支持向量机预测煤层含气量

在分析煤层含气量影响因素的基础上,采用基于小样本理论的支持向量机(SVM)回归方法,建立了预测煤层含气量的计算模型。通过对沁水盆地南部目标煤层含气量影响因素分析,建立了煤变质程度、储层压力、温度及煤质特征支持向量机模型并进行了训练和测试。结果表明:SVM模型预测结果和实测结果误差小,为煤层气资源的勘探开发提供参考,是预测煤层含气量的新途径。     

基于灰色关联分析和BP神经网络的煤层含气量预测研究

基于测井资料和煤岩心含气量化验分析资料,采用现代数理统计方法优选了煤层含气量的敏感性测井参数,在煤岩心含气量分析化验数据归位的基础上,建立了煤岩心含气量-测井相统计模式,并利用灰色关联法对测井相-煤岩心含气量统计模式进行了系统分析,进而筛选了有效的煤层含气量测井建模数据库。基于神经网络非线性数学方法,利用筛选后的有效煤层含气量测井建模数据构建了研究区内煤层含气量的多测井参数非线性预测模型,并利用所构建模型对研究区内的煤层含气量进行预测。煤岩心含气量室内分析数据与预测结果对比表明,该整套方法能较好地对煤层含气量进行预测,预测精度能够满足煤层气储层测井评价的要求。     

博文盆地M煤层气田含气量主控因素分析及预测

精准预测煤层含气量是煤层气资源量评价及开发方案制定的关键之一，传统预测方法应用范围有限且预测误差较大。为了进一步提高含气量预测精度，以博文盆地M煤层气田GM煤层为研究对象，基于皮尔逊相关分析法对含气量主控因素进行定量分析，优选出了9个煤层含气量影响主控因素，提出基于高斯过程回归、支持向量机及集成装袋树等机器学习算法的煤层含气量预测模型，对比分析各方法优缺点，进而优选出最佳的含气量预测模型。研究结果表明：高斯过程回归精确度最高，预测结果平均相对误差为4.5%，适用于本气田煤层气的含气量预测；支持向量机泛化能力强，但是超平面的绝对化导致预测精度降低；集成装袋树并不侧重于训练数据集中的任何特定实例，对于噪声数据其基本不受过分拟合的影响。     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于支持向量机的电力短期负荷预测

本文在分析了支持向量机基本原理的基础上,采用支持向量机采用回归算法建立了相应的预测模型,对某市电力负荷进行预测,并把预测结果和BP算法以及RBF算法的预测结果进行比较,证明了基于支持向量机回归算法预测模型的优越性。     

基于变结构支持向量回归的城市日用水量预测

鉴于日用水量的时变性,本文提出一种基于变结构支持向量回归的动态预测模型.利用日用水量的历史数据训练支持向量机,得到模型结构参数历史数据序列,然后利用扩展卡尔曼滤波器对模型结构参数组进行估计,最后用模型结构参数估计量来更新模型结构并预测下一天日用水量.在实例分析中分别利用变结构支持向量回归模型和支持向量机预测模型对实际用水量性进行预测分析.结果表明,前者具有更好的动态跟踪能力和更高的预测精度,可应用于城市日用水量的预测.     

基于DE-SVM的岩层可钻性预测研究

鉴于试验确定深部岩层可钻性指标成本很高,而且测井信息神经网络模型往往存在过学习问题,利用遵循结构风险最小化的统计学习理论工具——支持向量机(SVM)建立可钻性预测模型,通过支持向量机对样本的学习,建立岩层可钻性与诸多测井信息的复杂非线性映射.为解决支持向量机参数选取问题,引入全局优化算法——差异进化算法(DE),建立DE-SVM的进化模型,进一步提高模型预测精度.算例表明,差异进化算法收敛快速,该方法预测精度高于传统方法,对新井钻头选型和钻速确定有重要意义.     

