基于遗传算法的最小二乘支持向量机预测凝析气藏露点压力
发布时间：2021-03-30 15:20
露点压力的准确预测对保障凝析气藏的高效开发至关重要。近年来,数据挖掘、人工智能等大数据技术逐渐成为研究热点,其对复杂的非线性回归与分类问题有良好的解决策略。基于优化算法和机器学习,提出了一种将遗传算法（GA）与最小二乘支持向量机（LSSVM）相结合的露点压力预测模型（GA-LSSVM模型）,并利用误差反向传播（BP）和径向基函数（RBF）人工神经网络建立了相应的露点压力模型,然后进行模型精度对比。在皮尔逊关联性分析基础上,上述模型均选取气藏温度、(N2+CO2、C1、C2～C6、C7+)摩尔分数、C7+相对分子质量、C7+相对密度和气油比作为自变量。采用公开发表的34个露点压力数据进行参数优化,得到了GA-LSSVM、BP和RBF模型的最优参数,并对15组实测露点压力数据进行预测。结果表明:GA-LSSVM模型预测精度明显高于BP、RBF神经网络模型,具有良好的预测能力,GA-LSSVM模型的平均绝对相对误差（A...
【文章来源】：科学技术与工程. 2020,20(16)北大核心
【文章页数】：7 页
【部分图文】：
露点压力影响因素分析
由于BP和RBF为较成熟的人工神经网络模型,具体的参数优化步骤此处不再赘述。GA-LSSVM露点压力预测模型的流程图如图2所示,优化后所有模型的最优参数如表3所示。表3 各模型最优参数Table 3 Optimal parameters of each model GA-LSSVM模型 BP模型 RBF模型 参数 数值 参数 数值 参数 数值 惩罚因子γ 39.840 3 目标误差(goal) 1×10-3 目标误差(goal) 1×10-3 核参数σ2 4.732 8 学习率(lr) 0.02 扩展常数(spread) 1.0 隐含层神经元数量(MN) 16 隐含层神经元数量(MN) 8 最终迭代次数(epochs) 500 最终迭代次数(epochs) 300
为了进一步表明本文建立的GA-LSSVM露点压力模型的预测性能,并与BP和RBF神经网络模型进行对比,选取除模型训练数据外的15组实测凝析气藏露点压力数据[14]进行预测,对比结果见表4。如图4所示,GA-LSSVM模型和RBF模型预测精度明显高于BP神经网络模型,两者预测数据AARD分别为5.84%和7.29%,最大ARD均低于17%,GA-LSSVM模型和RBF模型的预测值与实验值基本吻合,证实了该算法具有较好的露点压力预测精度。BP神经网络模型的预测AARD为14.21%,其中最大ARD为40.64%,预测效果相对较差。表4 各模型测试数据预测结果对比Table 4 Comparison of predicted results of test data of each model T/K 摩尔分数/% C7+相对分子质量 C7+相对密度 气油比/(m3·m-3) 露点压力/MPa 预测值/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
本文编号：3109726
【文章来源】：科学技术与工程. 2020,20(16)北大核心
【文章页数】：7 页
【部分图文】：
露点压力影响因素分析
由于BP和RBF为较成熟的人工神经网络模型,具体的参数优化步骤此处不再赘述。GA-LSSVM露点压力预测模型的流程图如图2所示,优化后所有模型的最优参数如表3所示。表3 各模型最优参数Table 3 Optimal parameters of each model GA-LSSVM模型 BP模型 RBF模型 参数 数值 参数 数值 参数 数值 惩罚因子γ 39.840 3 目标误差(goal) 1×10-3 目标误差(goal) 1×10-3 核参数σ2 4.732 8 学习率(lr) 0.02 扩展常数(spread) 1.0 隐含层神经元数量(MN) 16 隐含层神经元数量(MN) 8 最终迭代次数(epochs) 500 最终迭代次数(epochs) 300
为了进一步表明本文建立的GA-LSSVM露点压力模型的预测性能,并与BP和RBF神经网络模型进行对比,选取除模型训练数据外的15组实测凝析气藏露点压力数据[14]进行预测,对比结果见表4。如图4所示,GA-LSSVM模型和RBF模型预测精度明显高于BP神经网络模型,两者预测数据AARD分别为5.84%和7.29%,最大ARD均低于17%,GA-LSSVM模型和RBF模型的预测值与实验值基本吻合,证实了该算法具有较好的露点压力预测精度。BP神经网络模型的预测AARD为14.21%,其中最大ARD为40.64%,预测效果相对较差。表4 各模型测试数据预测结果对比Table 4 Comparison of predicted results of test data of each model T/K 摩尔分数/% C7+相对分子质量 C7+相对密度 气油比/(m3·m-3) 露点压力/MPa 预测值/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
本文编号：3109726
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/3109726.html
