基于灰狼算法的LSSVM模型预测凝析气藏露点压力研究

发布时间：2024-03-02 13:54

　　针对凝析气藏露点压力预测准确性相对较低的问题,基于数据挖掘,提出了一种将灰狼算法(GWO)与最小二乘支持向量机(LSSVM)相结合的新模型(GWO-LSSVM模型)。在Pearson关联性分析基础上,选取气藏温度、(C₁、C₂-C₆、C₇₊)摩尔分数、C₇₊相对分子质量、C₇₊相对密度作为新模型的自变量,露点压力为因变量。采用公开发表的37个露点压力数据优化GWO-LSSVM模型参数(γ,σ²),然后对10组TLM油田实测露点压力数据进行预测。结果表明:GWO-LSSVM模型预测精度较高,平均绝对相对误差(AARD)仅为2.6%。最后,根据Leverage方法,进行了所有数据的异常点检测。本研究为凝析气藏露点压力预测提供了一种有效方法。

【文章页数】：7 页

【部分图文】：

图1GWO算法原理图

如图1所示,定义距离目标较近的灰狼个体为α、β、δ,其余ω狼按照如下准则进行坐标更新。式中:t为迭代次数,x为灰狼的位置向量,A为收敛因子,其表达式为:

图2露点压力影响因素分析

由图2可知,气藏温度、(C1、C2-C6、C7+)摩尔分数、C7+相对分子质量、C7+相对密度可作为GWO-LSSVM模型的输入变量。其中:气藏温度为375.15～418.55K、(C1、C2-C6、C7+)摩尔分数分别为65.59%～96.61%、1.17%～18.82%、....

图3GWO-LSSVM模型计算流程

GWO-LSSVM露点压力预测模型的流程如图3所示。(1)选出具有代表性的实验数据并进行归一化处理,初始化LSSVM和算法参数;

图4GWO-LSSVM模型预测结果

如图4所示,GWO-LSSVM模型的预测值和实验值均匀分布在45°线附近,训练集和预测集的AARD分别为2.26%和3.76%,其中最大误差分别为10.47%和12.65%。从而表明,GWO-LSSVM模型能较好地预测出凝析气藏露点压力。4异常点检测

本文编号：3916953