本發(fā)明涉及評價領(lǐng)域，尤其涉及一種基于人工智能的煤層氣井產(chǎn)能評價方法。

背景技術(shù)：

1、隨著全球能源結(jié)構(gòu)的調(diào)整和環(huán)境保護(hù)意識的提高，煤層氣作為一種清潔、高效的能源，其開發(fā)與利用受到越來越多的關(guān)注。然而，煤層氣井產(chǎn)能受到地質(zhì)條件復(fù)雜多變、鉆井工況情況有別等因素影響，傳統(tǒng)的評價方法往往依賴于采區(qū)已有的數(shù)據(jù)、對未采區(qū)預(yù)測不夠精確等問題，難以滿足現(xiàn)代煤層氣勘探開發(fā)的需求。

2、通過機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)，可以實現(xiàn)對大量地質(zhì)數(shù)據(jù)的自動處理和分析，提高評價的準(zhǔn)確性和效率。目前，雖然有一些基于人工智能的地質(zhì)評價方法被提出，但它們在煤層氣井產(chǎn)能評價中的應(yīng)用還存在一些局限性、不確定性。因此，有必要對基于人工智能的煤層氣井產(chǎn)能評價方法進(jìn)行深入研究，優(yōu)化目前的評價方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是要提供一種基于人工智能的煤層氣井產(chǎn)能評價方法。

2、為達(dá)到上述目的，本發(fā)明是按照以下技術(shù)方案實施的：

3、本發(fā)明包括以下步驟：

4、采集已有煤層氣井的生產(chǎn)數(shù)據(jù)和基礎(chǔ)數(shù)據(jù)，對對所述生產(chǎn)數(shù)據(jù)和所述基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理；所述基礎(chǔ)數(shù)據(jù)包括煤層的平均厚度、產(chǎn)狀、埋深、孔隙度、滲透率、含氣量、蓋層厚度、巖性、開發(fā)井型、壓裂情況等；所述生產(chǎn)數(shù)據(jù)包括實際年產(chǎn)氣量、最高日產(chǎn)氣量、20年產(chǎn)氣量等；

5、將所述生產(chǎn)數(shù)據(jù)輸入煤氣層生產(chǎn)預(yù)測模型獲取煤層氣井預(yù)測生產(chǎn)數(shù)據(jù)，將所述預(yù)測生產(chǎn)數(shù)據(jù)和實際生產(chǎn)數(shù)據(jù)進(jìn)行對比獲得實預(yù)比例；

6、根據(jù)變化關(guān)聯(lián)度對所述基礎(chǔ)數(shù)據(jù)進(jìn)行影響分析獲得生產(chǎn)數(shù)據(jù)變化系數(shù)，根據(jù)所述實預(yù)比例和所述生產(chǎn)數(shù)據(jù)變化系數(shù)構(gòu)造生產(chǎn)能力函數(shù)；

7、根據(jù)所述生產(chǎn)能力函數(shù)構(gòu)建煤層氣井產(chǎn)能評價模型，優(yōu)化所述煤層氣井產(chǎn)能評價模型；

8、將待評價數(shù)據(jù)輸入所述煤層氣井產(chǎn)能評價模型，輸出評價結(jié)果。

9、進(jìn)一步的，將所述基礎(chǔ)數(shù)據(jù)、生產(chǎn)數(shù)據(jù)輸入煤層氣井產(chǎn)能評價模型獲取預(yù)測生產(chǎn)數(shù)據(jù)的方法，包括：

10、煤層氣井產(chǎn)能預(yù)測模型基于時間序列分析算法和bp神經(jīng)網(wǎng)絡(luò)算法得預(yù)測模型；

11、采用決策樹提取生產(chǎn)數(shù)據(jù)的特征，獲得生產(chǎn)能力特征，將生產(chǎn)能力特征輸入煤氣層生產(chǎn)能力預(yù)測模型；

12、時間序列分析算法學(xué)習(xí)生產(chǎn)特征的時間變化規(guī)律，模擬時間變化規(guī)律預(yù)測生產(chǎn)數(shù)據(jù)得到第一預(yù)測值；bp神經(jīng)網(wǎng)絡(luò)算法采用反向傳播對生產(chǎn)能力特征進(jìn)行監(jiān)督學(xué)習(xí)，獲得第二預(yù)測值；采用高斯混合融合第一預(yù)測值和第二預(yù)測值獲得預(yù)測生產(chǎn)數(shù)據(jù)。

13、進(jìn)一步的，根據(jù)變化關(guān)聯(lián)度對所述影響數(shù)據(jù)進(jìn)行影響分析獲得煤層氣井生產(chǎn)變化系數(shù)的方法，包括：

14、計算影響數(shù)據(jù)的變敏度：

15、

16、其中影響數(shù)據(jù)的變敏度為模糊系數(shù)為影響數(shù)據(jù)屬性τ的模糊鄰域粒為影響數(shù)據(jù)敏感屬性集合的模糊鄰域粒為影響數(shù)據(jù)的調(diào)整常數(shù)為q；

