-
公开(公告)号：CN118094484A
公开(公告)日：2024-05-28
申请号：CN202410471540.1
申请日：2024-04-19
Applicant: 北京科技大学
Abstract: 本发明公开一种遗传算法优化的界面张力智能预测方法，涉及界面张力预测领域，包括初始化自动机器学习模型的候选模型集合；定义遗传算法的参数；选择个体；得到每个个体的选择概率；确定被选个体；对被选个体进行变异；进行个体间交叉，生成后代个体；确定预测模型；计算第二预测结果；合并补充数据集和归一化数据；定义表达式算子；生成初始模型表达式；利用遗传算法搜索初始模型表达式的空间，确定候选表达式；对候选表达式的适应度进行性能评估，搜索得到最优的模型表达式。本发明融合遗传算法、自动机器学习和符号回归方法，进行界面张力的预测，提高了界面张力的预测速度和精度，同时通过数学表达式提高了数据驱动模型的可解释性。
-
公开(公告)号：CN115829104A
公开(公告)日：2023-03-21
申请号：CN202211484306.X
申请日：2022-11-24
Applicant: 北京科技大学
IPC: G06Q10/04 , E21B49/00 , G06Q50/02 , G06N3/0464 , G06F18/211 , G06F18/214
Abstract: 本发明提供一种基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，属于页岩气开发领域。所述方法包括：确定影响目标区块页岩气产能的因素；其中，每个影响因素作为一个特征；根据确定的页岩气产能的影响因素获取页岩气数据构成特征数据集，并获取页岩气数据对应的产能构成标签数据集；利用特征数据集和标签数据集，建立基于卷积神经网络的产能预测模型；基于训练后的产能预测模型，计算特征数据集中每个特征的SHAP值，量化每个因素对产能的影响程度；基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素。采用本发明，能够对影响产能的因素进行重要性分析，提高了主控因素分析的准确率。
-
公开(公告)号：CN112818591A
公开(公告)日：2021-05-18
申请号：CN202110076317.3
申请日：2021-01-20
Applicant: 北京科技大学
IPC: G06F30/27 , G06F30/28 , G06F30/23 , G06N3/04 , G06F111/04 , G06F111/10
Abstract: 本发明提供一种基于物理约束的DL模型预测致密油压裂范围的方法，属于致密油压裂技术领域。该方法首先对所研究的问题提出合理物理假设并设置相关参数，然后建立二维轴对称的数值计算模型，进行网络的划分并设置时间步，建立深度学习模型，设置深度神经网络模型的结构和其他参数，用测试集得到预测结果，使用L2范数和决定系数R2作为评价指标对预测结果进行评价，比较考虑物理约束与不考虑物理约束下神经网络预测的精度，最后在添加物理约束的神经网络的基础上改变训练数据量大小并衡量其预测能力。该方法可应用于两驱模型分区的流场分布的快速预测，其预测准确率及适应能力较强，计算速度快，可良好的解决致密油流场分布未知问题和小样本预测问题。
-
公开(公告)号：CN116451812A
公开(公告)日：2023-07-18
申请号：CN202310387482.X
申请日：2023-04-12
Applicant: 北京科技大学
IPC: G06N20/20 , G01N13/00 , G06N5/01 , G06F18/214 , G06F18/21
Abstract: 本发明涉及岩石润湿性技术领域，特别是指一种基于多粒度级联森林和超参优化的润湿性预测方法及装置，一种基于多粒度级联森林和超参优化的润湿性预测方法包括：对实验样品进行检测，获得样品特征数据；基于多粒度级联森林算法进行建模操作，获得待训练预测模型；使用样品特征数据，对待训练预测模型进行训练，获得润湿性预测模型；根据样品特征数据、润湿性预测模型和预设的序列模型优化算法，获得优化润湿性预测模型；将待预测样品特征数据输入优化润湿性预测模型，获得润湿性预测结果。本发明是一种精准预测、响应迅速的页岩润湿性预测方法。
-
公开(公告)号：CN114444393A
公开(公告)日：2022-05-06
申请号：CN202210095698.4
申请日：2022-01-26
Applicant: 北京科技大学
Abstract: 本公开提供了一种模型建立方法和测井曲线构建方法。其中，模型建立方法包括：获取标签数据和特征数据；将标签数据和特征数据随机混合，并将混合后的数据按比例分割为训练集和验证集；根据标签数据和特征数据，进行基于时间卷积神经网络的序列建模；基于训练集对建立的模型进行训练，并通过验证集验证模型的有效性；当模型的损失函数的值满足预设条件且不再降低时，保存模型。测井曲线构建方法包括：获取目标井的已知测井曲线的数据；将目标井的已知测井曲线的数据输入模型中，构建目标井的未知测井曲线。本公开能够实现具有地质强非均质性的页岩气藏的未知测井曲线的预测。
-
Patent Agency Ranking
公开(公告)号：CN112633328A
公开(公告)日：2021-04-09
申请号：CN202011403763.2
申请日：2020-12-04
Applicant: 北京科技大学
Abstract: 本发明提供一种基于深度学习的致密油藏改造效果评价方法，属于油藏开发技术领域。该方法首先从现场获取油藏开发数据、从数值模拟技术获取补充数据，二者联合构成样本数据集；然后对样本数据集中的离散数据和分类数据进行独热编码，将其映射到欧式空间；进一步对数据进行降维处理，将特征数据集按照维度的不同划分为训练集和验证集，分别作为输入集；比较不同的机器学习模型，将相同结构的基础单个模型设置到多个分支中，对神经网络训练过程中容易出现的梯度消失问题采用Xavier初始化，设计多组对比实验实现模型最优化，最后，分析不同输入参数对预测内容的影响。该方法提高了预测的准确率和效率。
-
公开(公告)号：CN119203501A
公开(公告)日：2024-12-27
申请号：CN202411223260.5
申请日：2024-09-02
Applicant: 北京科技大学
IPC: G06F30/20 , G06F30/17 , G06Q50/02 , G06F111/10 , G06F113/06 , G06F113/08 , G06F119/06 , G06F119/14
Abstract: 本申请公开了一种气藏型CAES选井及布井方法、产品、介质及设备，涉及CAES开发研究技术领域，该方法包括：获取气藏型CAES渗流区域的基础数据后计算出气藏型CAES渗流区域的非达西渗流半径并进行区域划分；随后利用不同区的地下渗流理论构建出直井和水平井的产能预测模型；根据直井和水平井的产能预测模型分别构建出直井和水平井在不同区的压力方程并计算得出直井和水平井的泄压半径；基于直井和水平井的泄压半径得到选井及布井优化函数；求解选井及布井优化函数确定出最优选井及布井方式，进行气藏型CAES建设。本申请可简单有效地实现发电功率满足油田和城市用电需求的气藏型CAES的设计。
-
公开(公告)号：CN116451812B
公开(公告)日：2024-02-09
申请号：CN202310387482.X
申请日：2023-04-12
Applicant: 北京科技大学
IPC: G06N20/20 , G01N13/00 , G06N5/01 , G06F18/214 , G06F18/21
Abstract: 本发明涉及岩石润湿性技术领域，特别是指一种基于多粒度级联森林和超参优化的润湿性预测方法及装置，一种基于多粒度级联森林和超参优化的润湿性预测方法包括：对实验样品进行检测，获得样品特征数据；基于多粒度级联森林算法进行建模操作，获得待训练预测模型；使用样品特征数据，对待训练预测模型进行训练，获得润湿性预测模型；根据样品特征数据、润湿性预测模型和预设的序列模型优化算法，获得优化润湿性预测模型；将待预测样品特征数据输入优化润湿性预测模型，获得润湿性预测结果。本发明是一种精准预测、响应迅速的页岩润湿性预测(56)对比文件Pan, B (Pan, Bin);Gong, CP (Gong,Changping);Wang, XP (Wang, Xiaopu);Li, YJ(Li, Yajun);Iglauer, S (Iglauer, Stefan)“.The interfacial properties of clay-coated quartz at reservoir conditions”.《FUEL》.2019,全文.朱维耀;刘静文;宋智勇;李兵兵;王雪.冷采洗油剂在不同润湿性条件下的微观驱油实验研究《.当代化工》.2018,(第06期),全文.王小锋;朱维耀;邓庆军;刘启鹏;隋新光;娄钰;高英;张雪龄.考虑固液分子作用的多孔介质动态网络模型《.北京科技大学学报》.2014,(第02期),全文.
-
公开(公告)号：CN112818591B
公开(公告)日：2021-08-03
申请号：CN202110076317.3
申请日：2021-01-20
Applicant: 北京科技大学
IPC: G06F30/27 , G06F30/28 , G06F30/23 , G06N3/04 , G06F111/04 , G06F111/10
Abstract: 本发明提供一种基于物理约束的DL模型预测致密油压裂范围的方法，属于致密油压裂技术领域。该方法首先对所研究的问题提出合理物理假设并设置相关参数，然后建立二维轴对称的数值计算模型，进行网络的划分并设置时间步，建立深度学习模型，设置深度神经网络模型的结构和其他参数，用测试集得到预测结果，使用L2范数和决定系数R2作为评价指标对预测结果进行评价，比较考虑物理约束与不考虑物理约束下神经网络预测的精度，最后在添加物理约束的神经网络的基础上改变训练数据量大小并衡量其预测能力。该方法可应用于两驱模型分区的流场分布的快速预测，其预测准确率及适应能力较强，计算速度快，可良好的解决致密油流场分布未知问题和小样本预测问题。
-
公开(公告)号：CN112819240A
公开(公告)日：2021-05-18
申请号：CN202110192283.4
申请日：2021-02-19
Applicant: 北京科技大学
Abstract: 本发明提供一种基于物理约束的LSTM模型预测页岩油产量的方法，属于页岩油产量预测技术领域。该方法首先从油田区块获取实际动态生产数据，然后对样本数据集去噪，消除异常值，进行标准化和归一化处理，再将长短期记忆神经网络模型作为学习模型，并设置LSTM模型的结构，将神经网络模型的损失函数定义为数据项和控制方程之和，在添加物理约束的神经网络基础上对训练集进行训练，然后用测试集得到预测结果。该方法所设计的系统将能表征页岩油产量相关参数关系的物理方程带入到网络模型里，这种物理约束模型预测准确率及适应能力较强，计算速度快，可良好的解决页岩油产量预测问题，还可以校正储层的有效渗透率分布，更好的指导现场开发。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.018 seconds)
