[發明專利]基于長短期記憶神經網絡的井下氣體濃度預測方法及裝置

在審

• 申請號: 202011401720.0
• 申請日: 2020-12-04
• 公開（公告）號: CN112528558A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 謝承煜;陳子威;巢磊;曹杰;石東平;王晉淼;朱佳妮;劉承波
• 申請（專利權）人: 湘潭大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 涂鳳琴

1.一種基于長短期記憶神經網絡的井下氣體濃度預測方法，其特征在于，包括：

獲取歷史井下氣體濃度數據；

根據所述歷史井下氣體濃度數據，訓練基于長短期記憶神經網絡的預測模型；

根據所述歷史井下氣體濃度數據和所述預測模型對井下氣體濃度進行預測。

2.根據權利要求1所述的方法，其特征在于，所述根據所述歷史井下氣體濃度數據訓練基于長短期記憶神經網絡的預測模型，包括：

從所述歷史井下氣體濃度數據中獲取連續N個數據，將所述N個數據作為一組樣本；

將多組所述樣本輸入至長短期記憶人工神經網絡，訓練基于長短期記憶神經網絡的預測模型；

根據所述歷史井下氣體濃度數據對所述預測模型進行誤差分析，并根據損失函數對所述預測模型進行調整，直至所述預測模型的誤差參數小于預設閾值，將所述調整后的預測模型作為用于預測的預測模型。

3.根據權利要求1所述的方法，其特征在于，所述基于長短期記憶神經網絡的預測模型，包括：遺忘門、輸入門和輸出門；

其中，遺忘門根據下述公式確定：f_t＝σ(W_f·[H_t-1，x_t]+b_f)

輸入門根據下述公式確定：I_t＝σ(W_I·[H_t-1，x_t]+b_I)

C_t＝tanh(W_C·[H_t-1，x_t]+b_C)

輸出門根據下述公式確定：O_t＝σ(W_o·[H_t-1，x_t]+b_o)

其中，x_t表示當前時刻網絡的輸入值，H_t-1表示上一時刻LSTM預測模型的輸出值，H_t表示當前時刻LSTM預測模型的輸出值，C_t-1表示上一時刻的單元狀態，C_t表示當前時刻的單元狀態，b_f、b_I、b_C、b_o表示偏置，W_f、W_I、W_C、W_o表示權重，σ表示sigmoid函數，值域為(0，1)。

4.根據權利要求1所述的方法，其特征在于，在根據所述歷史井下氣體濃度數據和所述預測模型對井下氣體濃度進行預測之后，還包括：

獲取實際氣體濃度；

根據所述實際氣體濃度和預測結果進行誤差分析，并再次對所述預測模型進行訓練。

5.根據權利要求1所述的方法，其特征在于，在所述獲取歷史井下氣體濃度數據之后，還包括：

基于局部離群因子檢測算法對獲取到的歷史井下氣體濃度數據進行異常值檢測；

對檢測出的異常值，采用所述異常值之前的M個濃度數據的平均值替換所述異常值，其中，M為大于等2的整數。

6.根據權利要求5所述的方法，其特征在于，所述基于局部離群因子檢測算法對獲取到的歷史井下氣體濃度數據進行異常值檢測，包括：

針對每個歷史井下氣體濃度數據P，計算所述P的局部可達密度；

根據所述局部可達密度，確定所述P的局部離群因子；

若所述局部離群因子大于預設值，則判斷所述P為異常值，所述預設值大于1。