17、將變敏度大于0的影響數(shù)據(jù)作為關(guān)鍵數(shù)據(jù)，建立模糊相似關(guān)系矩陣，表達(dá)式為：

18、

19、其中第v行第j列的關(guān)鍵數(shù)據(jù)為rzj，第v行第p個特征的關(guān)鍵數(shù)據(jù)中心為特征數(shù)為n，第z行第j列的遺傳因子為第v行第j列關(guān)鍵數(shù)據(jù)的變敏度為

20、求解模糊相似關(guān)系矩陣的模糊等價矩陣，表達(dá)式為：

21、w*＝{hvj*}

22、其中模糊等價矩陣為w*，模糊等價元素為hvj*，將模糊等價元素降序取值，將矩陣中元素為1的關(guān)鍵數(shù)據(jù)作為類別1；

23、計算類別1中關(guān)鍵數(shù)據(jù)的變化關(guān)聯(lián)度：

24、

25、其中相關(guān)數(shù)據(jù)為相關(guān)數(shù)據(jù)的數(shù)量為n，相關(guān)數(shù)據(jù)和生產(chǎn)數(shù)據(jù)變化w的關(guān)聯(lián)程度為相關(guān)數(shù)據(jù)的控制因子為關(guān)聯(lián)常數(shù)為l；

26、根據(jù)變化關(guān)聯(lián)度通過機(jī)器學(xué)習(xí)算法捕捉煤層氣井基礎(chǔ)數(shù)據(jù)與生產(chǎn)數(shù)據(jù)的關(guān)系，獲得生產(chǎn)數(shù)據(jù)變化系數(shù)。

27、進(jìn)一步的，根據(jù)所述實預(yù)比例和所述生產(chǎn)數(shù)據(jù)變化系數(shù)構(gòu)造生產(chǎn)能力函數(shù)的方法，包括：

28、

29、其中第i個煤層氣井的基礎(chǔ)參數(shù)為第i個煤層氣井的實預(yù)比例為第i個煤層氣井的生產(chǎn)數(shù)據(jù)變化系數(shù)為第i+1個第個的滿意偏差值為第δ-1個第個的滿意偏差值為第個最大的滿意偏差值為第個最小的滿意偏差值為第i個煤層氣井的基礎(chǔ)參數(shù)的貢獻(xiàn)權(quán)重為θi，質(zhì)量乘數(shù)為比例調(diào)控系數(shù)為變化常數(shù)為

30、進(jìn)一步的，所述生產(chǎn)能力函數(shù)構(gòu)建煤層氣井產(chǎn)能評價模型的方法，包括：

31、根據(jù)生產(chǎn)能力函數(shù)構(gòu)建目標(biāo)函數(shù)，表達(dá)式為：

32、

33、其中第i個煤層氣井的預(yù)測生產(chǎn)能力為第一線性權(quán)重為ζ1，第二線性權(quán)重為ζ2，第i個生產(chǎn)能力評價因素為gi，生產(chǎn)能力評價因素gi的最大信息系數(shù)為fi，l2范數(shù)函數(shù)為||·||2，生產(chǎn)能力和預(yù)測生產(chǎn)能力的損失函數(shù)為

34、煤層氣井產(chǎn)能評價模型包括隨機(jī)森林算法、模糊c均值聚類算法、敏感度篩選算法、神經(jīng)網(wǎng)絡(luò)融合算法、循環(huán)神經(jīng)網(wǎng)絡(luò)算法；

35、隨機(jī)森林算法將待評價數(shù)據(jù)按照4：1劃分成訓(xùn)練集和測試集；

36、模糊c均值聚類算法計算訓(xùn)練集數(shù)據(jù)的隸屬度，根據(jù)隸屬度對訓(xùn)練集數(shù)據(jù)進(jìn)行聚類，獲得分類數(shù)據(jù)；

37、敏感度篩選算法計算分類數(shù)據(jù)的敏感度，將敏感度大于0.416的分類數(shù)據(jù)輸出為重要因子；

38、神經(jīng)網(wǎng)絡(luò)融合算法通過神經(jīng)元之間的連接將同一簇的重要因子融合進(jìn)行融合獲得簇指標(biāo)；

39、循環(huán)神經(jīng)網(wǎng)絡(luò)算法對簇指標(biāo)和實際評價結(jié)果進(jìn)行對比，獲取簇指標(biāo)和實際評價結(jié)果的對應(yīng)關(guān)系，根據(jù)對應(yīng)關(guān)系進(jìn)行評價值預(yù)測獲得預(yù)測評價值；

40、計算測試集數(shù)據(jù)的預(yù)測評價值和實際評價值的均方誤差，根據(jù)均方誤差調(diào)整循環(huán)神經(jīng)網(wǎng)絡(luò)算法的超參數(shù)。