基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。     

矿井瓦斯涌出量预测方法

为解决煤矿瓦斯涌出量预测不准确的问题,提出基于多种方法优化融合的瓦斯涌出量预测方法,建立瓦斯涌出量预测模型.采用适用于瓦斯涌出量系统特点的加权策略函数对最小二乘支持向量机进行改进,利用免疫遗传算法对加权最小二乘支持向量机进行核参数和正则化参数寻优.应用状态转移概率修正预测误差残值,使瓦斯涌出量预测模型的预测精度得到提高.研究结果表明:矿井瓦斯涌出量预测模型具有较好的快速性和准确性,具有广泛的应用前景.     

工业电阻炉多参数能耗建模与预测

电阻炉温度变化存在非线性、大延迟的特点,建立精确的能耗数学模型比较困难.为解决理论建模复杂且不具备实时性的问题,提出了一种基于数据驱动的电阻炉多参数能耗预测方法.首先,通过分析电阻炉工作阶段的能耗特性,建立了电阻炉理论能耗预测模型;然后,利用粒子群优化算法对支持向量回归的超参数进行寻优,建立了基于支持向量回归的多参数能耗预测模型;最后,对比了支持向量回归、高斯过程回归、自适应模糊神经推理系统模型在单参数及多参数条件下的能耗预测结果.实验结果表明,基于粒子群优化下的支持向量回归多参数能耗预测方法具有更好的预测效果.     

测井资料在和顺地区煤层气评价中的应用

本文分析了由于煤储层岩性的复杂性、物性的非均质性及含气的隐蔽性导致的煤层气测井解释面临的困难，展示了和顺地区测井评价在煤层气储层划分、工业组分分析、含气量计算、弹性模量计算、压裂效果分析等方面取得的成果，提出了解决煤层气非均质、非线性储层评价问题的一些思路。     

逐步回归分析方法在储层参数预测中的应用

目前,储层参数(孔隙度和渗透率等)分布规律和储层非均质性研究是油气藏描述的核心,储层参数是油层评价的重要依据,储层参数预测在油气勘探开发中具有重要意义。文中通过采用某一个点的测井曲线或地震数据推测出该点的孔隙度或渗透率,基于多种测井信息的多元线性回归方法已成为储层孔隙度定量预测的主要方法,多元逐步回归分析方法的理论正好适用于这种实际问题。它是利用通过特殊仪器测量的测井曲线数据参数与岩芯属性参数(例如孔隙度),建立测井曲线数据参数与多个岩芯属性参数之间的线性关系,这种方法比较简单实用。因此文中采用逐步回归分析方法作为预测方法,重点介绍了回归分析中的逐步回归的基本思想以及具体计算步骤。最后,提出油气勘探中预测孔隙度的问题,并用逐步回归分析优化回归方程并用此方程预测岩芯属性参数。研究表明,该方法预测精度高,方法稳定有效,逐步回归较好的解决了部分测井勘探的实际问题,基于多种测井信息的多元线性回归方法已成为储层孔隙度定量预测的主要方法,该方法可以把非线性问题转化为线性问题,大大减少了技术上的难题。     

煤层气储层测井评价有关问题的讨论

煤层气的形成和储层的特性决定了煤层气储层评价的一系列关键参数，这些参数可用常规测井方法直接或间接获得。使用测井数据评价煤层气储层是煤层气勘探开发中的重要手段。     

基于混合PSO优化的LSSVM锅炉烟气含氧量预测控制

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多面复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础.借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型.在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制.仿真结果表明:该方法能够比较准确地列火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段.     

