基于改进BP神经网络的页岩吸附量预测模型

摘要：

页岩吸附是受TOC(总有机碳质量分数)、Ro(镜质体反射率)、T(温度)和p(压力)等多重因素共同作用的复杂过程,常规的等温吸附模型无法对多因素同时作用及随机耦合的页岩吸附情况进行分析.为此,文中总结分析了影响页岩吸附能力的主要影响因素,通过遗传算法和核密度估计法改进了BP神经网络,利用试错法确定隐含层最优节点数为12,从而构建了吸附量预测模型.基于4个岩样、80组吸附实验数据,对BP网络进行训练和检验.其中:75组训练数据的预测相对误差处于±2％,平均相对误差为2.480％;5个检验组的预测相对误差处于±10％,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.另外,利用正交试验分析了4个影响因素对吸附量的敏感性,发现其敏感性排序为p＞T＞ TOC＞Ro.实验结果表明,该模型具有较高预测精度,可用于分析多因素同时作用下的页岩吸附情况.

关键词：页岩吸附、BP神经网络、遗传算法、核密度估计、预测模型

所属期刊栏目：25

分类号：TE132.2(石油、天然气地质与勘探)

资助基金：国家自然科学基金项目“页岩气多组分竞争吸附机理研究”51774298

在线出版日期：2018-06-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：208-212