[發明專利]一種致密氣產量的智能分段預測方法

在審

• 申請號: 202210059303.5
• 申請日: 2022-01-19
• 公開（公告）號: CN114358441A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 李勇明;賈靖;江有適
• 申請（專利權）人: 西南石油大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京中索知識產權代理有限公司 11640
• 代理人: 唐亭

1.一種致密氣產量的智能分段預測方法，其特征在于，包括以下步驟：

步驟1：根據地質研究資料和壓裂施工報告，收集并整理現場多種影響致密氣產量的特征因素數據，獲得并清理原始數據集，剔除異常的樣本數據；

步驟2：利用聚類算法對原始數據集中的致密氣產量進行聚類，將原始數據集劃分為K類樣本數據；

步驟3：分別對步驟2中劃分出的K類樣本數據使用Bootstrap方法抽樣，逐段形成訓練集與測試集；

步驟4：利用隨機森林分類算法對原始數據集進行分類訓練預測分析，獲得隨機森林分類模型，并計算該模型的訓練誤差和預測誤差；

步驟5：設定人工神經網絡的待定參數，通過誤差反向傳播的前饋神經網絡分別對K類樣本數據進行訓練預測分析，獲得K個對應的人工神經網絡模型，并計算模型的訓練均方誤差和預測均方誤差；

步驟6：最后先根據步驟4得到的隨機森林分類模型判斷樣本數據類別，再通過步驟5得到的對應該類別的人工神經網絡模型對致密氣產量進行分析預測。

2.根據權利要求1所述的一種致密氣產量的智能分段預測方法，其特征在于，所述步驟1中的特征因素數據包括烴源巖厚度、支撐縫寬、導流能力、含氣飽和度、總液量和前置液百分比。

3.根據權利要求2所述的一種致密氣產量的智能分段預測方法，其特征在于，所述步驟1具體包括以下子步驟：

步驟101：篩選出基礎樣本數據中含零的樣本，將其剔除；

步驟102：計算產氣量遞增梯度，繪制產氣量遞增梯度散點圖，剔除產氣量變化幅度過大的樣本；

步驟103：剔除含氣飽和量異常的樣本。

4.根據權利要求1所述的一種致密氣產量的智能分段預測方法，其特征在于，所述步驟2具體包括以下子步驟：

步驟201：隨機選取一個樣本作為第一個聚類中心；

步驟202：計算每個樣本與第一個聚類中心間的歐式距離，并以歐式距離為依據，用輪盤賭法選出一個樣本作為第二個聚類中心，如此循環直到選擇K個聚類中心；

步驟203：獲得K個聚類中心后，通過執行聚類算法，直到把總體聚為K類。

5.根據權利要求1所述的一種致密氣產量的智能分段預測方法，其特征在于，所述步驟3具體包括以下子步驟：

步驟301：Bootstrap重采樣就是有放回采樣，每次有放回地從基礎數據集中抽取一個樣本，形成新的集合，得不包含某個樣本的概率；

步驟302：去掉中重復的樣本，將新集合作為訓練集，基礎數據集和新集合的差作為測試集。

6.根據權利要求1所述的一種致密氣產量的智能分段預測方法，其特征在于，所述步驟4中隨機森林分類模型的訓練誤差和預測誤差通過下式計算：

式(1)中，Num_predicted表示分類預測正確的樣本個數，單位無量綱；Num_actural表示總的樣本個數，單位無量綱。

7.根據權利要求1所述的一種致密氣產量的智能分段預測方法，其特征在于，所述步驟5具體包括一下步驟：

步驟501：設定隱含層個數，隨機賦予權值矩陣的初值，設置誤差、學習率，確定樣本模式計數器和訓練次數計數器；

步驟502：輸入訓練樣本，計算各層輸出；

步驟503：計算網絡輸出誤差，各層誤差信號并調整各層權值；

步驟504：檢查訓練情況，完成了一輪訓練，若滿足網絡輸出與期望輸出間的誤差小于可接受的最大的網絡輸出與期望輸出之間的誤差，則訓練結束，否則計數器增加1，并進行下一輪訓練，最終獲得人工神經網絡模型；

步驟505：計算人工神經網絡模型的訓練均方誤差和預測均方誤差。