[發明專利]基于FA-LSSVM模型預測高含硫氣藏中硫溶解度的方法

在審

• 申請號: 202010533053.5
• 申請日: 2020-06-12
• 公開（公告）號: CN111681719A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 卞小強;郭黎明
• 申請（專利權）人: 西南石油大學
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/30;G06N20/10;G06N3/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了基于FA?LSSVM模型預測高含硫氣藏中硫溶解度的方法，利用螢火蟲算法(FA)優化最小二乘支持向量機(LSSVM)模型中的罰參數γ和核函數寬度σ²，建立高含硫氣藏中硫溶解度FA?LSSVM預測方法；本發明利用FA?LSSVM模型預測高含硫氣藏中硫溶解度，其預測精度更高、泛化能力更強、適應能力更強，可以為高含硫氣藏開發提供更為準確的參考數據。

技術領域

本發明涉及石油天然氣勘探開發技術領域，尤其涉及基于FA-LSSVM模型預測高含硫氣藏中硫溶解度的方法。

背景技術

高含硫氣藏是非常規氣藏的重要組成部分，近年來隨著大批高含硫氣藏的出現，含硫天然氣開發和運輸中的相關問題也隨之出現，其中硫沉積是急于解決的問題之一。高含硫氣藏中的硫溶解度計算是預測硫沉積的關鍵所在，是高含硫氣藏體系相平衡計算的重要基礎，同時也為高含硫氣藏的科學開發提供了理論指導。

目前，高含硫氣藏中硫溶解度的測定和計算的主要方法主要有：實驗法、締合模型、熱力學模型、人工神經網絡模型。實驗方法測定硫溶解度雖然是最為準確和可靠的方法，但具有實驗測定費時費力，對實驗設備損耗較大的缺點。而理論模型(支持向量機、締合模型、熱力學模型和人工神經網絡模型)則能夠較準確地完成計算。硫溶解度的關聯和預測通常運用經典的PR狀態方程，但狀態方程的缺點是需要眾多的基礎參數(臨界溫度、臨界壓力、偏心因子、二元交互系數等)。締合模型的計算方法相對簡單許多，僅根據實驗數據的溫度(T)、壓力(P)和超臨界流體的密度(ρ)等參數，采用數學方法回歸就可以得到。近幾年來，人工智能手段發展迅速，人工神經網絡模型不用考慮溶質的臨界參數就能夠很好地預測出硫在高含硫氣體中的溶解度。但神經網絡模型需要大量的實驗數據作為訓練樣本，模型的調整過程過于復雜。因此，提供一種預測高含硫氣藏中硫溶解度的新方法，對高含硫氣藏的合理開發至關重要。

發明內容

為解決上述技術問題，本發明的目的在于提供一種基于FA-LSSVM模型預測高含硫氣藏中硫溶解度的方法。該模型的優點是預測精度更高、泛化能力更強、適應能力更好的問題，能夠為實驗分析以及實際工程提供更加有效的參考數據。

為了達到上述發明的目的，本發明采取的技術方案是：

基于FA-LSSVM模型預測高含硫氣藏中硫溶解度的方法，具體步驟如下：

步驟1：利用斯皮爾曼關聯法和灰色關聯法來確定建模所用的輸入變量和輸出變量；將實驗數據分為兩部分，預測數據占比30％、訓練數據占比70％；

步驟2：利用LSSVM建立高含硫氣藏中硫溶解度的預測模型；

步驟3：對原始數據進行歸一化處理，利用螢火蟲算法(FA)優化參數的數據、最小二乘支持向量機(LSSVM)預測模型訓練和測試的樣本數據；

步驟4：對FA算法以及LSSVM預測模型參數初始化設置：利用收集的硫溶解度數據，進行二進制編碼，產生初代種群，即初始LSSVM模型，然后訓練模型，通過FA算法優化獲得LSSVM預測模型參數，建立螢火蟲算法優化最小二乘支持向量機(FA-LSSVM)預測模型，對測試樣本進行硫溶解度預測；

步驟5：采用異常點檢測等理論對步驟4得到的預測結果與測試值分析對比，驗證預測值的正確性以及模型的適用范圍。

本發明采取的技術和現有技術相比較，具有以下優點：

本發明采用LSSVM建立的FA-LSSVM高含硫氣藏中硫溶解度預測模型，克服了常用模型的缺點，該模型具有泛化能力更強、預測精度更高以及適應性能更好的特點；本發明選用 FA算法對LSSVM模型參數進行了優化，不僅具有可以處理離散變量問題還具有處理連續變量以及非線性目標和不需要梯度信息來約束函數等問題的優點。

附圖說明

圖1是支持向量機的基本原理圖