← 返回列表
基于深度神经网络的天然气水合物降压开采产能预测方法
摘要文本
本发明公开了一种基于深度神经网络的天然气水合物降压开采产能预测方法，主要是通过建立一个五层深度神经网络模型，利用现有的多尺度天然气水合物降压开采试验数据对模型进行训练、优化、测试和评估，并基于此模型设计产能预测模块，从而实现不同工况下多尺度天然气水合物降压开采试验产能的精准预测，从而调整开采策略、优化开采过程以及提高开采效率，减少了传统天然气水合物降压开采试验所需的大量人力物力，且深度学习模型的自动化学习和模式识别能力，有效降低了实验室工作和数据分析的负担，为研究人员提供更高效的实验手段。
申请人信息
- 申请人:山东科技大学
- 申请人地址:266590 山东省青岛市黄岛区前湾港路579号
- 发明人: 山东科技大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于深度神经网络的天然气水合物降压开采产能预测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410008197.7 |
| 申请日 | 2024/1/4 |
| 公告号 | CN117522173A |
| 公开日 | 2024/2/6 |
| IPC主分类号 | G06Q10/0637 |
| 权利人 | 山东科技大学 |
| 发明人 | 蒋宇静; 颜鹏; 栾恒杰; 刘明康; 马先壮; 刘建康; 陈永强; 李鑫鹏; 杜晓宇; 史一辰 |
| 地址 | 山东省青岛市黄岛区前湾港路579号 |
专利主权项内容
1.一种基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，具体包括以下步骤：S1：收集多尺度天然气水合物降压开采试验数据，这些试验数据涵盖了离散型特征和连续型特征，其中离散型特征包括试样尺度信息和开采井筒信息，连续型特征包括开采参数和产能数据；S2：对试验数据进行预处理；S : 3：建立一个包含一个输入层、三个隐藏层和一个输出层的深度神经网络模型；S4：利用多尺度下不同开采参数的降压开采试验数据，训练深度神经网络模型以准确捕捉试验数据中的复杂模式和非线性关系，并通过反向传播算法优化网络参数；S5：利用决定系数和平均相对误差两个参数评估模型的计算精度；S6：加载产能预测模型设计产能预测模块，利用产能预测模块预测不同尺度和开采参数下的天然气水合物降压开采试验产能。 来自：马 克 团 队