基于残差神经网络模型的高压气井水合物生成预测方法

综合天然气多组分混合比例、临界压力和温度等因素影响,构建跳过连接的卷积神经网络模型,提出利用残差神经网络(ResNet)预测高压气井多元体系天然气水合物生成的方法。井场试验结果表明,相较于传统全连接神经网络(FCNN)与小波神经网络(WNN),基于大数据集参数自动调优和动态微调残差神经网络模型的多元体系水合物生成预测效果较优且吻合程度较高,预测均方误差由WNN的0.006~3.417和FCNN的0.008~3.722降至ResNet的0.001~1.020,并可量化分析单组分体系以及二元和多组分体系水合物相平衡实际压力随温度动态变化关系。