1、煤層氣產(chǎn)能是衡量煤層氣井潛在產(chǎn)氣能力的綜合指標(biāo),產(chǎn)能的高低直接影響煤層氣項(xiàng)目的經(jīng)濟(jì)效益。因此建立有效的煤層氣產(chǎn)能預(yù)測(cè)模型,對(duì)煤層氣井的勘探開(kāi)發(fā)有著重要的指導(dǎo)意義。
　　煤層氣賦存于煤儲(chǔ)層中,其產(chǎn)出過(guò)程由多個(gè)地質(zhì)因素決定且各因素之間關(guān)系復(fù)雜,難于建立精確的數(shù)學(xué)表達(dá)式來(lái)描述其動(dòng)態(tài)的生產(chǎn)過(guò)程。因此本論文采用目前廣泛應(yīng)用于預(yù)測(cè)控制等領(lǐng)域的支持向量回歸機(jī)以及改進(jìn)的粒子群優(yōu)化算法來(lái)建立地質(zhì)因素與產(chǎn)能之間的非線性函數(shù)映射關(guān)系,以實(shí)現(xiàn)對(duì)煤層氣井產(chǎn)

2、能進(jìn)行預(yù)測(cè)及控制的目的。
　　支持向量回歸機(jī)模型的建立不僅需要一定數(shù)量的樣本數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試,同時(shí)為了建立高質(zhì)量的預(yù)測(cè)模型,需要對(duì)模型中的參數(shù)設(shè)定最優(yōu)的取值,因此選用粒子群優(yōu)化算法對(duì)參數(shù)進(jìn)行優(yōu)化。
　　粒子群優(yōu)化算法目前已經(jīng)廣泛地應(yīng)用于各個(gè)領(lǐng)域,但是由于它自身的進(jìn)化特點(diǎn)導(dǎo)致其在尋優(yōu)過(guò)程中容易陷入局部收斂。為了解決該算法易于陷入局部收斂的問(wèn)題,本文主要提出了三個(gè)改進(jìn)的粒子群優(yōu)化算法。
　　(1)基于子維進(jìn)化的粒子群優(yōu)化

3、算法從標(biāo)準(zhǔn)粒子群優(yōu)化算法的進(jìn)化策略入手,將種群中粒子的進(jìn)化策略從粒子的整體進(jìn)化改變?yōu)榱Ｗ拥拿恳痪S依次進(jìn)化。同時(shí)當(dāng)種群陷入局部收斂時(shí),采取對(duì)多樣性較差的子維進(jìn)行重新初始化的操作。無(wú)論是對(duì)簡(jiǎn)單的單峰函數(shù)還是復(fù)雜的多峰函數(shù)進(jìn)行優(yōu)化,相較于標(biāo)準(zhǔn)粒子群優(yōu)化算法該算法均具有較好的尋優(yōu)性能。
　　(2)基于免疫機(jī)制的混合粒子群優(yōu)化算法融合了人工免疫算法和基于子維進(jìn)化的粒子群優(yōu)化算法,將進(jìn)化過(guò)程分成兩個(gè)階段,第一階段采取人工免疫優(yōu)化算法進(jìn)行全局尋

4、優(yōu),為下一階段的尋優(yōu)提供質(zhì)量較高的初始種群。第二階段采取基于子維進(jìn)化的粒子群優(yōu)化算法在質(zhì)量較高的初始種群的基礎(chǔ)上進(jìn)行進(jìn)化尋優(yōu),因此該算法具有更高的尋優(yōu)效率。
　　(3)多種群協(xié)同進(jìn)化的粒子群優(yōu)化算法在Agent的協(xié)同作用下,分別由人工免疫算法、混沌算法,子維進(jìn)化的粒子群優(yōu)化算法同時(shí)進(jìn)化,在粒子群算法陷入局部收斂時(shí),共享其他兩個(gè)算法的最優(yōu)值,以較高的質(zhì)量跳出局部收斂,為進(jìn)一步的尋優(yōu)工作打下良好的基礎(chǔ),同樣該算法也具有更高的尋優(yōu)效率。

5、
　　通過(guò)標(biāo)準(zhǔn)數(shù)據(jù)集BostonHousing作為數(shù)據(jù)樣本,將兩種改進(jìn)的混合粒子群算法應(yīng)用于優(yōu)化支持向量回歸機(jī)模型中的參數(shù),結(jié)果表明多種群協(xié)同進(jìn)化的粒子群優(yōu)化算法更適用于優(yōu)化模型參數(shù)。
　　通過(guò)選定沁水盆地南部樊莊區(qū)塊的20口煤層氣垂直井的相關(guān)數(shù)據(jù),利用改進(jìn)的粒子群優(yōu)化算法優(yōu)化支持向量回歸機(jī),建立煤層氣產(chǎn)能預(yù)測(cè)模型,并與BP神經(jīng)網(wǎng)絡(luò)以及支持向量回歸機(jī)的預(yù)測(cè)結(jié)果進(jìn)行比較,結(jié)果表明改進(jìn)的粒子群優(yōu)化算法優(yōu)化支持向量回歸機(jī)建立的模型