CN117875154A - 一种陆域天然气水合物产能预测方法、系统和电子设备 - Google Patents
一种陆域天然气水合物产能预测方法、系统和电子设备 Download PDFInfo
- Publication number
- CN117875154A CN117875154A CN202310656055.7A CN202310656055A CN117875154A CN 117875154 A CN117875154 A CN 117875154A CN 202310656055 A CN202310656055 A CN 202310656055A CN 117875154 A CN117875154 A CN 117875154A
- Authority
- CN
- China
- Prior art keywords
- natural gas
- gas hydrate
- land natural
- land
- prediction
- 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
- 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 126
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 title claims description 37
- 239000002245 particle Substances 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 10
- 239000000243 solution Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005553 drilling Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- -1 HRS Chemical compound 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 150000004677 hydrates Chemical class 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Natural products C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及陆域天然气水合物开发技术领域，尤其涉及一种陆域天然气水合物产能预测方法、系统和电子设备，方法包括：根据陆域天然气水合物产能关联的所有预设影响变量，构建多个数据样本；利用粒子群算法对学习模型进行优化，得到优化后的学习模型；基于多个数据样本，对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型；根据待预测单直井的每个预设影响变量的具体值，以及陆域天然气水合物产能预测模型，得到待预测单直井的陆域天然气水合物产能的预测值。利用粒子群算法对学习模型进行优化，得到优化后的学习模型，再对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型，能够对产能进行准确预测。
Description
技术领域
本发明涉及陆域天然气水合物开发技术领域，尤其涉及一种陆域天然气水合物产能预测方法、系统和电子设备。
背景技术
陆域天然气水合物流动机理复杂，生产动态预测难度大，单直井开采受影响因素多，压裂施工参数设计难度大。然而，对陆域天然气水合物单直井进行钻前产能预测是陆域天然气水合物开发方案制订与优化的重要环节，这为陆域天然气水合物储层开发的投资风险提供了评估依据，对指导陆域天然气水合物开采过程显得尤为重要。针对陆域天然气水合物特殊的流动和生产等特征，亟需通过创新陆域天然气水合物开发理念和方法手段，建立复杂地下与地面条件陆域天然气水合物高效开发优化技术，解决陆域天然气水合物单直井产能评价和关键参数设计等技术难题。陆域天然气水合物开采过程中需要依靠水合物的大量分解以此获得具有商业价值的气源，天然气水合物的分解必然会带来孔隙结构、相态、温度场等储层以及流体性质的变化，因此建立准确描述天然气水合物的流动模型是非常困难的，这涉及到了强非线性多维空间多场耦合解析求解。目前，研究人员一般基于一维空间和特定的假设，利用自相似法做近似处理，从而得到陆域天然气水合物产能预测的解析公式。例如程家望等(2016)建立了考虑了水、气和水合物的一维三相数学模型，研究了水合物藏生产过程中的压力变化。随着数值模拟技术的发展，诞生了许多天然气水合物的数值模拟软件，如HRS，CMG-STARS，Tough+Hydrate等，研究人员多借助这些商业软件开展关于天然气水合物产能的数值模拟研究。例如，Uddin等(2008-2014)通过CMG软件的STARS模块模拟了天然气水合物的合成与分解过程，并对天然气水合物藏降压开采的过程进行模拟。但是数值模拟方法同样存在着评价参数难获取，忽略了裂缝网络发育特征和应力敏感性等问题，很难建立合理的地质模型。天然气水合物分解与开采是一个多相态渗流和多场耦合的复杂过程，为了形成对陆域天然气水合物的渗流过程和控制机理的初步认识，必须要通过室内实验的手段。例如，李淑霞等(2013)在注热法和降压法开采水合物方面做了大量实验研究，并对注热法和降压法的各类参数做了敏感性分析。但是陆域天然气水合物地层条件复杂，多出现多相流体的非稳态渗流，同时室内实验很难模拟储层的应力敏感性，同时需要建立三维油藏物理模型才能保证其准确性，模型复杂，实验难度大，耗时长。
综上所述，陆域天然气水合物开发受很多不确定性因素影响，使得目前在陆域天然气水合物的实际生产中，确定性的产能预测方法可靠性差，开展陆域天然气水合物产能非确定性预测方法研究，是解决上述问题的有效途径。然而，现有的陆域天然气水合物产能非确定性预测方法仅适用于投产后的陆域天然气水合物单直井，缺少适用于陆域天然气水合物单直井钻前产能非确定性预测的方法，亟需建立一种适用于陆域天然气水合物单直井钻前产能非确定性预测的新方法。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供了一种陆域天然气水合物产能预测方法、系统和电子设备。
本发明的一种陆域天然气水合物产能预测方法的技术方案如下：
根据陆域天然气水合物产能关联的所有预设影响变量，构建多个数据样本；
利用粒子群算法对学习模型进行优化，得到优化后的学习模型；
基于多个数据样本，对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型；
根据待预测单直井的每个预设影响变量的具体值，以及所述陆域天然气水合物产能预测模型，得到待预测单直井的陆域天然气水合物产能的预测值。
本发明的一种陆域天然气水合物产能预测系统的技术方案如下：
包括构建模块、优化模块、训练模块和预测模块；
所述构建模块用于：根据陆域天然气水合物产能关联的所有预设影响变量，构建多个数据样本；
所述优化模块用于：利用粒子群算法对学习模型进行优化，得到优化后的学习模型；
所述训练模块用于：基于多个数据样本，对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型；
所述预测模块用于：根据待预测单直井的每个预设影响变量的具体值，以及所述陆域天然气水合物产能预测模型，得到待预测单直井的陆域天然气水合物产能的预测值。
本发明的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种陆域天然气水合物产能预测方法。
本发明的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。
本发明的有益效果如下：
利用粒子群算法对学习模型进行优化，得到优化后的学习模型，再对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型，能够对产能进行准确预测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例的一种陆域天然气水合物产能预测方法的流程示意图；
图2为20口陆域天然气水合物单直井地质工程参数分布直方图；
图3为20口陆域天然气水合物单直井测试产量分布直方图；
图4为输入变量间的相关系数热图；
图5为粒子群的最小MSE值随迭代次数的变化规律图；
图6为最优神经网络模型结构示意图；
图7为特征变量的相对重要性排序图；
图8为最优ANN模型中训练样本的预测值和实际值对比图；
图9为最优ANN模型中检验样本的预测值和实际值对比图。
图10为本发明实施例的一种陆域天然气水合物产能预测系统的结构示意图。
具体实施方式
如图1所示，本发明实施例的一种陆域天然气水合物产能预测方法，包括如下步骤：
S1、根据陆域天然气水合物产能关联的所有预设影响变量，构建多个数据样本；
确定陆域天然气水合物产能关联的所有预设影响变量，收集统计每个预设影响变量的具体值，建立跨地区且不断更新的庞大数据样本库，具体地：
综合考虑地质和工程因素对陆域天然气水合物产能的影响规律和压裂施工设计重点考究参数，尽可能地选取多个地质参数和多个工程参数作为陆域天然气水合物产能的影响变量，其中，多个地质参数包括垂深、压力系数、孔隙度、总有机碳含量、杨氏模量、泊松比等，多个工程参数包括排量、用液量、加砂量等。
其中，确定预设影响变量的过程如下：
可根据经验从所有的影响变量中选取出影响较大的影响变量，作为预设影响变量，也可将所有的影响变量均作为预设影响变量。
其中，单个数据样本包括：任一单直井对应的每个预设影响变量的具体值，以及该单个单直井的陆域天然气水合物产能的实际产量值。
数据样本均由已投入生产的陆域天然气水合物单直井生产资料统计得出，数据样本的数量尽可能地多而广，从而尽可能地避免数据样本的偶然性和代表性，增强了数据样本的随机性和独立性，确保后续的对陆域天然气水合物单直井产能预测的可靠性。
S2、利用粒子群算法对学习模型进行优化，得到优化后的学习模型；
其中，学习模型可为运用网络拓扑理论建立的人工神经网络模型，也可根据实际情况设置其它学习模型，以学习模为人工神经网络模型为例进行说明，包括：
S20、运用网络拓扑理论建立用于进行陆域天然气水合物产能预测的人工神经网络模型(ANN)；
