于离散型特征，采用独热编码将试样尺度信息和开采井筒信息进行形式上的归一化处理：
试样尺度信息：一维＝(1,0,0)，二维＝(0,1,0)，三维＝(0,0,1)；
开采井筒信息：水平井＝(1,0,0)，垂直井＝(0,1,0)，水平井+垂直井＝(0,0,1)；
S2.3.2：对于连续型特征，采用将开采参数的数据缩放到[0,1]范围内的方法进行归一化处理，表达式为：
式中，x为步骤S1中的7类开采参数，min(x)为步骤S2.2中抽取的所有试验样本中相应开采参数的最小值，max(x)则为步骤S2.2中抽取的所有试验样本中对应开采参数的最大值，xn为归一化后的值；
S2.4：按照划分比例，将归一化后的数据集划分为70％训练集、15％验证集和15％测试集；
S3：建立一个包含一个输入层、三个隐藏层和一个输出层的深度神经网络模型；具体包括以下步骤：
S3.1：建立一个五层深度神经网络模型，包括一个输入层、三个隐藏层和一个输出层；
S3.2：输入层节点个数为9个，分别与试样尺度信息、开采井筒信息以及七个开采参数共计九类特征一一对应；
S3.3：输出层的节点为2个，分别与步骤S1中的两类产能数据相对应；
S3.4：确定深度神经网络模型中每一个隐藏层的节点数均为60；
S4：利用多尺度下不同开采参数的降压开采试验数据，训练深度神经网络模型以准确捕捉试验数据中的复杂模式和非线性关系，并通过反向传播算法优化网络参数；具体包括以下步骤：
S4.1：将模型的偏差初始化为零，且采用正态分布将模型的权重进行随机初始化，表达式为：
W～N(0,0.012)
式中，W为权重矩阵，N(0,0.012)表示均值为0、标准差为0.01的正态分布；
S4.2：选择Leaky ReLU作为激活函数，表达式为：
f(x)＝max(αxi,xi)
式中，α为0.01，xi为步骤S2.3中的9类特征；
S4.3：使用MSE作为损失函数，用来度量利用步骤S2.4中训练集得到的产能预测值与实际值之间的平方差，表达式为：
式中，J(θ)为模型预测产能值和实际产能值之间的平方差的平均值，m表示步骤S2.4中训练集试验样本数量，表示模型预测产能值，yi表示实际产能值；
S4.4：利用链式法则，从输出层开始，反向计算损失对模型参数权重和偏差的梯度，并使用批量梯度下降的优化算法实现参数的更新，表达式为：
式中，为损失函数对模型参数的梯度计算值，θ为深度神经网络模型的参数，β为学习率，初始值为0.01；
S4.5：采用L2正则化技术对模型的权重进行惩罚，防止权重过大，模型对训练数据过度拟合，表达式为：
式中，JL2为添加L2正则化后的损失函数，λ为正则化强度，初始值为0.1，∑i||ωi||2为模型所有权重的平方和；
S4.6：在验证集上评估模型的性能，根据验证集上的表现对学习率和正则化强度进行调整；
S4.7：重复步骤S4.3～S4.6，进行多次迭代，直至模型达到满意的性能；
S5：利用决定系数和平均相对误差两个参数评估模型的计算精度；
S6：加载产能预测模型设计产能预测模块，利用产能预测模块预测不同尺度和开采参数下的天然气水合物降压开采试验产能。
2.如权利要求1所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步骤S5的详细方法为：
使用测试集评估已经训练好并优化后的模型在未见过的数据上的泛化性能，并以决定系数R2大于等于0.8和平均相对误差E小于10％作为模型计算精度的评估标准，从而得到拟合精度高以及误差小的模型，决定系数R2与平均相对误差E两者的表达式分别为：
式中，n表示步骤S2.4中测试集试验样本的数量，为实际产能值的平均值；
R2越接近1，表示模型拟合精度越高，而E越接近0，表示模型的预测产能值与实际产能值的误差越小。
3.如权利要求2所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步骤S6的详细过程为：
加载步骤S5中拟合精度高误差小的产能预测模型设计产能预测模块，实时获取天然气水合物降压开采试验数据，并将试验数据按照S2.3归一化的数据格式输入产能预测模块中，得到产能预测值，从而提供实时的、精准的多尺度天然气水合物降压开采试验产能信息，进而而为现场应用提供数据参考。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008197.7A CN117522173B (zh) | 2024-01-04 | 2024-01-04 | 基于深度神经网络的天然气水合物降压开采产能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008197.7A CN117522173B (zh) | 2024-01-04 | 2024-01-04 | 基于深度神经网络的天然气水合物降压开采产能预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522173A CN117522173A (zh) | 2024-02-06 |
| CN117522173B true CN117522173B (zh) | 2024-04-26 |
Family
ID=89764847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410008197.7A Active CN117522173B (zh) | 2024-01-04 | 2024-01-04 | 基于深度神经网络的天然气水合物降压开采产能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522173B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
| CN109684685A (zh) * | 2018-12-10 | 2019-04-26 | 青岛海洋地质研究所 | 一种多分支井水合物降压开采条件下的产能及储层稳定性分析方法 |
| CN110400006A (zh) * | 2019-07-02 | 2019-11-01 | 中国石油化工股份有限公司 | 基于深度学习算法的油井产量预测方法 |