41、進(jìn)一步的，優(yōu)化所述煤層氣井產(chǎn)能評價模型的方法，包括：

42、創(chuàng)建經(jīng)驗池，根據(jù)策略網(wǎng)絡(luò)采集動作，計算動作出現(xiàn)的概率：

43、

44、其中動作c出現(xiàn)的概率為第一網(wǎng)絡(luò)權(quán)重參數(shù)為ψ1，狀態(tài)為y，動作c在狀態(tài)y和第一網(wǎng)絡(luò)權(quán)重參數(shù)ψ1下的策略網(wǎng)絡(luò)為κ(c|y,ψ1)，以2為底的對數(shù)函數(shù)為log2(·)，自然常數(shù)為e；

45、執(zhí)行動作，得到新狀態(tài)和即時獎勵，如果新狀態(tài)超出邊界，則任務(wù)終止為1，將經(jīng)驗數(shù)據(jù)存入經(jīng)驗池；

46、如果任務(wù)終止為1，則從經(jīng)驗池中獲取所有數(shù)據(jù)，輸入評價網(wǎng)絡(luò)得到狀態(tài)價值函數(shù)，計算優(yōu)勢函數(shù)：

47、

48、其中第t次迭代的時間步長為lt，第t+1次迭代的第二網(wǎng)絡(luò)權(quán)重參數(shù)為第t次迭代的第二網(wǎng)絡(luò)權(quán)重參數(shù)為第t+1次迭代的時間步長為lt+1，第t次迭代狀態(tài)y下第二網(wǎng)絡(luò)權(quán)重參數(shù)的狀態(tài)價值為第t+1次迭代狀態(tài)y下第二網(wǎng)絡(luò)權(quán)重參數(shù)的狀態(tài)價值為衰減率為η，最大迭代次數(shù)為tmax，第t次迭代的獎勵函數(shù)為st，第tmax-1次迭代的步長為第tmax-t+1次迭代的衰減率為

49、計算價值度：

50、

51、其中第t次迭代的價值度為任務(wù)進(jìn)度價值為任務(wù)完成價值為任務(wù)懲罰值為第a-t個評價的衰減率為ηa-t，第a個評價的調(diào)控因子為ba；

52、抽樣小批次數(shù)據(jù)，計算時間步下動作出現(xiàn)的概率，計算目標(biāo)函數(shù)值：

53、

54、其中熵函數(shù)為b(·)，熵權(quán)重系數(shù)為ρ，裁剪因子為x，第t次迭代的評價誤差為θt，評價指標(biāo)的數(shù)量為u，第t次迭代的第一網(wǎng)絡(luò)權(quán)重參數(shù)為第t次迭代的回合數(shù)函數(shù)為zt[·]；

55、更新第一網(wǎng)絡(luò)權(quán)重參數(shù)，表達(dá)式為：

56、

57、其中更新后的第一網(wǎng)絡(luò)權(quán)重參數(shù)為第一網(wǎng)絡(luò)權(quán)重參數(shù)ψ1的微分為

58、計算損失函數(shù)：

59、

60、其中損失函數(shù)為θt，損失常數(shù)為υ；

61、更新第二網(wǎng)絡(luò)權(quán)重參數(shù)，表達(dá)式為：

62、

63、其中更新后的第二網(wǎng)絡(luò)權(quán)重參數(shù)為第二網(wǎng)絡(luò)權(quán)重參數(shù)ψ2的微分為

64、不斷迭代直到達(dá)到最大迭代次數(shù)。

65、第二方面，本技術(shù)實施例還提供一種電子設(shè)備，包括：

66、處理器；以及被安排成存儲計算機(jī)可執(zhí)行指令的存儲器，所述可執(zhí)行指令在被執(zhí)行時使所述處理器執(zhí)行第一方面所述的方法步驟。

67、第三方面，本技術(shù)實施例還提供一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲一個或多個程序，所述一個或多個程序當(dāng)被包括多個應(yīng)用程序的電子設(shè)備執(zhí)行時，使得所述電子設(shè)備執(zhí)行第一方面所述的方法步驟。

68、本發(fā)明的有益效果是：

69、本發(fā)明是一種基于人工智能的煤層氣井產(chǎn)能評價方法，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

70、本發(fā)明通過預(yù)處理、預(yù)測生產(chǎn)數(shù)據(jù)、獲得實預(yù)比例、獲得生產(chǎn)能力變化系數(shù)、構(gòu)造生產(chǎn)能力函數(shù)、構(gòu)建模型和模型優(yōu)化步驟，可以提高基于人工智能的煤層氣井產(chǎn)能評價的準(zhǔn)確性，從而提高基于人工智能的煤層氣井產(chǎn)能評價的精度，將基于人工智能的煤層氣井產(chǎn)能評價優(yōu)化，可以大大節(jié)省資源，提高工作效率，可以實現(xiàn)對煤層氣井產(chǎn)能的智能評價，實時對煤層氣井產(chǎn)能評價進(jìn)行自動修正，對煤層氣開發(fā)具有重要意義，可以適應(yīng)多種井型不同開發(fā)區(qū)塊的煤層氣井產(chǎn)能評價，具有一定的普適性。