期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于PSO-GBDT的CO_(2)-原油最小混相压力预测模型
1
作者 沈斌 杨胜来 《科学技术与工程》 北大核心 2022年第18期7866-7872,共7页
随着“2060年碳中和目标”的提出,中国油田开发领域CO_(2)气驱采油技术又一次得到了广泛关注。CO_(2)气驱采油既可以实现对碳资源的地下封存,又能够对油田三次采油起到主要作用。但是其驱油效果会受到CO_(2)和原油混相与否的制约,所以... 随着“2060年碳中和目标”的提出,中国油田开发领域CO_(2)气驱采油技术又一次得到了广泛关注。CO_(2)气驱采油既可以实现对碳资源的地下封存,又能够对油田三次采油起到主要作用。但是其驱油效果会受到CO_(2)和原油混相与否的制约,所以需要对CO_(2)-原油体系最小混相压力(minimum miscibility pressure,MMP)进行精准预测。而传统预测方法时间成本及误差过大,人工智能算法因其计算效率及准确率高便脱颖而出。使用随机森林算法对MMP主控因素进行分析,筛选出CO_(2)、H_(2)S、C_(1)、C_(2)-C_(5)、N_(2)的摩尔分数及油藏温度、平均临界温度等特征变量,采用MLP、GA-RBF、RF、PSO-GBDT、AdaBoost SVR 5种智能算法建立MMP预测模型。为此,使用了160行的数据库进行预测分析,采用5种不同评估指标及可视化图像对不同模型结果进行对比分析,并验证模型的准确性。最终测试效果证明,在数据有限的情况下,PSO-GBDT模型具有最佳的MMP预测效果,PSO-GBDT平均绝对百分比误差(mean absolute percentage error,MAPE)为4.89%,均方根误差(root mean square error,RMSE)为0.83,测试集R^(2)为0.96。此模型精度最高,灵活性、鲁棒性最强。 展开更多
关键词 人工智能 最小混相压力 MMP预测 pso-gbdt AdaBoost SVR
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部