论文部分内容阅读
煤层气产能是衡量煤层气井潜在产气能力的综合指标,产能的高低直接影响煤层气项目的经济效益。因此建立有效的煤层气产能预测模型,对煤层气井的勘探开发有着重要的指导意义。煤层气赋存于煤储层中,其产出过程由多个地质因素决定且各因素之间关系复杂,难于建立精确的数学表达式来描述其动态的生产过程。因此本论文采用目前广泛应用于预测控制等领域的支持向量回归机以及改进的粒子群优化算法来建立地质因素与产能之间的非线性函数映射关系,以实现对煤层气井产能进行预测及控制的目的。支持向量回归机模型的建立不仅需要一定数量的样本数据进行训练和测试,同时为了建立高质量的预测模型,需要对模型中的参数设定最优的取值,因此选用粒子群优化算法对参数进行优化。粒子群优化算法目前已经广泛地应用于各个领域,但是由于它自身的进化特点导致其在寻优过程中容易陷入局部收敛。为了解决该算法易于陷入局部收敛的问题,本文主要提出了三个改进的粒子群优化算法。(1)基于子维进化的粒子群优化算法从标准粒子群优化算法的进化策略入手,将种群中粒子的进化策略从粒子的整体进化改变为粒子的每一维依次进化。同时当种群陷入局部收敛时,采取对多样性较差的子维进行重新初始化的操作。无论是对简单的单峰函数还是复杂的多峰函数进行优化,相较于标准粒子群优化算法该算法均具有较好的寻优性能。(2)基于免疫机制的混合粒子群优化算法融合了人工免疫算法和基于子维进化的粒子群优化算法,将进化过程分成两个阶段,第一阶段采取人工免疫优化算法进行全局寻优,为下一阶段的寻优提供质量较高的初始种群。第二阶段采取基于子维进化的粒子群优化算法在质量较高的初始种群的基础上进行进化寻优,因此该算法具有更高的寻优效率。(3)多种群协同进化的粒子群优化算法在Agent的协同作用下,分别由人工免疫算法、混沌算法,子维进化的粒子群优化算法同时进化,在粒子群算法陷入局部收敛时,共享其他两个算法的最优值,以较高的质量跳出局部收敛,为进一步的寻优工作打下良好的基础,同样该算法也具有更高的寻优效率。通过标准数据集Boston Housing作为数据样本,将两种改进的混合粒子群算法应用于优化支持向量回归机模型中的参数,结果表明多种群协同进化的粒子群优化算法更适用于优化模型参数。通过选定沁水盆地南部樊庄区块的20口煤层气垂直井的相关数据,利用改进的粒子群优化算法优化支持向量回归机,建立煤层气产能预测模型,并与BP神经网络以及支持向量回归机的预测结果进行比较,结果表明改进的粒子群优化算法优化支持向量回归机建立的模型具有更高的预测精度。同时根据20组样本数据对参与建立模型的5个地质因素分别进行了实验,分析了它们对产能的影响。