基于遺傳算法的最小二乘支持向量機(jī)預(yù)測(cè)凝析氣藏露點(diǎn)壓力
發(fā)布時(shí)間:2021-03-30 15:20
露點(diǎn)壓力的準(zhǔn)確預(yù)測(cè)對(duì)保障凝析氣藏的高效開(kāi)發(fā)至關(guān)重要。近年來(lái),數(shù)據(jù)挖掘、人工智能等大數(shù)據(jù)技術(shù)逐漸成為研究熱點(diǎn),其對(duì)復(fù)雜的非線性回歸與分類問(wèn)題有良好的解決策略;趦(yōu)化算法和機(jī)器學(xué)習(xí),提出了一種將遺傳算法(GA)與最小二乘支持向量機(jī)(LSSVM)相結(jié)合的露點(diǎn)壓力預(yù)測(cè)模型(GA-LSSVM模型),并利用誤差反向傳播(BP)和徑向基函數(shù)(RBF)人工神經(jīng)網(wǎng)絡(luò)建立了相應(yīng)的露點(diǎn)壓力模型,然后進(jìn)行模型精度對(duì)比。在皮爾遜關(guān)聯(lián)性分析基礎(chǔ)上,上述模型均選取氣藏溫度、(N2+CO2、C1、C2~C6、C7+)摩爾分?jǐn)?shù)、C7+相對(duì)分子質(zhì)量、C7+相對(duì)密度和氣油比作為自變量。采用公開(kāi)發(fā)表的34個(gè)露點(diǎn)壓力數(shù)據(jù)進(jìn)行參數(shù)優(yōu)化,得到了GA-LSSVM、BP和RBF模型的最優(yōu)參數(shù),并對(duì)15組實(shí)測(cè)露點(diǎn)壓力數(shù)據(jù)進(jìn)行預(yù)測(cè)。結(jié)果表明:GA-LSSVM模型預(yù)測(cè)精度明顯高于BP、RBF神經(jīng)網(wǎng)絡(luò)模型,具有良好的預(yù)測(cè)能力,GA-LSSVM模型的平均絕對(duì)相對(duì)誤差(A...
【文章來(lái)源】:科學(xué)技術(shù)與工程. 2020,20(16)北大核心
【文章頁(yè)數(shù)】:7 頁(yè)
【部分圖文】:
露點(diǎn)壓力影響因素分析
由于BP和RBF為較成熟的人工神經(jīng)網(wǎng)絡(luò)模型,具體的參數(shù)優(yōu)化步驟此處不再贅述。GA-LSSVM露點(diǎn)壓力預(yù)測(cè)模型的流程圖如圖2所示,優(yōu)化后所有模型的最優(yōu)參數(shù)如表3所示。表3 各模型最優(yōu)參數(shù)Table 3 Optimal parameters of each model GA-LSSVM模型 BP模型 RBF模型 參數(shù) 數(shù)值 參數(shù) 數(shù)值 參數(shù) 數(shù)值 懲罰因子γ 39.840 3 目標(biāo)誤差(goal) 1×10-3 目標(biāo)誤差(goal) 1×10-3 核參數(shù)σ2 4.732 8 學(xué)習(xí)率(lr) 0.02 擴(kuò)展常數(shù)(spread) 1.0 隱含層神經(jīng)元數(shù)量(MN) 16 隱含層神經(jīng)元數(shù)量(MN) 8 最終迭代次數(shù)(epochs) 500 最終迭代次數(shù)(epochs) 300
為了進(jìn)一步表明本文建立的GA-LSSVM露點(diǎn)壓力模型的預(yù)測(cè)性能,并與BP和RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比,選取除模型訓(xùn)練數(shù)據(jù)外的15組實(shí)測(cè)凝析氣藏露點(diǎn)壓力數(shù)據(jù)[14]進(jìn)行預(yù)測(cè),對(duì)比結(jié)果見(jiàn)表4。如圖4所示,GA-LSSVM模型和RBF模型預(yù)測(cè)精度明顯高于BP神經(jīng)網(wǎng)絡(luò)模型,兩者預(yù)測(cè)數(shù)據(jù)AARD分別為5.84%和7.29%,最大ARD均低于17%,GA-LSSVM模型和RBF模型的預(yù)測(cè)值與實(shí)驗(yàn)值基本吻合,證實(shí)了該算法具有較好的露點(diǎn)壓力預(yù)測(cè)精度。BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)AARD為14.21%,其中最大ARD為40.64%,預(yù)測(cè)效果相對(duì)較差。表4 各模型測(cè)試數(shù)據(jù)預(yù)測(cè)結(jié)果對(duì)比Table 4 Comparison of predicted results of test data of each model T/K 摩爾分?jǐn)?shù)/% C7+相對(duì)分子質(zhì)量 C7+相對(duì)密度 氣油比/(m3·m-3) 露點(diǎn)壓力/MPa 預(yù)測(cè)值/MPa N2+CO2 C1 C2~C6 C7+ GA-LSSVM BP RBF 386.15 8.83 85.95 4.24 0.98 143 0.751 13 129 32.45 37.41 35.44 35.21 379.85 6.36 79.64 8.09 5.91 146 0.761 1 581 43.9 41.17 53.96 41.38 393.15 5.13 78.18 13.77 2.861 148 0.766 4 802 30.27 33.73 30.77 35.41 401.65 5.23 76.69 15.835 2.251 146 0.767 5 070 35.75 29.8 24.71 31.52 377.55 10.98 74.95 11.68 2.41 139 0.746 2 800 37.93 35.31 37.02 35.16 376.15 12.9 65.59 15.14 6.42 142 0.752 1 248 42.14 38.02 46.73 38.69 408.35 4.56 76.03 14.02 5.39 253 0.818 1 152 54.43 52.08 50.86 53.34 410.15 5.01 77.44 11.07 6.48 197 0.814 983 49.9 48.98 52.47 49.65 378.75 3.13 84.93 10.12 1.82 154 0.766 7 683 36.46 36.76 28.35 35.12 402.15 1.96 88.51 8.73 0.8 113 0.704 5 865 20.08 20.12 28.24 17.07 407.05 3.88 76.54 14.05 5.53 246 0.816 1 069 50.85 52.95 51.9 53.23 362.45 0.74 84.07 12.53 2.66 151 0.763 3 793 32.66 31.89 23.33 30.59 376.92 5.65 84.32 6.38 3.65 162 0.777 2 738 45.57 45.68 47.16 43.9 404.15 3.05 88.62 6.09 2.16 182 0.787 4 632 46.83 46.14 54.53 43.65 408.15 6.74 73.82 13.96 5.48 191 0.806 1 427 53.22 50.07 44.97 48.9
