[發明專利]氣體高壓等溫吸附曲線預測方法、系統、存儲介質、終端

有效

• 申請號: 202010438024.0
• 申請日: 2020-05-21
• 公開（公告）號: CN111625953B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 張紀遠;馮其紅;張先敏
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/00;G06N3/08;G06F119/08
• 代理公司: 北京匯捷知識產權代理事務所(普通合伙) 11531
• 代理人: 馬金華

1.一種氣體高壓等溫吸附曲線預測方法，其特征在于，所述氣體高壓等溫吸附曲線預測方法采用構建的學習數據庫對隨機森林、BP神經網絡、支持向量機模型進行訓練；綜合隨機森林、BP神經網絡、支持向量機模型評價結果篩選出影響吸附量的關鍵特征參數；將數據集隨機劃分為訓練集和測試集，采用訓練集對梯度提升決策樹模型進行訓練，采用K-折交叉驗證方法確定梯度提升決策樹模型的最佳超參數取值，得到等溫吸附曲線預測模型；

所述氣體高壓等溫吸附曲線預測方法包括：

第一步，收集煤巖工業分析、煤巖元素分析、煤巖顯微組分分析、鏡質體反射率測定、煤巖比表面、孔容測試及不同壓力下的氣體吸附量數據，形成學習數據庫；

第二步，將所有特征參數為輸入量，以吸附量作為輸出量，采用構建的學習數據庫對隨機森林、BP神經網絡、支持向量機模型進行訓練；以隨機置換重要性作為評價指標，綜合隨機森林、BP神經網絡、支持向量機模型評價結果篩選出影響吸附量的關鍵特征參數；

第三步，以篩選出的關鍵特征參數作為輸入變量，以吸附量作為輸出變量，將數據集隨機劃分為訓練集和測試集，采用訓練集對梯度提升決策樹模型進行訓練，采用K-折交叉驗證方法確定梯度提升決策樹模型的最佳超參數取值，最佳超參數取值組合條件下訓練得到的梯度提升決策樹模型即為等溫吸附曲線預測模型；

第四步，將測試集的特征參數輸入至建立的預測模型中，計算模型輸出吸附量，計算測試集的實際吸附量與模型計算的吸附量之間的誤差指標，包括決定系數、絕對誤差、相對誤差、標準差；

第五步，在穩健性測試通過的基礎上，以篩選出的關鍵特征參數作為輸入變量，采用構建的預測模型對不同煤樣的等溫吸附曲線進行預測。

2.如權利要求1所述的氣體高壓等溫吸附曲線預測方法，其特征在于，所述第二步影響氣體在煤巖中的吸附量的可能特征參數包括灰分含量、揮發分含量、固定碳含量、水分含量、鏡質組含量、鏡質體反射率、比表面積、孔容、溫度、壓力。

3.如權利要求1所述的氣體高壓等溫吸附曲線預測方法，其特征在于，所述第二步對于不同煤樣，影響吸附量的關鍵特征參數也不同，首先篩選出關鍵特征參數以弱化非關鍵參數對預測精度的影響。

4.如權利要求1所述的氣體高壓等溫吸附曲線預測方法，其特征在于，所述第三步對于梯度提升決策樹模型超參數包括決策樹數量、最大樹深、葉節點最小數據點數、學習率。

5.如權利要求1所述的氣體高壓等溫吸附曲線預測方法，其特征在于，所述第四步根據誤差指標評價預測模型穩健性，若預測模型穩健性較好，則進入第四步。

6.如權利要求5所述的氣體高壓等溫吸附曲線預測方法，其特征在于，若穩健性較差，則對第一步中數據庫可靠性進行復檢，若數據庫數據可靠性，則需要調整第二步中隨機置換重要性的閾值，重新篩選關鍵參數并對第三步中預測模型進行重構。

7.一種接收用戶輸入程序存儲介質，所存儲的計算機程序使電子設備執行權利要求1～6任意一項所述包括下列步驟：采用構建的學習數據庫對隨機森林、BP神經網絡、支持向量機模型進行訓練；綜合隨機森林、BP神經網絡、支持向量機模型評價結果篩選出影響吸附量的關鍵特征參數；將數據集隨機劃分為訓練集和測試集，采用訓練集對梯度提升決策樹模型進行訓練，采用K-折交叉驗證方法確定梯度提升決策樹模型的最佳超參數取值，得到等溫吸附曲線預測模型。