ANN具有自学习和自适应的能力，可以通过预先提供的相互对应的输入-输出数据，分析掌握两者之间的潜在规律，最终根据这些规律，用新的输入数据来推算输出结果。每个神经元都是一个执行以下命令的基本计算单元：
y＝max(0,∑iwixi+b)
上式中，xi为神经元输入；ωi为权值；b为阈值；y为神经元输出。
所有神经元以分层结构连接，其中输入和输出之间的映射使用以下公式进行：
hi＝max(0,wi·hi-1+bi),1≤i≤L,h0＝x
y＝max(0,V·hL)
上式中，L是层数；W1-WL是矩阵；V和b1-bL是从数据集中学习的模型参数。
S21、运用粒子群算法(PSO)对所建立的人工神经网络模型的结构进行优化，确定最佳模型参数，将最佳模型参数带入S20中建立好的人工神经网络模型中，得到优化后的学习模型，也可称为优化后的人工神经网络模型。
粒子群算法是一种在多维搜索空间中寻找全局最优解的优化技术。PSO算法考虑了粒子群在历史上的最佳位置和每个粒子在历史上的最佳位置，粒子群逐渐移动到最优位置，直到达到最大迭代。根据均方误差最小的原则，利用粒子群优化算法对ANN的结构进行优化，定义为：
式中，N是数据样本的数量；yi*和yi是数据样本中页岩气水平井单位段长测试产量的预测值和真实值。
本文中使用的粒子位置更新公式为：
上式中，将单个粒子的位置记录为一个实数向量，Vik+1n和Vikn表示粒子i在第n维方向上迭代k+1和k次后的速度；Xik+1n和Xikn表示粒子i在第n维方向上迭代k+1和k次后的位置；c1、c2为学习因子；r1和r2是0到1之间的随机值；Pikn和Gkn分别表示单个粒子的最佳位置和粒子群的最佳位置。
式中，k为殖民地粒子种群当前迭代次数，Tmax为殖民地粒子种群设定的最大迭代次数，ωmax为最大惯性权重，ωmin为最小惯性权重。ωmax一般取值为0.9，ωmin一般取值为0.4。
以粒子群的最小MSE值(对应于群最优位置)为目标，使用PSO算法对隐含层数和每个隐含层神经元个数进行优化，从而得到最优神经网络模型结构及模型参数，如图5和图6所示。
S3、基于多个数据样本，对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型；
为了加快对优化后的人工神经网络模型的学习速度，将每个数据样本中的单直井对应的每个预设影响变量的具体值进行归一化后作为优化后的人工神经网络模型的输入数据，将每个数据样本中的单直井的陆域天然气水合物产能的实际产量值进行归一化后作为优化后的人工神经网络模型的输入数据，此时的数据样本：包括单口单直井的是陆域天然气水合物产能的实际产量值对应的归一化值，以及该单直井对应的每个预设影响变量的具体值对应的归一化值。
其中，采用最大最小归一化的方式进行归一化，最大最小归一化的方式对应的公式为：
其中，xi*为归一化的输入变量；xi为未归一化的输入变量；xmin为同种输入变量的最小值；xmax为同种输入变量的最大值；yi*为归一化的输出变量；yi为未归一化的输出变量；ymin为输出变量的最小值；ymax为输出变量的最大值。
将所有的个数据样本分为两部分：训练样本和测试样本，验证方法采用10倍交叉验证，其中，训练样本的占比和测试样本的占比可根据实际情况设置，如训练样本的占比为80％，测试样本的占比为20％，然后对优化后的人工神经网络模型进行训练。
其中，ANN模型输入变量之间的相关性不能太强，否则会影响其预测的准确性。计算输入变量之间的相关系数R，绘制输入变量间的相关系数热图，确保变量之间的R值都小于0.5，说明大多数输入变量之间存在较弱的相关性。
S4、根据待预测单直井的每个预设影响变量的具体值，以及陆域天然气水合物产能预测模型，得到待预测单直井的陆域天然气水合物产能的预测值。
可选地，在上述技术方案中，还包括：
S5、根据部分依赖图，确定每个预设影响变量影响陆域天然气水合物产能预测模型的预测精度的相对重要度；
S6、对相对重要度进行降序排序，选取前N个预设影响变量，并发出提醒。以提醒设计规划人员，在进行设计时，尤其注意前N个预设影响变量；
部分依赖图(PDP图)是研究预测对输入变量的依赖性质的一种方法。部分依赖图可以表示一个或两个特征对机器学习模型预测结果的边际影响，即变量是如何影响预测结果的。对回归的部分依赖函数定义为：
式中，xS为表示感兴趣的特征变量；xC为表示所有其他变量。
通过对xC进行积分，可以得到一个只依赖与xS的函数f(xS)。该函数即为部分依赖函数，它能够实现对单一变量xS的解释。在实际操作中，通常使用蒙特卡洛方法，通过计算训练集的平均值，来得到部分依赖函数，具体公式如下：
式中，n为表示样本容量。
根据部分依赖图中的曲线斜率，得到各输入变量对陆域天然气水合物单直井产能的预测的相对重要性。部分依赖图中的曲线斜率越大，对应输入变量的相对重要性越强。
可选地，在上述技术方案中，对待预测单直井的陆域天然气水合物产能进行预测之前，还包括：
S04、利用决定系数，对陆域天然气水合物产能预测模型的预测准确度进行判断。
分别在训练样本和测试样本计算陆域天然气水合物单直井测试产量预测值和实际值之间的决定系数R2统计描述符，评估训练的ANN模型的可靠性。根据统计学的推荐，一个好的预测可以通过R2>0.64评估。
决定系数R2：R2值用于衡量两个变量之间相互关联的程度，R2值越接近1，变量相关性越强，模型预测越准确。R2的表达式为：
