【技术实现步骤摘要】
：本专利技术涉及的是油田三次采油聚合物驱油工艺中，解决含聚污水处理时，基于机器学习预测含聚污水重力式沉降清淤界限的问题，描述在重力沉降作用下含聚污水中悬浮物沉降、淤积形成淤泥层的增长过程，尤其是考虑含聚污水重力式沉降运行历史中淤泥层增长速率的离散性，对变工况下基于机器学习高效可靠预测含聚污水重力式沉降清淤界限的技术难题，具体涉及的是一种基于机器学习的含聚污水重力式沉降清淤界限预测方法。
技术介绍
0、
技术介绍
：
1、化学驱油已成为我国三次采油增加可采储量的主要技术方法，在所有提高采收率方法所覆盖的储量中占到70％以上，这其中，聚合物驱油技术最具代表，其最早于20世纪50年代末提出，通过将水溶性聚合物溶液作为驱替液注入油层中，增加驱替液粘度，减小油水流度比，有效抑制指进现象，提高驱替液波及系数。因此，在非均质油藏中，聚合物驱因增加水相粘度、改善流度比、稳定驱替前缘等优势而得到广泛应用，尤其是以全球最大的三次采油生产、研发基地我国大庆油田为例，目前共有超过50个开发区块已成功开展了工业化规模的聚合物驱油，且相较于区块前期水驱开发方案，聚合物驱采收率平均提高了约13％，有效降低水驱阶段地层孔隙盲端与孔隙边缘剩余油饱和度，促进油田稳产增产。
2、然而，在油田进入高含水开发后期且采出液中全面返出驱油剂聚合物(即见聚)的背景下，一方面，采出液规模增大使地面污水重力式沉降系统中待处理的含聚污水体量大幅增加；另一方面，具有高粘性的聚合物在驱油过程中，会携带地层岩石矿物至地面污水处理系统，恶化含聚污水水质特性，降低污水重力
技术实现思路
0、
技术实现思路
：
1、本专利技术的目的是提供基于机器学习的含聚污水重力式沉降清淤界限预测方法，这种基于机器学习的含聚污水重力式沉降清淤界限预测方法用于解决油田三次采油聚合物驱油工艺中，含聚污水重力式沉降处理时悬浮物沉降、淤积形成淤泥层增长速率的过程描述，尤其是考虑含聚污水重力式沉降运行历史中淤泥层增长速率的离散性，对变工况下基于机器学习高效可靠预测含聚污水重力式沉降清淤界限的技术难题。
2、本专利技术解决其技术问题所采用的技术方案是：这种基于机器学习的含聚污水重力式沉降清淤界限预测方法包括如下步骤：
3、步骤(一)、含聚污水样本空间的样本数据预处理；
4、步骤(二)、含聚污水样本空间中基于主成分分析法的多重特征降维处理；
5、步骤(三)、考虑淤泥层增长速率离散性的含聚污水分类预测数据集划分；根据相同淤泥层增长速率的含聚污水样本作为同一类别的分类依据，将淤泥层增长速率的回归连续预测转化为含聚污水的分类离散预测，构建与不同清淤轮次的淤泥层增长速率离散值相对应的二值化分类预测指标有：
6、
7、式中，yit为含聚污水样本空间中第i个含聚污水样本的第t个二值化分类预测指标取值；vt为含聚污水样本空间中第t个清淤轮次的淤泥层增长速率，m/s；
8、在此b个二值化分类预测指标的基础上，结合步骤(二)中基于主成分分析法获取的主成分特征，建立含聚污水分类预测数据集，且采用80％含聚污水样本划分为训练集、10％含聚污水样本划分为验证集、10％含聚污水样本划分为测试集的方式进行含聚污水分类预测数据集划分；
9、步骤(四)、建立基于交叉熵损失的含聚污水分类多层感知预测模型，含聚污水分类多层感知预测模型由输入层、单层隐含层、输出层组成；
10、步骤(五)、定量表征含聚污水重力式沉降清淤界限；训练并得到预测结果最优的含聚污水分类多层感知预测模型，通过预测结果最优的含聚污水分类多层感知预测模型对含聚污水重力式沉降清淤界限进行预测。
11、上述方案步骤(五)中预测结果最优的含聚污水分类多层感知预测模型对含聚污水重力式沉降清淤界限进行预测时，针对上一清淤轮次结束时刻起记录的实际含聚污水样本，获取该实际含聚污水所属于第t个含聚污水类别的概率确定含聚污水类别并获取该类别对应的淤泥层增长速率离散值，则上一清淤轮次结束时刻起记录的第z个含聚污水样本的淤泥层厚度有：
12、
13、式中，hz为上一清淤轮次结束时刻起记录的第z个含聚污水样本的淤泥层厚度，m；δt为上一清淤轮次结束时刻起各含聚污水样本数据的记录时间间隔，s；为某一含聚污水分类预测数据集的第i个含聚污水样本属于第t个含聚污水类别的概率；vt为含聚污水样本空间中第t个清淤轮次的淤泥层增长速率，m/s；
14、结合重力式沉降罐罐底至集水口距离，即淤积层最大厚度，确定含聚污水重力式沉降的清淤界限有：
15、
16、式中，t为该清淤轮次的清淤周期，s；hmax为淤积最大厚度，m。
17、上述方案步骤(一)具体为：
18、对含聚污水样本空间内的特征进行归一标准化处理，将含聚污水样本的某一特征数值等效转化至[-1，1]范围内有：
19、
20、式中，xij为含聚污水样本空间中第i个含聚污水样本的第j个特征的归一标准化取值；本文档来自技高网...
【技术保护点】
1.一种基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：步骤(五)中预测结果最优的含聚污水分类多层感知预测模型对含聚污水重力式沉降清淤界限进行预测时，针对上一清淤轮次结束时刻起记录的实际含聚污水样本，获取该实际含聚污水所属于第t个含聚污水类别的概率确定含聚污水类别并获取该类别对应的淤泥层增长速率离散值，则上一清淤轮次结束时刻起记录的第z个含聚污水样本的淤泥层厚度有：
3.根据权利要求2所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：步骤(一)具体为：
4.根据权利要求3所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：步骤(二)具体为：
5.根据权利要求4所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：步骤(三)具体为：
6.根据权利要求5所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：步骤(四)具体为：
7.根据权利要
8.根据权利要求7所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：含聚污水样本空间内含聚污水环境特征通过污水处理系统历史运行数据获取。
...【技术特征摘要】
1.一种基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：步骤(五)中预测结果最优的含聚污水分类多层感知预测模型对含聚污水重力式沉降清淤界限进行预测时，针对上一清淤轮次结束时刻起记录的实际含聚污水样本，获取该实际含聚污水所属于第t个含聚污水类别的概率确定含聚污水类别并获取该类别对应的淤泥层增长速率离散值，则上一清淤轮次结束时刻起记录的第z个含聚污水样本的淤泥层厚度有：
3.根据权利要求2所述的基于机器学习的含聚污水重力式沉降清淤界限预测方法，其特征在于：步骤(一)具体为：
4.根据权利要求3所述的...
【专利技术属性】
技术研发人员：洪家骏，王志华，常朕博，张久祥，王群，王克亮，赵利东，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。