基于改进BP神经网络的页岩吸附量预测模型
0 引言
页岩吸附气资源丰富,占页岩气总量的20%~85%,页岩吸附气量的预测是储量评价的基础[1]。目前,学者们主要依靠物理吸附实验以及理论吸附模型来研究页岩吸附能力和吸附机理,常用的等温吸附模型包括 Langmuir,Freundlich,TothL,BET,B-BET 和 TBET,Langmuir-Freundlich 等[2-5]。然而,页岩吸附量受TOC(总有机碳质量分数)、Ro(镜质体反射率)、T(温度)、p(压力)等多重因素的共同作用[3],常规的等温吸附模型仅考虑恒定温度下,压力变化的情况,而无法对Ro,TOC,T,p的同时变化情况进行分析。因此,建立多因素作用下的页岩吸附量预测模型尤为必要。
人工神经网络具有很强的非线性映射能力,近年来在油气勘探与开发领域得到了广泛应用[6-7]。目前,实际应用最为成功的神经网络当属BP神经网络。BP神经网络主要用于模式识别、函数逼近及预测等[8],但BP神经网络存在收敛速度慢、搜索能力弱、易陷入局部最小的不足,且预测结果随训练而波动[9]。遗传算法(GA)[10]和核密度估计法[11]是改进 BP 网络的可行方法。GA优化BP网络权值和阈值,加速收敛,跳出局部最优。核密度估计法通过循环预测和核密度估计寻求BP网络最优预测值,能在一定程度上稳定网络预测。
笔者在总结分析页岩吸附能力影响因素的基础上,构建BP神经网络,利用试错法确定隐含层最优节点数,运用GA和核密度估计法优化权值、阈值,提高预测稳定性,最终建立考虑多因素共同作用的页岩吸附量预测模型,并对影响因素的敏感性进行了分析。
1 页岩吸附能力的主要影响因素
总有机碳质量分数是控制页岩气聚集的关键因素。国内外学者[12-14]研究表明:页岩的TOC越高,吸附量也相应越大,两者存在良好的正相关关系。Ro与页岩的生气特征与吸附能力密切相关。在生油窗阶段与湿气、凝析油生成阶段,页岩吸附能力与Ro呈正相关;进入干气阶段后,Ro对页岩吸附能力具有抑制作用,且Ro越大,抑制作用越显著[15]。温度和压力是影响页岩吸附能力的2个重要外部因素。页岩吸附甲烷属于放热过程,随温度升高,页岩吸附能力显著降低。Chalmers等[16]通过吸附实验发现,温度与气体吸附能力呈负相关关系,且其影响远大于TOC。压力对页岩吸附的影响可用Langmuir模型[17]解释,当实际压力低于饱和吸附压力时,压力增加,促进甲烷吸附;反之,甲烷吸附达到平衡,压力对甲烷吸附量贡献不大。
2 BP神经网络
2.1 BP神经网络原理
BP神经网络是一种信号向前传递、误差反向传播的多层前馈网络,包括输入层、隐含层和输出层,具体的算法流程包括4部分:数据的选择与归一化处理、BP神经网络构建、网络训练、预测与反归一化处理。
为消除数量级引起的误差,采用最大最小法需对原始数据进行归一化处理:
![](https://qkk.lw71.com/uploads/image/2018/02/4aba1e0531999515681dd5c0278d9582.png)
式中:Xi为原始训练、测试自变量数据;Xmax,Xmin分别为原始训练、测试自变量数据中最大值、最小值;Xin为归一化后自变量数据。
BP神经网络预测输出时,需要对结果数据进行反归一化处理:
![](https://qkk.lw71.com/uploads/image/2018/02/67cbdcd747463c79e576cb9311b60bb5.png)
h是影响核密度估计函数的重要因素,可利用综合均方误差函数MISE求取最佳窗宽:
2.2 BP神经网络的改进
4)交叉操作。采用实数交叉法进行交叉操作,染色体Ak与Al在j处的交叉,产生的新个体Akj和Alj计算公式为
![](https://qkk.lw71.com/uploads/image/2018/02/523cdc94e6c106a706aa5c8b71b3240f.png)
图1 改进的BP神经网络算法流程
本文应用GA优化BP神经网络的初始化权值和阈值,以弥补其收敛速度慢、搜索能力弱且易陷入局部最小的不足。GA优化的一般步骤:
1)种群初始化(编码)。二进制编码和实数编码是常用的个体编码方法,当编码串较短时,二进制编码存在映射误差,编码串较长时对应的搜索空间膨胀式增加[18]。因此,对输入层和隐含层的连接权值、隐含层和输出层的连接权值、隐含层和输出层的阈值进行实数编码。
2)适应度函数。基于个体解码,对BP网络进行训练和预测,预测结果误差绝对值的总和作为个体适应度F,计算式为
![](https://qkk.lw71.com/uploads/image/2018/02/8e0861d4cda3c3ee5182b3f3a4c20206.png)