上式中，N为数据样本数量；yi和yi*分别为实际值和预测值； y和y*分别为平均预测值和平均实际值。
本发明的有益效果如下：
1)与现有技术相比，该方法专门针对陆域天然气水合物复杂流动机理，采用人工神经网络(ANN)和粒子群优化(PSO)结合的方法预测陆域天然气水合物单直井产能，其中ANN用于非线性关系建模，PSO用于ANN结构的调整优化。由于该方法直接从陆域天然气水合物单直井测试产量的影响变量进行预测，不需要进行现场产量测试，即在陆域天然气水合物单直井排采初期，不需要历史拟合数据。
2)该方法还可以利用其它区块的陆域天然气水合物单直井开发数据，可以方便地建立和更新通用模型，其准确性不受理想化假设条件和参数设置的限制，仅依靠模型输入变量便可以自动学习、求解输入与输出变量之间的非线性关系，从而很好地解决了陆域天然气水合物储层复杂地质条件所导致的难以对陆域天然气水合物单直井钻前产能进行准确预测，施工参数设计难度大的问题。
下面通过一个实施例，如图2至图9所示，对发明的技术效果进行说明：
已知某一典型陆域天然气水合物单直井矿场实际参数如图2和图3所示。
首先，确定陆域天然气水合物单直井产能影响变量，收集统计变量参数，建立跨地区且不断更新的庞大数据样本：输入变量间的相关系数热图如图4所示。
具体步骤为：综合考虑地质和工程因素对陆域天然气水合物产能的影响规律和压裂施工设计重点考究参数，尽可能地选取多个地质参数(如：垂深、压力系数、孔隙度、总有机碳含量、杨氏模量、泊松比等)和多个工程参数(如：排量、用液量、加砂量等)作为陆域天然气水合物单直井产能的影响因素。为了加快ANN模型的学习速度，将陆域天然气水合物单直井的地质工程参数归一化后作为ANN模型的输入变量。将陆域天然气水合物单直井归一化后的测试产量作为ANN模型的输出变量。同时将整个数据样本分为两部分：训练样本(80％)和测试样本(20％)，验证方法采用10倍交叉验证。ANN模型输入变量之间的相关性不能太强，否则会影响其预测的准确性。
确保变量之间的R值都小于0.5；
再就是，运用网络拓扑理论建立陆域天然气水合物产能预测的人工神经网络模型(ANN)；
具体步骤为：ANN具有自学习和自适应的能力，可以通过预先提供的相互对应的输入-输出数据，分析掌握两者之间的潜在规律，最终根据这些规律，用新的输入数据来推算输出结果。每个神经元都是一个执行以下命令的基本计算单元：
y＝max(0,∑iwixi+b)
式中，xi为神经元输入；ωi为权值；b为阈值；y为神经元输出。
所有神经元以分层结构连接，其中输入和输出之间的映射使用以下公式进行：
hi＝max(0,wi·hi-1+bi),1≤i≤L,h0＝x
y＝max(0,V·hL)
式中，L是层数；W1-WL是矩阵；V和b1-bL是从数据集中学习的模型参数。
随后，运用粒子群算法(PSO)对所建立的人工神经网络模型的结构进行优化，确定最佳模型参数：
具体步骤为：PSO算法考虑了粒子群在历史上的最佳位置和每个粒子在历史上的最佳位置，粒子群逐渐移动到最优位置，直到达到最大迭代。根据均方误差最小的原则，利用粒子群优化算法对ANN的结构进行优化，定义为：
式中，N是数据样本的数量；yi*和yi是数据样本中页岩气水平井单位段长测试产量的预测值和真实值。
本文中使用的粒子位置更新公式为：
式中，将单个粒子的位置记录为一个实数向量，Vik+1n和Vikn表示粒子i在第n维方向上迭代k+1和k次后的速度；Xik+1n和Xikn表示粒子i在第n维方向上迭代k+1和k次后的位置；c1、c2为学习因子；r1和r2是0到1之间的随机值；Pikn和Gkn分别表示单个粒子的最佳位置和粒子群的最佳位置。
式中，k为殖民地粒子种群当前迭代次数，Tmax为殖民地粒子种群设定的最大迭代次数，ωmax为最大惯性权重，ωmin为最小惯性权重。ωmax一般取值为0.9，ωmin一般取值为0.4。
以粒子群的最小MSE值(对应于群最优位置)为目标，使用PSO算法对隐含层数和每个隐含层神经元个数进行优化，从而得到最优神经网络模型结构及模型参数。
随后，利用部分依赖图确定最优人工神经网络模型影响变量的相对重要性，如图7所示；
具体步骤为：部分依赖图(PDP图)是研究预测对输入变量的依赖性质的一种方法。部分依赖图可以表示一个或两个特征对机器学习模型预测结果的边际影响，即变量是如何影响预测结果的。对回归的部分依赖函数定义为：
式中，xS为表示感兴趣的特征变量；xC为表示所有其他变量。
通过对xC进行积分，可以得到一个只依赖与xS的函数f(xS)。该函数即为部分依赖函数，它能够实现对单一变量xS的解释。在实际操作中，通常使用蒙特卡洛方法，通过计算训练集的平均值，来得到部分依赖函数，具体公式如下：
式中，n为表示样本容量。
根据部分依赖图中的曲线斜率，得到各输入变量对陆域天然气水合物单直井产能的预测的相对重要性。部分依赖图中的曲线斜率越大，对应输入变量的相对重要性越强。
随后，最优神经网络模型预测性能验证；
具体步骤为：分别在训练样本和测试样本计算陆域天然气水合物单直井测试产量预测值和实际值之间的决定系数R2统计描述符，评估训练的ANN模型的可靠性。根据统计学的推荐，一个好的预测可以通过R2>0.64评估。
决定系数R2：R2值用于衡量两个变量之间相互关联的程度，R2值越接近1，变量相关性越强，模型预测越准确。R2的表达式为：
