基于机器学习的低渗透砂岩聚合物驱采收率预测

在恶劣的油藏条件下,化学驱提高采收率方法的可行性主要在实验室进行,以探究化学驱方案在现场实施的可能效果,但此类实验通常昂贵且费时。为了提高筛选效率和研究变量关系,进行了3个聚合物驱油实验项目,其次通过构建14种机器学习基础模型来预测低渗透砂岩聚合物驱油实验的效率。结果表明:多层感知机(multi-layer perception,MLP)、随机树(random forest,RF)和极限梯度上升(extreme gradient boosting,XGB)模型表现最佳,它们在测试集的确定系数均为0.99,均方根误差分别为0.855、0.836和0.859。模型表明特征重要性由强至弱依次为含水率、累积注入孔隙体积、渗透率、非均质系数、孔隙度、聚合物注入量、聚合物浓度、注入压力。研究成果为室内物理低渗透砂岩聚合物驱提供了可靠的数据,给出了14种机器学习模型预测性能直接对比,建立了高拟合高泛化高稳定低误差的低渗透砂岩聚合物驱预测模型,有助于化学驱方案快速在低渗透储层应用,以及降低失败风险。

基于量子迭代混沌的涡流搜索算法预测锅炉飞灰含碳量

为了准确建立锅炉飞灰含碳量预测模型,首先提出了基于量子比特的Bloch球面坐标编码和迭代混沌映射的改进涡流搜索(I-VS)算法,然后对I-VS算法、涡流搜索(VS)算法、粒子群优化(PSO)算法、正余弦(SCA)算法和樽海鞘群(SSA)算法的性能进行比较。基于某热电厂300 MW循环流化床锅炉现场运行数据,采用I-VS算法优化并行感知机的极端学习机(PELM),得到飞灰含碳量的综合预测模型(即I-VS-PELM模型)。最后将I-VS-PELM模型的预测结果与PELM、PSO-PELM、SCA-PELM、SSA-PELM和VS-PELM模型的预测结果进行比较。结果表明:与其他模型相比,I-VS-PELM模型具有更高的预测精度和更好的泛化性能,能更准确地预测锅炉飞灰含碳量。

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法。首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习机及并行感知器改进极限学习机算法进行比较,结果表明,提出的MO-PLP-ELM算法其辨识率明显高于其它算法,平均辨识率达96.1%。

循环流化床锅炉燃烧系统的神经网络模型研究

为了准确预测热电厂锅炉的NO_x排放质量浓度,以某热电厂300 MW亚临界循环流化床锅炉为研究对象,利用并联型快速学习网进行建模。首先以经典的回归数据集测试并联型快速学习网的有效性,将结果与其他神经网络的结果相比较,证明其具有更好的学习能力和稳定性。再以热电厂现场采集的样本数据作为模型的输入输出数据,将该模型的预测结果与极限学习机、快速学习网、核极限学习机和增量型极限学习机的预测结果进行比较。结果表明:并联型快速学习网具有良好的预测精度和泛化能力,能够更准确有效地预测热电厂锅炉的NO_x排放质量浓度。

基于极端学习机的MANET移动性预测模型

针对移动自组织网络移动性在管理无线网络带宽资源可用性方面的重要性,为了更好地规划连续服务可用性和有效能源管理以提升网络的整体服务质量,提出了一种基于极端学习机的MANET移动性预测模型。利用ELM对MANET中的任意节点进行建模;假设已知每个移动节点当前的移动性信息(位置、速度和运动方向角度),以这种方式预测节点未来的位置和相邻节点之间未来的距离;基于几个标准移动性模型,产生更加真实、精确的移动性预测,从而更好地捕捉任意节点直角坐标系之间现有交互/相关性。使用标准移动性模型的仿真结果验证了所提模型的有效性,实验结果表明,提出的预测模型明显改进了传统基于多层感知器的模型,此外,当预测相邻节点之间未来距离时,避免了当前算法对预测精度的限制。

基于二叉级联结构的并行极速学习机算法

为解决因庞大的矩阵存储和计算,ELM(Extreme Learning Machines)难以应用到大规模、高维数据集的问题,提出一种基于"分而治之"策略的并行极速学习机算法。该算法利用二叉级联结构,将大规模数据集分派到多个计算节点上,并行地更新单隐层前馈网络的输出权值,且能有限步地单调收敛到最小二乘解。实验结果表明,该算法不仅泛化性能优异,并且具有非常高的加速比和并行效率。