本文編號(hào):3109726
【文章來(lái)源】:科學(xué)技術(shù)與工程. 2020,20(16)北大核心
【文章頁(yè)數(shù)】:7 頁(yè)
【部分圖文】:
露點(diǎn)壓力影響因素分析
由于BP和RBF為較成熟的人工神經(jīng)網(wǎng)絡(luò)模型,具體的參數(shù)優(yōu)化步驟此處不再贅述。GA-LSSVM露點(diǎn)壓力預(yù)測(cè)模型的流程圖如圖2所示,優(yōu)化后所有模型的最優(yōu)參數(shù)如表3所示。表3 各模型最優(yōu)參數(shù)Table 3 Optimal parameters of each model GA-LSSVM模型 BP模型 RBF模型 參數(shù) 數(shù)值 參數(shù) 數(shù)值 參數(shù) 數(shù)值 懲罰因子γ 39.840 3 目標(biāo)誤差(goal) 1×10-3 目標(biāo)誤差(goal) 1×10-3 核參數(shù)σ2 4.732 8 學(xué)習(xí)率(lr) 0.02 擴(kuò)展常數(shù)(spread) 1.0 隱含層神經(jīng)元數(shù)量(MN) 16 隱含層神經(jīng)元數(shù)量(MN) 8 最終迭代次數(shù)(epochs) 500 最終迭代次數(shù)(epochs) 300
為了進(jìn)一步表明本文建立的GA-LSSVM露點(diǎn)壓力模型的預(yù)測(cè)性能,并與BP和RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比,選取除模型訓(xùn)練數(shù)據(jù)外的15組實(shí)測(cè)凝析氣藏露點(diǎn)壓力數(shù)據(jù)[14]進(jìn)行預(yù)測(cè),對(duì)比結(jié)果見(jiàn)表4。如圖4所示,GA-LSSVM模型和RBF模型預(yù)測(cè)精度明顯高于BP神經(jīng)網(wǎng)絡(luò)模型,兩者預(yù)測(cè)數(shù)據(jù)AARD分別為5.84%和7.29%,最大ARD均低于17%,GA-LSSVM模型和RBF模型的預(yù)測(cè)值與實(shí)驗(yàn)值基本吻合,證實(shí)了該算法具有較好的露點(diǎn)壓力預(yù)測(cè)精度。BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)AARD為14.21%,其中最大ARD為40.64%,預(yù)測(cè)效果相對(duì)較差。表4 各模型測(cè)試數(shù)據(jù)預(yù)測(cè)結(jié)果對(duì)比Table 4 Comparison of predicted results of test data of each model T/K 摩爾分?jǐn)?shù)/% C7+相對(duì)分子質(zhì)量 C7+相對(duì)密度 氣油比/(m3·m-3) 露點(diǎn)壓力/MPa 預(yù)測(cè)值/MPa N2+CO2 C1 C2~C6 C7+ GA-LSSVM BP RBF 386.15 8.83 85.95 4.24 0.98 143 0.751 13 129 32.45 37.41 35.44 35.21 379.85 6.36 79.64 8.09 5.91 146 0.761 1 581 43.9 41.17 53.96 41.38 393.15 5.13 78.18 13.77 2.861 148 0.766 4 802 30.27 33.73 30.77 35.41 401.65 5.23 76.69 15.835 2.251 146 0.767 5 070 35.75 29.8 24.71 31.52 377.55 10.98 74.95 11.68 2.41 139 0.746 2 800 37.93 35.31 37.02 35.16 376.15 12.9 65.59 15.14 6.42 142 0.752 1 248 42.14 38.02 46.73 38.69 408.35 4.56 76.03 14.02 5.39 253 0.818 1 152 54.43 52.08 50.86 53.34 410.15 5.01 77.44 11.07 6.48 197 0.814 983 49.9 48.98 52.47 49.65 378.75 3.13 84.93 10.12 1.82 154 0.766 7 683 36.46 36.76 28.35 35.12 402.15 1.96 88.51 8.73 0.8 113 0.704 5 865 20.08 20.12 28.24 17.07 407.05 3.88 76.54 14.05 5.53 246 0.816 1 069 50.85 52.95 51.9 53.23 362.45 0.74 84.07 12.53 2.66 151 0.763 3 793 32.66 31.89 23.33 30.59 376.92 5.65 84.32 6.38 3.65 162 0.777 2 738 45.57 45.68 47.16 43.9 404.15 3.05 88.62 6.09 2.16 182 0.787 4 632 46.83 46.14 54.53 43.65 408.15 6.74 73.82 13.96 5.48 191 0.806 1 427 53.22 50.07 44.97 48.9
本文編號(hào):3109726
本文鏈接:http://sikaile.net/kejilunwen/shiyounenyuanlunwen/3109726.html
最近更新
教材專著