周期边值问题的延拓法求解

本文主要讨论用延拓法求解常微分方程周期边值问题.与不动点方法相比较,它使得迭代的收敛域得到有效扩大.     

用于储量渗透率预测的高效梯度提升决策模型

渗透率预测本质上属于拟合问题,因此可用拟合模型进行解决。机器学习模型是解决拟合问题的利器,其中LightGBM (light gradient boosting machine)表现出色,为此选用该模型进行预测。然而,LightGBM预测性能受自变量的数量和性质影响较大,同时较多超参数的使用使其预测状态难以最优,为此采用MIV (mean impact value)算法和CD (coordinate descent)算法对模型进行改进。为验证提出模型的预测性能,以姬塬油田西部长8段致密砂岩储层为例进行研究。设计了三个实验分别对提出模型进行性能分析。根据实验结果发现MIV和CD的使用能提高LightGBM的预测性能,同时提出模型在预测上较常规混合机器学习模型表现更为高效。实验结果证明提出模型可在纯数据驱动下高效地预测渗透率,较经典物理模型更具有适用性和推广性。     

基于粒子群优化算法改进的XGBoost模型制备C4烯烃工艺条件优化

C4烯烃是生产清洁友好燃料等化工产品的重要原料，提升C4烯烃收率，增大C4烯烃产量是生产过程重要的目标之一。针对乙醇偶合制备C4烯烃这一化学反应样本数量多，特征数量少等特点，本文提出一种组合模型：粒子群算法改进的XGBoost模型。首先将XGBoost模型与数据的拟合效果作为粒子群算法的目标函数，通过粒子迭代确定XGBoost模型的最优超参数; 然后通过对变量设置一定的步长构造仿真数据。最后，将优化后的XGBoost模型与仿真数据进行拟合，拟合优度由76%提升至93%。根据预测结果确定了C4烯烃的最大收率和最佳反应条件，得到C4烯烃收率的最大值为43.52%。实验结果表明，改进后的XGBoost模型在误差和精度方面都优于原始模型。