鄂尔多斯盆地DJ区块煤层压裂主控因素及最优区间

鄂尔多斯盆地DJ区块煤层气储量大,但受地质及工程条件的影响,区块单井产气量存在明显的差异。基于区块煤层气地质及工程生产数据,首次将随机森林(random forests, RF)与交叉验证(cross validation, CV)相结合应用于煤层气领域,并利用RF-CV从地质和工程两方面筛选了影响日均产气的主控因素。为进一步验证该方法的准确性,利用随机森林回归算法预测煤层气井的产气情况,测试井的决定系数R~2=0.85,预测效果较好并验证了RF-CV方法的准确性。基于熵值法(entropy method, EM)的逼近理想解排序法(technique for order preference similarity to ideal solution, TOPSIS)对DJ区块127口井的产气效果进行综合评价,选出相对贴近度前12的井,利用统计分析法对优选的井与全部井进行了对比分析,确定了工程主控因素的最优区间,研究结果对煤层气井的压裂规模优化和有效开发提供了借鉴。     

基于SVR和GA的锅炉运行氧量基准值的优化确定

借助现场运行数据,根据锅炉运行氧量的特性,建立了基于支持向量回归的锅炉运行氧量预测模型,结果表明:SVR模型具有较高的回归精度和较好的泛化能力,能够有效地对不同工况下的锅炉氧量进行预测.在此基础上进行二次建模,获得了运行氧量、供电煤耗率与各运行参数之间的关系模型,并结合全局寻优的遗传算法,以机组的供电煤耗率为优化目标对输入参数进行寻优,确定了优化后的锅炉运行氧量基准值.计算结果表明该模型具有较高的准确性,通过全局寻优得到的氧量值具有可操作性,很好地解决了锅炉变工况运行参数基准值的确定问题.     

一种致密碎屑岩储层产能预测的新方法——以新场气田沙溪庙组为例

针对致密碎屑岩储层产能预测精度较低这一难题，首次提出基于支持向量回归的产能预测方法。该方法在处理小样本问题上具有独到的优势，能够处理分类和回归预测问题。以新场气田沙溪庙组致密碎屑岩储层为例，选取33个已知样本（其中23个用于模型构建，10个用于精度检验），以储层厚度、裂缝张开度、裂缝孔隙度、裂缝渗透率、声波时差差值、测井孔隙度、电阻率差7个影响因素作为支持向量机榆入。以样本储层的自然产能作为输出，构建基于支持向量回归的产能预测模型。模型预测的标准误差和平均绝对误差分别为0．0416和0．0229，表明该模型具有较高的预测精度，为致密碎屑岩储层产能的准确预测探索了又一新方法，对同类地区的研究和开发在一定程度上具有指导作用。     

低秩矩阵恢复模型改进及其在石油测井中的应用

传统的低秩矩阵恢复模型在去噪过程中通过将观测矩阵分解为低秩部分和稀疏部分达到噪声去除的目的,但该模型要求噪声矩阵必须是稀疏的。然而石油测井所获得的数据中噪声来源复杂,并不能完全保证噪声分布满足稀疏性的要求,使该模型在去噪时表现出一定的局限性,去噪效果不稳定,进而导致后续的数据处理准确率降低。为此,提出将加权范数的思想应用于传统的低秩矩阵恢复模型中,并在惩罚项中将F范数与待恢复矩阵的核范数相结合,构造改进的低秩矩阵恢复模型,使其能够在保证解的稳定性的同时,可以更好地挖掘观测矩阵的低秩性以及增强稀疏矩阵的稀疏性。通过非精确的拉格朗日乘子法分别对改进前后的模型进行求解,并对两种模型去噪后的测井数据分别采用支持向量机(SVM)和相关向量机(RVM)进行油气层识别,结果表明经改进的低秩矩阵恢复模型去噪后的测井数据在保证了油气层识别效率的同时,识别准确率上有了明显提升。     

一种基于支持向量机的CFG桩复合地基承载力预测方法

提出一种基于SVM的CFG桩复合地基承载力预测方法并建立相应预测模型.为获得模型参数,对18组CFG桩复合地基试验资料进行训练,训练值与实测值符合较好.用建立的SVM模型对4组CFG桩复合地基试验数据进行预测,预测结果与实测值相差较小.理论分析和实例结果验证表明:基于SVM的CFG桩复合地基承载力预测方法具有较高的预测精度和可靠性.