式中，N为数据样本数量；yi和yi*分别为实际值和预测值；y和y*分别为平均预测值和平均实际值，如图8和图9所示。
在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图10所示，本发明实施例的一种陆域天然气水合物产能预测系统200，包括构建模块210、优化模块220、训练模块230和预测模块240；
构建模块210用于：根据陆域天然气水合物产能关联的所有预设影响变量，构建多个数据样本；
优化模块220用于：利用粒子群算法对学习模型进行优化，得到优化后的学习模型；
训练模块230用于：基于多个数据样本，对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型；
预测模块240用于：根据待预测单直井的每个预设影响变量的具体值，以及陆域天然气水合物产能预测模型，得到待预测单直井的陆域天然气水合物产能的预测值。
可选地，在上述技术方案中，学习模块为运用网络拓扑理论建立的人工神经网络模型。
可选地，在上述技术方案中，还包括确定模块，确定模块用于：
根据部分依赖图，确定每个预设影响变量影响陆域天然气水合物产能预测模型的预测精度的相对重要度；
对相对重要度进行降序排序，选取前N个预设影响变量，并发出提醒。
可选地，在上述技术方案中，还包括判断模块，判断模块用于：
在对待预测单直井的陆域天然气水合物产能进行预测之前，利用决定系数，对陆域天然气水合物产能预测模型的预测准确度进行判断。
上述关于本发明的一种陆域天然气水合物产能预测系统中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种陆域天然气水合物产能预测方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种陆域天然气水合物产能预测方法。
本发明实施例的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。其中，电子设备可以选用电脑、手机等。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。
因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种陆域天然气水合物产能预测方法，其特征在于，包括：
根据陆域天然气水合物产能关联的所有预设影响变量，构建多个数据样本；
利用粒子群算法对学习模型进行优化，得到优化后的学习模型；
基于多个数据样本，对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型；
根据待预测单直井的每个目标影响变量的具体值，以及所述陆域天然气水合物产能预测模型，得到待预测单直井的陆域天然气水合物产能的预测值。
2.根据权利要求1所述的一种陆域天然气水合物产能预测方法，其特征在于，所述学习模块为运用网络拓扑理论建立的人工神经网络模型。
3.根据权利要求1所述的一种陆域天然气水合物产能预测方法，其特征在于，还包括：
根据部分依赖图，确定每个预设影响变量影响陆域天然气水合物产能预测模型的预测精度的相对重要度；
对相对重要度进行降序排序，选取前N个预设影响变量，并发出提醒。
4.根据权利要求1所述的一种陆域天然气水合物产能预测方法，其特征在于，对待预测单直井的陆域天然气水合物产能进行预测之前，还包括：
利用决定系数，对所述陆域天然气水合物产能预测模型的预测准确度进行判断。
5.一种陆域天然气水合物产能预测系统，其特征在于，包括构建模块、优化模块、训练模块和预测模块；
所述构建模块用于：根据陆域天然气水合物产能关联的所有预设影响变量，构建多个数据样本；
所述优化模块用于：利用粒子群算法对学习模型进行优化，得到优化后的学习模型；
所述训练模块用于：基于多个数据样本，对优化后的学习模型进行训练，得到陆域天然气水合物产能预测模型；
所述预测模块用于：根据待预测单直井的每个预设影响变量的具体值，以及所述陆域天然气水合物产能预测模型，得到待预测单直井的陆域天然气水合物产能的预测值。
6.根据权利要求5所述的一种陆域天然气水合物产能预测系统，其特征在于，所述学习模块为运用网络拓扑理论建立的人工神经网络模型。
7.根据权利要求5所述的一种陆域天然气水合物产能预测系统，其特征在于，还包括确定模块，所述确定模块用于：
根据部分依赖图，确定每个预设影响变量影响陆域天然气水合物产能预测模型的预测精度的相对重要度；
对相对重要度进行降序排序，选取前N个预设影响变量，并发出提醒。
8.根据权利要求5所述的一种陆域天然气水合物产能预测系统，其特征在于，还包括判断模块，所述判断模块用于：
在对待预测单直井的陆域天然气水合物产能进行预测之前，利用决定系数，对所述陆域天然气水合物产能预测模型的预测准确度进行判断。
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至4中任一项所述的一种陆域天然气水合物产能预测方法。