式中:m为输出层节点数;Yi,yi分别为第i个节点的预测值、期望值。
式中:f(x)为总体的真实分布密度;σ可视为样本的标准差。
![](https://qkk.lw71.com/uploads/image/2018/02/5654a935094c87a4c9dd2daf0b553001.png)
式中:Fi为第i个个体适应度值;w为种群规模。
虽然BP神经网络具有误差反向传递的特征,但仍存在3个显著不足:1)学习率太小,导致收敛速度过慢。2)存在局部最小值,可能导致网络陷入局部最小点。3)结果不唯一,每次运行对应的权值和阈值发生波动,结果可能存在差异。针对上述问题,本文采用遗传算法[10]、核密度估计法[11]对 BP 神经网络进行改进,改进的BP神经网络算法流程见图1。
中国在此领域的研究也正处于起步阶段,2017年12月,浙江省气象局发布了国内首个陆路、内河、海上一体气象导航——“气象安全导航”。该导航软件主要依托两项技术:一项是基于多元探测资料的强对流检测与风暴识别追踪技术,实现强天气过程的风暴追踪;另一项是基于GIS的多源时空数据融合分析,将道路拥堵、封道、道路维护等公路路况信息,电子海图、港口、航道等内河海洋信息和全国雷达、智能网格气象产品等信息进行深度融合,实现了从起点到终点的无缝隙保障。软件的运行界面,如图1所示。
![](https://qkk.lw71.com/uploads/image/2018/02/8ce2cf931f0fdd73ce8c3be4bd6978e3.png)
遗传算法、BP神经网络基本参数的设定是神经元训练和学习的基础,直接影响预测效果,笔者结合实际使用情况进行参数设置(见表2)。
基于前人实验数据[3],累计4个岩样,80组不同T,p,TOC和Ro下的吸附量实验数据,其中75组数据用于训练学习,剩余5组数据用于检验,利用最大最小法进行处理。
![](https://qkk.lw71.com/uploads/image/2018/02/b9da7fde962fedb863a8d11967b29451.png)
式中:Amax,Amin分别为 Aij基因上、下界限;r为 0~1 的随机数;d,dmax分别为当前、最大迭代次数。
传统的财务管理机制,无法应对企业合并重组后带来的管理体系变化。因此企业应当重新确立财务管理制度以提升管理效率。首先,企业应改变财务部门的内部分工,并依据工作量与重要程度重新划分工作岗位。例如,针对销售部门等特殊性,企业可要求财务部门在销售中心设置分支机构,从而使该部门的财务管理更为有效。其次,财务部门应当改变传统的审核机制与对账时效。例如,财务部门可将每月的20—23日定为对外结款日。在这一时间,财务部门可集中处理供应商的财务数据,并提供结款服务。通过这样的措施,财务部门的管理效率将得到提升,管理成本也将受到控制。
在BP神经网络训练和预测环节设定循环,利用非参数核密度估计法得到核密度最大值对应的横轴坐标,即为最优预测值。
核密度估计函数为
![](https://qkk.lw71.com/uploads/image/2018/02/c28e4c42bf7b0ca631800e498d8039de.png)
式中:xi为一元连续总体的样本;n为样本总数;K为核函数(本文选用Gaussian函数);h为窗宽。
式中:Ymax,Ymin分别为原始因变量数据中最大值、最小值;Yon为BP神经网络预测的归一化数据;Y0为反归一化处理后的最终预测结果值。
乳酸菌产生的乳酸菌素是一种高效、无毒的生物保鲜剂,能抑制许多引起食品腐败变质的细菌的生长和繁殖。另外,乳酸菌的代谢产物如乳酸、脂肪酸等可降低食物的pH,也可以抑制许多微生物的生长。用乳酸菌素处理虾肉糜后,细菌的生长繁殖得到有效抑制,保质期由2 d延长至5~6 d,且对虾肉糜的感官品质无明显影响[22]。然而,乳酸菌素一般只能抑制革兰氏阳性菌的生长,对革兰氏阴性菌的抑制效果不理想。因此,为了起到全面的抑菌效果,乳酸菌一般配合EDTA或柠檬酸盐等螯合剂使用,对水产品进行协同保鲜。
![](https://qkk.lw71.com/uploads/image/2018/02/55a59b09016a5be855abb0804a6f9d35.png)
式中:M为综合均方误差函数MISE。
求解公式(11)可得最佳窗宽:
![](https://qkk.lw71.com/uploads/image/2018/02/dd3f29be13ab7058e428e872021ff5ac.png)
3)选择操作。采用基于适应度比例的轮盘赌法对样本个体进行选择,个体i对应的选择概率Pi的计算公式为
3 页岩吸附量预测模型
3.1 样本数据的选择与处理