| CN115130734A (zh) * | 2022-06-06 | 2022-09-30 | 北京城建设计发展集团股份有限公司 | 一种基于LightGBM与深度学习算法的穿越工程施工影响预测方法及系统 |
| CN115375031A (zh) * | 2022-08-31 | 2022-11-22 | 中国石油化工股份有限公司石油工程技术研究院 | 一种产油量预测模型建立方法、产能预测方法及存储介质 |
| CN116911432A (zh) * | 2023-06-07 | 2023-10-20 | 中国石油大学(北京) | 用于水平井产能的预测方法、存储介质及处理器 |
| CN117252374A (zh) * | 2023-09-22 | 2023-12-19 | 西南石油大学 | 一种基于机器学习的致密气合采气井多层合采产量分配方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230111179A1 (en) * | 2021-10-08 | 2023-04-13 | Unconventional Subsurface Integration LLC dba USI | Predicting oil and gas reservoir production |
-
2024
- 2024-01-04 CN CN202410008197.7A patent/CN117522173B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
| CN109684685A (zh) * | 2018-12-10 | 2019-04-26 | 青岛海洋地质研究所 | 一种多分支井水合物降压开采条件下的产能及储层稳定性分析方法 |
| CN110400006A (zh) * | 2019-07-02 | 2019-11-01 | 中国石油化工股份有限公司 | 基于深度学习算法的油井产量预测方法 |
| CN115130734A (zh) * | 2022-06-06 | 2022-09-30 | 北京城建设计发展集团股份有限公司 | 一种基于LightGBM与深度学习算法的穿越工程施工影响预测方法及系统 |
| CN115375031A (zh) * | 2022-08-31 | 2022-11-22 | 中国石油化工股份有限公司石油工程技术研究院 | 一种产油量预测模型建立方法、产能预测方法及存储介质 |
| CN116911432A (zh) * | 2023-06-07 | 2023-10-20 | 中国石油大学(北京) | 用于水平井产能的预测方法、存储介质及处理器 |
| CN117252374A (zh) * | 2023-09-22 | 2023-12-19 | 西南石油大学 | 一种基于机器学习的致密气合采气井多层合采产量分配方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于神经网络的水合物藏降压开采产能预测及参数优化;李淑霞;《中国石油大学学报》;20230228;第47卷(第1期);第89-97页 * |
| 深度神经网络在红外光谱定量分析VOCs中的应用;张强;魏儒义;严强强;赵玉迪;张学敏;于涛;;光谱学与光谱分析;20200415(第04期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522173A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
| CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
| CN112541571A (zh) | 基于双并联神经网络的机器学习的注采连通性确定方法 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN115293197A (zh) | 一种基于长短期记忆网络的钻孔应变数据异常检测方法 | |
| CN114488311A (zh) | 基于ssa-elm算法的横波时差预测方法 | |
| CN116629111A (zh) | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 | |
| CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
| CN115564136A (zh) | 一种地热历史拟合和产能预测方法 | |
| CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
| CN114707692A (zh) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 | |
| CN117236191A (zh) | 一种基于深度学习技术的预测储层物性参数方法 | |
| CN113779881A (zh) | 致密含水气藏产能预测方法、装置及设备 | |
| CN117522173B (zh) | 基于深度神经网络的天然气水合物降压开采产能预测方法 | |
| CN113077091A (zh) | 一种基于机器学习的漏速概率分布预测方法和系统 | |
| CN117216942A (zh) | 一种用于井位优化的生产潜力指数的建立方法 | |
| CN116644844A (zh) | 一种基于神经网络时间序列的地层压力预测方法 | |
| CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
| CN117365430A (zh) | 一种页岩气单井日产量预测方法及系统 | |
| CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
| CN113627640B (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 |
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 |