10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310656055.7A CN117875154A (zh) | 2023-06-05 | 2023-06-05 | 一种陆域天然气水合物产能预测方法、系统和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310656055.7A CN117875154A (zh) | 2023-06-05 | 2023-06-05 | 一种陆域天然气水合物产能预测方法、系统和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117875154A true CN117875154A (zh) | 2024-04-12 |
Family
ID=90587228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310656055.7A Pending CN117875154A (zh) | 2023-06-05 | 2023-06-05 | 一种陆域天然气水合物产能预测方法、系统和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875154A (zh) |
-
2023
- 2023-06-05 CN CN202310656055.7A patent/CN117875154A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| Majdi et al. | Applying evolutionary optimization algorithms for improving fuzzy C-mean clustering performance to predict the deformation modulus of rock mass | |
| 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 | |
| CN112016212B (zh) | 一种基于渗流控制方程的储层纵向非均质性评价方法 | |
| EP2956803B1 (en) | Method of modelling a subsurface volume | |
| KR101474874B1 (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
| Liu et al. | Predictive model for water absorption in sublayers using a machine learning method | |
| CN114896903A (zh) | 一种基于强制学习的油田生产系统决策优化方法 | |
| NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
| CN117875154A (zh) | 一种陆域天然气水合物产能预测方法、系统和电子设备 | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN112780267B (zh) | 一种成藏可能性确定方法、装置和设备 | |
| Rezaei et al. | Applications of Machine Learning for Estimating the Stimulated Reservoir Volume (SRV) | |
| CN117933103B (zh) | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 | |
| Xu et al. | Prediction Model of Drilling Costs for Ultra-Deep Wells Based on GA-BP Neural Network | |
| Pokatilov | Multi-objective AHM workflow intergrating the 4D seismic data | |
| CN116006168A (zh) | 一种基于连通性分析的注采参数优化方法及系统 | |
| He et al. | Oil Production Rate Forecasting by SA-LSTM Model in Tight Reservoirs | |
| Fu | Reservoir Development Geologic Modeling and Residual Oil Prediction Research | |
| CN116029402A (zh) | 裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置 | |
| CN115470887A (zh) | 一种基于kpca-poa-lstm模型的煤矿掘进工作面瓦斯涌出量预测方法 | |
| CN117933103A (zh) | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 | |
| CN115758608A (zh) | 海上稠油蒸汽吞吐中后期压力预测方法、装置及介质 |
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 |