“互联网+”时代,虽然带来了便利,但也应该进一步重视财务的安全管理,传统过程中采用手工账目进行应用,不容易将数据外传,也不容易出现丢失,但“互联网+”时代技术的应用,由于数据存储网络数据库和终端服务器中,因此带来了相应的安全隐患,虽然给工作带来了便利,但是黑客也随之出现,对电脑中的数据进行盗取,不利于企业核心数据的保密,并且若数据不备份,计算机损坏会影响正常的工作。一些企业对“互联网+”的技术缺乏认识与了解,虽然进行了应用,但不知道其中存在的风险,因此在今后的应用过程中更加无从谈起对网络黑客的防御,严重情况下会给公司带来较大的损失。
3.2 BP神经网络构建与初始化
页岩吸附能力主要与TOC,Ro,T和p有关,因此输入、输出层的神经元个数分别设置为4和1。考虑到训练速度不宜过慢,本文采用单隐含层,通过调整隐含层节点数来提高预测精度。笔者参考经验公式确定隐含层最优节点数为
基于大学生心理价值取向的调查,分析发现大学生的整体心理价值取向以积极情感为主线,尤其表现在描述自我、人际交往、师生关系方面。但值得注意的是,较大比例的大学生对所处的环境持消极态度,比如认为待在教室如小鸟待在鸟笼一样失去自由快乐,束缚其行为;校园氛围就如一潭死水,缺乏活力,气氛沉闷;学校就如监狱一样,禁锢身心,让人感到压抑痛苦。
![](https://qkk.lw71.com/uploads/image/2018/02/37684f8ad31d8755b8bb70c50dfcab8e.png)
式中:m,n分别为输入、输出层节点数;a为0~10的常数。
通过试错法[19]求取隐含层最优节点数大致范围为2~12,即利用训练数据依次对2~12节点情况进行预测检验,对比分析误差以得到隐含层最优节点数,各节点对应的误差数据如表1所示。由表1可知,随着节点数的增加,平均相对误差、均方误差均呈现下降趋势。当节点数等于12时,平均相对误差为0.019 2,均方误差为2.480%,预测精度最高。为保证预测精度,本文隐含层节点数选用12,构建的BP神经网络拓扑结构为4—12—1(见图 2)。
“六书”,即象形、指事、会意、形声、转注、假借,六种造字的方法,此“六书”既规定其叫法,同时也规定其顺序和每一种具体造字方法的注释。我们现在所沿用的“六书”内涵,是在漫长的历史发展中经过不断修正与完善,经历几代大家的不断思考与沉淀,最后集众家之长而定型,沿用至今。
表1 误差数据
![](https://qkk.lw71.com/uploads/image/2018/02/242a8500c9e0fd0804d2795da3337d63.png)
节点数 平均相对误差/% 均方误差 节点数 平均相对误差/% 均方误差2 6.440 0.030 8 8 2.828 0.019 8 3 3.640 0.020 2 9 2.791 0.020 8 4 3.295 0.019 6 10 2.604 0.019 4 5 3.155 0.019 7 11 2.623 0.019 8 6 3.005 0.018 2 12 2.480 0.019 2 7 3.099 0.020 4
![](https://qkk.lw71.com/uploads/image/2018/02/25f2c67b8f6e484947661f3dfc730d36.png)
图2 构建的BP神经网络拓扑结构
5)变异操作。利用随机数控制基因变异,第i个个体的第j个基因Aij的变异操作,计算公式为
微信用户数量一直处于平稳增长状态,截止2018年3月微信用户数量超过10亿。现在我们对于沟通的理解已经不再是传统意义上的面对面的交流,随着移动互联网的快速发展、各种手机社交软件的不断涌现,其中微信便是其中的佼佼者。随着微信用户的激增,微信公众平台营销也在迅速的展开。与传统推广方式相比,微信公众平台营销是实施现代营销媒体战略的重要组成部分,有着自身的优势。
造成证人出庭率低的原因不一而足。有的是证人确有特殊情况而无法出庭,有的是证人嫌麻烦、怕浪费时间而不愿出庭,也有的是证人怕遭打击报复而不敢出庭。这些情况也不是今天才有,几乎什么事的发生都是有传统的,证人不愿出庭作证也有其渊源。台湾学者刘馨珺先生在《明镜高悬——南宋县衙的狱讼》一书中,提到了有关证人的情况及“待遇”,为我们了解古人不愿作证的原因提供了参考。
表2 遗传算法与BP网络参数设置
![](https://qkk.lw71.com/uploads/image/2018/02/9682950f527ea5187f264614048cc481.png)
最大循环次数变异概率50 000 0.000 05 0.1 20 10 0.2 0.1期望误差最小值初始学习率种群规模进化次数交叉概率
3.3 改进的BP神经网络训练
