CN115310664B 基于基因调控遗传算法的rbf神经网络油井产油量预测方法及预测系统 （中国石油大学(华东)）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115310664B(45)授权公告日2025.07.11

(21)申请号202210773467.4

(22)申请日2022.07.01

(65)同一申请的已公布的文献号申请公布号CN115310664A

(43)申请公布日2022.11.08

(73)专利权人中国石油大学(华东)

地址266580山东省青岛市黄岛区长江西

路66号

(72)发明人刘宝王君红周培朱滋润

(74)专利代理机构广东创合知识产权代理有限公司44690

专利代理师陈崇冲

(51)Int.CI.

GO6Q10/04(2023.01)

GO6Q10/0631(2023.01)

G06Q50/02(2024.01)

GO6N3/04(2023.01)

GO6N3/086(2023.01)

(56)对比文件

CN114660944A,2022.06.24

US2014082769A1,2014.03.20

审查员汪见晗

权利要求书5页说明书11页附图5页

(54)发明名称

基于基因调控遗传算法的RBF神经网络油井产油量预测方法及预测系统

(57)摘要

CN115310664B本发明提供一种基于基因调控遗传算法的RBF神经网络训练方法及预测系统，采用四进制DNA编码方式，针对遗传算法中选择、转录和变异这3个操作环节进行深入优化，提升了遗传算法的整体性能，并用该遗传优化算法对传统RBF神经网络梯度下降的寻优方式进行改进，将优化后RBF神经网络算法应用到油田注采的建模和产油量预测中，得到一套行之有效的RBF神经网络预测系统。所述训练方法通过自适应转录因子有效地避免种群早熟和局部最优解的情况，结合所述自适应变异因子增强遗传算法的局部寻优能力。同时仿真实验结果也表明基于基因调控遗传算法优化的RBF神经网络的预测系统，在逼近能力

CN115310664B

开始

开始

初始化神经网

动量梯度优化参数

对优化参数编码，产

生种群

计算种群适应度值

选择、转录和变异操

是否满足终止条件

是

解码，输出最优解

结束

CN115310664B权利要求书1/5页

2

1.一种基于基因调控遗传算法的RBF神经网络油井产油量预测方法，其特征在于，包括以下步骤：

步骤1:初始化RBF神经网络，采用动量梯度优化训练对所述RBF神经网络的参数优化，获得优化参数；

步骤2:基于基因调控遗传算法采用四进制DNA编码方式将所述优化参数编码后产生初代种群；所述DNA编码的长度L=5·(2+I)*J,所述初代种群X=(X?,X?,X?,...,X);

步骤3:确定种群的适应度值，基于基因调控遗传算法，根据所述适应度值确定自适应转录因子和自适应变异因子，对所述种群进行选择操作、转录操作和变异操作，产生新一代种群；

步骤4:确定所述新一代种群的适应度值，如果满足终止条件，则进入步骤5;否则返回步骤3;

步骤5:输出最优适应度值的所述DNA编码，对所述DNA编码进行解码得到所述RBF神经网络的最优参数，构建RBF神经网络最优模型；

步骤6:采集样本数据，并采用小波降噪法对所述样本数据进行滤波及归一化处理，再按预设比例将处理后的样本数据分为训练集和测试集；使用所述训练集对所述RBF神经网络最优模型进行优化训练；再通过所述测试集测试后得到RBF神经网络最终模型；

步骤7:输入原始井网注水量Qin(k)、一次加密井网注水量Qn?(k)、二次加密井网注水量Qin?(k)、套管压力Pg(k)4个重要因素作为待预测数据到RBF神经网络最终模型，得到预测结果；

其中，所述动量梯度优化训练具体为：

b;(k)=b;(k-1)+△b;(k)+a[b;(k-1)-b;(k-2)];

C;;(k)=c;;(k-1)+△c;;(k)+a[c;(k-1)-c;;(k-2)];

w,(k)=w,(k-1)+△w(k)+a[w,(k-1)-w,(k-2)];

其中，X=(x?,x?,X?,...,x)表示输入数据，c?;表示隐含层高斯函数的中心点坐标向量，与所述输入数据的维数相同，|X-c;;|II2为所述输入数据和所述中心点坐标向量之间的欧氏距离，b;表示所述隐含层高斯函数的宽度；i=1,2,3