(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111228156.1 (22)申请日 2021.10.21 (71)申请人 中国矿业大 学 地址 221116 江苏省徐州市大 学路1号中国 矿业大学科研院 (72)发明人 闫浩　张吉雄　时培涛　周楠　 李猛　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 李悦声 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 20/10(2019.01) (54)发明名称 一种基于FA-SSA-SVM算法的煤层渗透率变 化预测方法 (57)摘要 本发明提出了一种基于FA ‑SSA‑SVM算法的 煤层渗透率变化预测方法， 属于CO2封存领域。 该 方法是通过集成支持向量机SVM、 麻雀搜索算法 SSA、 萤火虫算法FA构建新型混合智能模型， 其中 SVM用来探索煤储层渗透率变化与其影 响变量之 间的关系， SSA和FA用来优化SVM的超参数。 利用 FA扰动SSA， 通过扰动SSA中的一般解与最优解， 提高全局解的搜索性， 获取SVM超参数的全局最 优解， 实现在高维空间非线性预测煤储层渗透率 变化与其影响变量 之间的关系。 FA ‑SSA‑SVM预测 模型能够在考虑CO2封存过程各种复杂因素的基 础上达到较好的预测 效果， 具有成本低廉、 预测 精度高、 泛化能力强等优点。 权利要求书3页 说明书5页 附图2页 CN 113987929 A 2022.01.28 CN 113987929 A 1.一种基于FA ‑SSA‑SVM算法的煤层渗透率变化预测方法， 其特 征在于： 包括以下步骤： 步骤一、 基于煤层吸附膨胀渗透率测试试验与煤层CO2封存工业性试验， 分析影响煤层 渗透率变化的关键地质参数与施工参数， 将关键地质参数与 施工参数优选确定模型输入变 量； 步骤二、 整理并收集实验室测试与文献检索数据， 通过筛分、 去伪， 确定涵盖多个不同 区域矿井、 多种煤阶的数据资料， 将所有 数据汇集为数据集， 将数据集划分为训练集和测试 集； 其中数据集中包括不同的矿井资料以及所对应的影响煤层渗透率变化的关键地质参数 与施工参数； 步骤三、 构建FA ‑SSA‑SVM预测模型， 利用支 持向量机SVM构建煤储层渗透率变化与模型 输入变量之间的关系， 将麻雀搜索算法SSA和萤火虫算法FA先后串 联后联合优化SVM的超参 数， 优化确定FA ‑SSA‑SVM预测模型的初始化 参数设置； 步骤四、 利用训练集反复训练FA ‑SSA‑SVM预测模型， 利用测试集验证训练完毕的FA ‑ SSA‑SVM预测模型的预测性能， 采用 相关系数R、 平均绝对误差MAE、 均方根误差RMSE和平均 绝对百分比误差MAPE对训练完 毕的FA‑SSA‑SVM预测模 型的预测性能进行验证与评估， 若评 估不达标则继续训练； 步骤五、 利用评估达 标的FA‑SSA‑SVM预测模型对CO2封存过程中煤储层渗透率变化进行 预测。 2.根据权利要求1所述的基于FA ‑SSA‑SVM算法的煤层渗透率变化预测方法， 其特征在 于： 关键地质参数与 施工参数包括煤体有效应力、 煤阶、 煤体弹性模量、 煤体泊松比、 煤体孔 隙度、 煤体初始渗透系数、 煤体温度、 煤层埋深； 所述的关键施工参数包括CO2注入压力、 CO2 注入温度； 优选确定的模型输入变量包括CO2注入压力、 煤体有效应力、 煤阶、 煤体温度和煤 层埋深。 3.根据权利要求1所述的基于FA ‑SSA‑SVM算法的煤层渗透率变化预测方法， 其特征在 于： FA‑SSA‑SVM智能模型中， 因SSA容易陷入局部最优导致其无法获得全局最优解， 所以利 用FA扰动SSA， 通过扰动SSA 中的一般解与最优解提高全局解的搜索性， 从而更新出全局最 优解； 利用FA ‑SSA组合算法优化SVM的超参数， SVM的超参数包括惩罚因子C和核参数g， 获得 在更高维空间非线性预测煤储层渗透率变化与其影响变量之间的关系； 优化具体如下： a构建SSA算法优化框架， 包括随机初始化麻雀种群， 并设置最大迭代次数、 发现者比 例、 加入者比例和警戒者比例； 利用SSA算法优化SVM的超参数； 计算初始种群的适应度值， 并进行排序， 从而确定初始最优值； 适应度值计算公式如下： 其中， f为 适应度值， n 为麻雀数量， d为待优化问题变量的维数； b更新发现者、 加入者、 警戒者的位置， 并重新计算适应度值， 如果当前最优值好于上次权　利　要　求　书 1/3 页 2 CN 113987929 A 2迭代， 则更新麻雀位置， 否则不更新麻雀位置， 并继续进行迭代操作直到满足条件为止； 其中发现者的位置更新描述： 其中， t为当前迭代数， itermax为最大迭代次数， Xi,j为第i个麻雀在第j维中的位置信 息， α ∈(0,1]为随机数， R2(R2∈[0,1)和ST(ST∈(0.5,1)分别为预警值和安全值， Q为服从正 态分布的随机数， L 为一个1×d的矩阵， 该矩阵内每 个元素均为1； 加入者的位置更新描述： 其中， Xp为目前发现者所占据的最优位置， Xworst则为当前全局最差的位置， A为一个1 × d的矩阵， 矩阵中每个元素随机赋值为1或 ‑1， 并且A+＝AT(AAT)‑1； 当i>n/2时表明适应度值较 低的第i个加入者没有获得食物， 处于十分饥饿的状态， 此时需要飞往其它地方觅食， 以获 得更多的能量； 警戒者的位置更新描述： 其中， Xbest为当前全局最优位置， β 为步长控制参数， 其服从均值为0、 方差为1 的正态分 布的随机数， K∈[ ‑1,1]为一个随机数， fi为当前麻雀 个体的适应度值； fg和fw分别为当前全 局最佳和最差的适应度值， ε为 最小的常数， 以避免分母出现零； c当SSA算法优化SVM的超参数结束后， 利用FA算法继续优化SVM的超参数： 构建FA算法 优化框架， 初始化设置萤火虫 数目、 萤火虫步长因子、 最大吸引度、 光强吸引系数； d利用萤火虫位置计算得到每个萤火虫的适应度值， 适应度值越优的萤火虫亮度越高； 所有萤火虫都向比自己亮度高的个 体飞行， 位置更新公式为： 其中， 分别为萤火虫i和j的位置， β0为萤火虫的吸引度， α为步长因子， rand为 [0,1]上服从均匀分布的随机数； e计算萤火虫新位置的适应度值， 若该位置优于飞行之前的位置， 则更新萤火虫位置至 新位置， 否则不更新萤火虫位置， 再继续进行迭代操作直到满足条件为止 。 4.根据权利要求1所述的基于FA ‑SSA‑SVM算法的煤层渗透率变化预测方法， 其特征在 于FA‑SSA‑SVM混合模型的输入参数为： 麻雀数量为50， 最大迭代次数为100， 发现者的比例 为0.6， 加 入者的比例为0.4， 警戒者的比例为0.2， 萤火虫步长因子为0.1， 最大 吸引度为2， 光强吸引系数为1。权　利　要　求　书 2/3 页 3 CN 113987929 A 3