申请/专利权人：四川省特种设备检验研究院

申请日：2024-01-30

公开（公告）日：2024-04-30

公开（公告）号：CN117951490A

主分类号：G06F18/21

分类号：G06F18/21;G06F18/214;G06F18/213;G06N20/10;G06Q10/04;G06Q50/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明涉及油气管道弯头冲蚀速率预测技术领域，具体为一种页岩气田弯头处冲蚀速率预测方法，包括：步骤一：收集并预处理页岩气田弯头处冲蚀速率数据，包括：按照随机序号，将页岩气田弯头处冲蚀速率数据以一定比例分为训练集和测试集；对页岩气田弯头处冲蚀速率数据的训练集的输入端和输出端进行标准化，并将测试集数据按照训练集数据标准化框架进行标准化。本发明通过改进的优化算法不断优化支持向量机的超参数；通过迭代找出适应度最高的个体，构成结构最优的支持向量机，提供了一种便捷、实时的方法，对保障页岩气田管道的平稳、安全和高效运行有重要意义，且能够预测页岩气田管道弯头处的冲蚀速率，适用范围广，准确度高，稳定性好。

主权项：1.一种页岩气田弯头处冲蚀速率预测方法，其特征在于，包括：步骤一：收集并预处理页岩气田弯头处冲蚀速率数据，包括：按照随机序号，将页岩气田弯头处冲蚀速率数据以一定比例分为训练集和测试集；对页岩气田弯头处冲蚀速率数据的训练集的输入端和输出端进行标准化，并将测试集数据按照训练集数据标准化框架进行标准化；步骤二：构建预测算法，包括：1、标准化页岩气田弯头处冲蚀速率数据； 其中，datastd为标准化后数据，datainv为反标准化后数据，data为真实数据，n为样本大小。2、选择支持向量机的核函数并确定超参数，包括初始数据规模、数据的个体位置、数据中的发现者和参与者，并计算数据的目标函数值，得到当前的最优个体位置，定义训练集为{ui,vi|ui∈Rn,vi∈R}，回归函数的线性方程为： 式中，ui是输入矢量；vi是输出矢量；是非线性映射函数；ω是加权向量；c是偏差；gx是函数，T是转置。支持向量机的优化目标是min0.5||ω||2，通过引入松弛变量ξi和来转换问题： 式中，Υ是惩罚系数；ε是不敏感损失函数。经过转换，我们最终可以将SVM表示为： 步骤三：更新参与者位置并计算目标函数值，更新发现者位置并计算目标函数值，更新预警者位置并计算目标函数值。A+＝ATAAT-17 式中，Q为服从正态分布的随机数，Xworst是当前全球最差位置，XP是当前全球最佳位置，A和L为1×D的矩阵；步骤四：在更新过程中，若某个体前后两次迭代的目标函数值之差小于阈值，则对此个体进行标记，若某个体超过两次标记，则通过自适应t分布变异算子对该个体的位置进行扰动。 式中，t是当前迭代次数，itermax是最大迭代次数，Q为服从正态分布的随机数，r2是位于0-1之间的随机数，st是0.5-1之间的数。 式中，β是服从标准正态分布的随机数，K是-1-1之间的随机数，fg是当前全局最优位置的目标函数，fw是当前全局最差位置的目标函数值；步骤五：如果当前迭代次数达到最大迭代次数，则迭代停止，否则不断重复步骤三和步骤四，迭代结束后得到最优位置和目标函数值。步骤六：输出最优位置所确定的超参数值，基于改进支持向量机模型的页岩气田弯头处冲蚀速率智能预测模型已建立；步骤七：通过不同机器学习模型的MSE值检验模型准确性。 式中，n是样本数，data是真值，F是机器模型预测值。

全文数据：

权利要求：

百度查询： 四川省特种设备检验研究院 一种页岩气田弯头处冲蚀速率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD