粒子群優(yōu)化算法改進及其在煤層氣產(chǎn)能預測中的應用研究.pdf

1、煤層氣產(chǎn)能是衡量煤層氣井潛在產(chǎn)氣能力的綜合指標,產(chǎn)能的高低直接影響煤層氣項目的經(jīng)濟效益。因此建立有效的煤層氣產(chǎn)能預測模型,對煤層氣井的勘探開發(fā)有著重要的指導意義。
　　煤層氣賦存于煤儲層中,其產(chǎn)出過程由多個地質(zhì)因素決定且各因素之間關系復雜,難于建立精確的數(shù)學表達式來描述其動態(tài)的生產(chǎn)過程。因此本論文采用目前廣泛應用于預測控制等領域的支持向量回歸機以及改進的粒子群優(yōu)化算法來建立地質(zhì)因素與產(chǎn)能之間的非線性函數(shù)映射關系,以實現(xiàn)對煤層氣井產(chǎn)

2、能進行預測及控制的目的。
　　支持向量回歸機模型的建立不僅需要一定數(shù)量的樣本數(shù)據(jù)進行訓練和測試,同時為了建立高質(zhì)量的預測模型,需要對模型中的參數(shù)設定最優(yōu)的取值,因此選用粒子群優(yōu)化算法對參數(shù)進行優(yōu)化。
　　粒子群優(yōu)化算法目前已經(jīng)廣泛地應用于各個領域,但是由于它自身的進化特點導致其在尋優(yōu)過程中容易陷入局部收斂。為了解決該算法易于陷入局部收斂的問題,本文主要提出了三個改進的粒子群優(yōu)化算法。
　　(1)基于子維進化的粒子群優(yōu)化

3、算法從標準粒子群優(yōu)化算法的進化策略入手,將種群中粒子的進化策略從粒子的整體進化改變?yōu)榱Ｗ拥拿恳痪S依次進化。同時當種群陷入局部收斂時,采取對多樣性較差的子維進行重新初始化的操作。無論是對簡單的單峰函數(shù)還是復雜的多峰函數(shù)進行優(yōu)化,相較于標準粒子群優(yōu)化算法該算法均具有較好的尋優(yōu)性能。
　　(2)基于免疫機制的混合粒子群優(yōu)化算法融合了人工免疫算法和基于子維進化的粒子群優(yōu)化算法,將進化過程分成兩個階段,第一階段采取人工免疫優(yōu)化算法進行全局尋

4、優(yōu),為下一階段的尋優(yōu)提供質(zhì)量較高的初始種群。第二階段采取基于子維進化的粒子群優(yōu)化算法在質(zhì)量較高的初始種群的基礎上進行進化尋優(yōu),因此該算法具有更高的尋優(yōu)效率。
　　(3)多種群協(xié)同進化的粒子群優(yōu)化算法在Agent的協(xié)同作用下,分別由人工免疫算法、混沌算法,子維進化的粒子群優(yōu)化算法同時進化,在粒子群算法陷入局部收斂時,共享其他兩個算法的最優(yōu)值,以較高的質(zhì)量跳出局部收斂,為進一步的尋優(yōu)工作打下良好的基礎,同樣該算法也具有更高的尋優(yōu)效率。

5、
　　通過標準數(shù)據(jù)集BostonHousing作為數(shù)據(jù)樣本,將兩種改進的混合粒子群算法應用于優(yōu)化支持向量回歸機模型中的參數(shù),結果表明多種群協(xié)同進化的粒子群優(yōu)化算法更適用于優(yōu)化模型參數(shù)。
　　通過選定沁水盆地南部樊莊區(qū)塊的20口煤層氣垂直井的相關數(shù)據(jù),利用改進的粒子群優(yōu)化算法優(yōu)化支持向量回歸機,建立煤層氣產(chǎn)能預測模型,并與BP神經(jīng)網(wǎng)絡以及支持向量回歸機的預測結果進行比較,結果表明改進的粒子群優(yōu)化算法優(yōu)化支持向量回歸機建立的模型