[发明专利]一种致密气产量的智能分段预测方法

权利要求书

1.一种致密气产量的智能分段预测方法，其特征在于，包括以下步骤：

步骤1：根据地质研究资料和压裂施工报告，收集并整理现场多种影响致密气产量的特征因素数据，获得并清理原始数据集，剔除异常的样本数据；

步骤2：利用聚类算法对原始数据集中的致密气产量进行聚类，将原始数据集划分为K类样本数据；

步骤3：分别对步骤2中划分出的K类样本数据使用Bootstrap方法抽样，逐段形成训练集与测试集；

步骤4：利用随机森林分类算法对原始数据集进行分类训练预测分析，获得随机森林分类模型，并计算该模型的训练误差和预测误差；

步骤5：设定人工神经网络的待定参数，通过误差反向传播的前馈神经网络分别对K类样本数据进行训练预测分析，获得K个对应的人工神经网络模型，并计算模型的训练均方误差和预测均方误差；

步骤6：最后先根据步骤4得到的随机森林分类模型判断样本数据类别，再通过步骤5得到的对应该类别的人工神经网络模型对致密气产量进行分析预测。

2.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤1中的特征因素数据包括烃源岩厚度、支撑缝宽、导流能力、含气饱和度、总液量和前置液百分比。

3.根据权利要求2所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤1具体包括以下子步骤：

步骤101：筛选出基础样本数据中含零的样本，将其剔除；

步骤102：计算产气量递增梯度，绘制产气量递增梯度散点图，剔除产气量变化幅度过大的样本；

步骤103：剔除含气饱和量异常的样本。

4.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤2具体包括以下子步骤：

步骤201：随机选取一个样本作为第一个聚类中心；

步骤202：计算每个样本与第一个聚类中心间的欧式距离，并以欧式距离为依据，用轮盘赌法选出一个样本作为第二个聚类中心，如此循环直到选择K个聚类中心；

步骤203：获得K个聚类中心后，通过执行聚类算法，直到把总体聚为K类。

5.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤3具体包括以下子步骤：

步骤301：Bootstrap重采样就是有放回采样，每次有放回地从基础数据集中抽取一个样本，形成新的集合，得不包含某个样本的概率；

步骤302：去掉中重复的样本，将新集合作为训练集，基础数据集和新集合的差作为测试集。

6.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤4中随机森林分类模型的训练误差和预测误差通过下式计算：

式(1)中，Num_predicted表示分类预测正确的样本个数，单位无量纲；Num_actural表示总的样本个数，单位无量纲。

7.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤5具体包括一下步骤：

步骤501：设定隐含层个数，随机赋予权值矩阵的初值，设置误差、学习率，确定样本模式计数器和训练次数计数器；

步骤502：输入训练样本，计算各层输出；

步骤503：计算网络输出误差，各层误差信号并调整各层权值；

步骤504：检查训练情况，完成了一轮训练，若满足网络输出与期望输出间的误差小于可接受的最大的网络输出与期望输出之间的误差，则训练结束，否则计数器增加1，并进行下一轮训练，最终获得人工神经网络模型；

步骤505：计算人工神经网络模型的训练均方误差和预测均方误差。