根据改进的BP神经网络基本原理和上述初始化参数,采用MATLAB编程。基于遗传算法得到最优个体适应度变化曲线(见图3)和最优权值、阈值,利用BP神经网络进行训练,相对误差基本处于±2%,平均相对误差为2.480%,基本满足训练精度要求。
![](https://qkk.lw71.com/uploads/image/2018/02/1e7fb04105fc227c3195108c63d2dbc4.png)
图3 遗传算法优化过程
4 预测与结果分析
利用训练完毕的改进BP神经网络,对5组检验数据进行100次循环预测,采用核密度估计法确定最优预测结果。以检验1数据为例。通过核密度分布图确定最大核密度估计值坐标为(0.796,3.176),预测值最大分布区间为0.750~0.800,占整体的73%,0.796即为检验1组数据对应的最优预测值(见图4)。
下班玩手机,也尽量不在公开场合。比如下班了,员工在餐厅看手机、睡觉、聚一起聊天,都建议回避在公众场合。
![](https://qkk.lw71.com/uploads/image/2018/02/7177ab61bc4ff2323ee560d28c70c31e.png)
图4 检验1组核密度分布
同理,可得到其他4组的最优预测结果,见表3。利用表3数据作出预测值与实测值间的关系曲线 (见图5)。由表3可知,5组检验数据的相对误差分布区间为-10%~10%,平均相对误差为4.999%。由图5可知,预测值与实际值的相关系数为0.978 9,两者关系曲线与标准线基本重合,表明该方法构建的BP神经网络预测精度较高,可用于页岩吸附能力的预测。
表3 检验数据对应的预测结果
![](https://qkk.lw71.com/uploads/image/2018/02/0929a2d6e53e0d12ae769cbb2bf11142.png)
检验序号预测结果/(m3·t-1)实测值/(m3·t-1) 绝对误差 相对误差/%1 0.796 0.81 -0.014 5 -1.785 2 1.180 1.14 0.040 4 -3.544 3 1.247 1.38 -0.133 4 -9.668 4 1.391 1.48 -0.089 1 -6.020 5 1.460 1.52 -0.060 5 -3.978
![](https://qkk.lw71.com/uploads/image/2018/02/22a1c909da1f0421a23c8e963737ae63.png)
图5 预测值与实测值的关系曲线
5 多因素敏感性分析
为探究不同因素对页岩吸附量的影响,笔者采用正交试验方法[20]开展了多因素敏感性分析。首先,设定p,T,TOC和Ro的因素水平,而后利用正交设计软件建立试验计划表,按本文的预测模型确定对应的吸附气量,进而得到直观结果(见表4)。
表4 直观结果
![](https://qkk.lw71.com/uploads/image/2018/02/2690f5bb47e383e0e1d31704c48755cb.png)
实验次数 p/MPa T/℃ TOC/% Ro/% 吸附气量/(m3·t-1)1 3. 30 1.75 0.94 1.788 3 2 3. 40 2.26 2.01 1.266 4 3 3. 50 3.42 2.71 1.298 2 4 6. 30 2.26 2.71 1.886 8 5 6 40 3.42 0.94 1.971 3 6 6 50 1.75 2.01 1.894 3 7 9 30 3.42 2.01 2.822 8 8 9 40 1.75 2.71 2.344 1 9 9. 50 2.26 0.94 1.708 2均值1 1.451 02.166 2.009 1.823均值2 1.917 01.861 1.620 1.995均值3 2.292 01.634 2.031 1.843极差 0.841 00.532 0.411 0.172
通过正交试验,同时求取预测模型的计算方差,进行显著性排序。由表5可知,4个因素的显著性排序为p>T>TOC>Ro,即页岩吸附量主要受压力影响,其次受温度和总有机质碳质量分数的影响,而有机质成熟度对页岩吸附量的影响最弱。
表5 方差分析
![](https://qkk.lw71.com/uploads/image/2018/02/1b535e67d7b357013cb8abafe61eaeb3.png)
注:方差分析对应的显著性水平为0.05。
因素 偏差平方和 自由度 方差比率 方差比率临界值 显著性排序p 1.065 2 2.283 4.460 1 T 0.428 2 0.917 4.460 2 TOC 0.320 2 0.686 4.460 3 Ro 0.053 2 0.114 4.460 4误差 1.87 8
6 结论
