[发明专利]一种非纯二氧化碳混相驱最小混相压力GWO-LSSVM预测方法

摘要

本发明提供一种非纯二氧化碳混相驱最小混相压力GWO‑LSSVM预测方法，利用灰狼算法(GWO)优化最小二乘支持向量机(LSSVM)模型中的正规化参数γ和核参数σ²，建立非纯二氧化碳混相驱最小混相压力GWO‑LSSVM预测方法，本发明采用模拟灰狼行为的新型启元灰狼优化算法，其结构简单、参数设置少、全局搜索能力强，且不考虑梯度信息的优势，但充分考虑在宽泛温度、组分条件下原油和注入气的情况，计算结果更接近细管实验结果，对油田采用注气混相驱提高采收率具有一定的帮助。

主权项

1.一种非纯二氧化碳混相驱最小混相压力GWO‑LSSVM预测方法，其特征在于，包括以下步骤：步骤1：收集非纯CO₂与原油最小混相压力实验数据，建立数据集；步骤2：汇总影响非纯CO₂与原油最小混相压力的主导变量；步骤3：选取了10个影响非纯CO₂与原油最小混相压的的参数作为研究对象，它们分别为：油层温度(T_R)、原油中易挥发组分摩尔分数(x_vol)、原油中间组分C₂‑C₄组分摩尔分数(x_C2‑4)、原油中C₅₊组分摩尔质量(MW_C5+)、注入气的摩尔分数(y_CO2、y_H2S、y_N2、y_CH4、y_HC)以及注入气的临界温度(T_cm)，建立数学模型：MMP＝F(T_R,x_vol,x_C2‑4,MW_C5+,y_CO2,y_H2S,y_N2,y_CH4,y_HC,T_cm)式中MMP表示最小混相压力，单位MPa，y_HC表示除CH₄外其他注入烃类气体的摩尔分数；步骤4：构建模型训练样本和测试样本；对当前非纯CO₂与原油最小混相压数据进行处理，所有的输入数据被分为两部分：训练数据和测试数据，前者用于训练网络以得到最优网络结构和保证预测性能，而后者则用来检验优化后的模型的预测精度和稳定性，二者比例约为7:3；步骤5：利用最小二乘支持向量机(LSSVM)算法建立非纯CO₂与原油最小混相压力的预测模型；步骤6：利用灰狼算法(GWO)优化步骤5建立的预测模型的参数，构建GWO‑LSSVM预测模型；步骤7：利用步骤6优化的预测模型对非纯CO₂与原油最小混相压力进行预测；步骤8：对步骤7得到的预测结果进行误差分析计算，利用均方根误差(RMSE)和平均相对偏差(AARD)这两个评价参数对预测性能进行评价，当RMSE和AARD越接近于0时，表明预测性能越好，从而对模型进行验证及有效性评价。