1)利用遗传算法和核密度估计改进了BP神经网络,建立了页岩吸附量预测模型。基于80组实验数据对BP网络进行训练和检验,75组训练数据预测结果的平均相对误差为2.480%,5个检验组的平均相对误差为4.999%。预测值与实际值的相关系数为0.978 9,表明改进的BP神经网络模型可用于预测多因素共同作用的页岩吸附量。
共享经济已经渗透进我国经济发展的多领域,成为新型商业模式的代表模范之一。它合理地利用了21世纪的高新技术——移动支付和互联网,完善共享经济平台,不断创新,切实发展。科学发展是绿色经济的标杆,是旧的商业模式经营的一个转折点,它开辟了属于共享经济的新纪元。下文深入探讨共享经济的几个优势:
2)基于构建的多因素预测模型,通过正交试验分析了p,T,TOC和Ro对页岩吸附量的敏感性,发现吸附量主要受压力影响,其次受温度和总有机质碳质量分数的影响,而有机质成熟度对其的影响最弱。
参考文献
[1]张金川,金之钧,袁明生.页岩气成藏机理和分布[J].天然气工业,2004,24(7):15-18.
[2]熊健,刘向君,梁利喜.页岩中超临界甲烷等温吸附模型研究[J].石油钻探技术,2015,43:(3):96-102.
[3]李武广,杨胜来,徐晶,等.考虑地层温度和压力的页岩吸附气含量计算新模型[J].天然气地球科学,2012,23(4):189-194.
[4]岳长涛,李术元,李林玥,等.荆门地区页岩储层吸附特征及吸附势理论应用[J].石油实验地质,2016,38(3):346-353.
[5]GASPARIK M,GHANIZADEH A,BERTIER P,et al.High pressure methane sorption isotherms of black shales from the netherlands[J].Energy&Fuels,2012,26(8):4995-5004.
[6]樊灵,赵孟孟,殷川,等.基于BP神经网络的油田生产动态分析方法[J].断块油气田,2013,20(2):204-206.
[7]赵廷峰,周启成,赵春艳,等.基于PCA-BP的钻头优选方法与应用[J].断块油气田,2016,23(2):243-247.
[8]王小川.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013:20-33.
[9]童飞.基于BP神经网络的水上交通事故预测及MATLAB实现[D].武汉:武汉理工大学,2005.
[10]王银年.遗传算法的研究与应用[D].无锡:江南大学,2009.
[11]谢中华.MATLAB统计分析与应用[M].北京:北京航空航天大学出版社,2010:208-216.
[12]肖钢,唐颖.页岩气及其勘探开发[M].北京:高等教育出版社,2012:25-37.
[13]张烈辉,唐洪明,陈果,等.川南下志留统龙马溪组页岩吸附特征及控制因素[J].天然气工业,2014,34(12):63-69.
[14]BOWKER K A.Barnett shale gas production,fort worth basin:issues and discussion[J].AAPG Bulletin,2007,91(4):523-533.
[15]MONTGOMERY S L,JARVIEDM,BOWKERKA,etal.Mississippian barnett shale,fort worth basin,north-central Texas:gas-shale play with multitrillion cubic foot potential[J].AAPG Bulletin,2005,90(6):963-966.
[16]CHALMERS G R L,BUSTIN R M.Lower cretaceous gas shales in northeastern British Columbia,partⅡ:evaluation of regional potential gas resources [J].Bulletin of Canadian Petroleum Geology,2008,56(1):22-61.
[17]武瑾,王红岩,拜文华,等.渝东南龙马溪组页岩储层特征及吸附影响因素分析[J].断块油气田,2013,20(6):713-718.
[18]张超群,郑建国,钱洁.遗传算法编码方案比较[J].计算机应用研究,2011,28(3):819-822.
[19]刘春艳,凌建春,寇林元,等.GA-BP神经网络与BP神经网络性能比较[J].中国卫生统计,2013,30(2):173-176.
[20]吴晓东,张玉丰,刘彦辉.蒸汽吞吐井注汽工艺参数正交优化设计[J].石油钻探技术,2007,35(3):1-4.