基于GA的RBF神经网络气液两相流持液率预测模型优化OA
为了提高气液两相流持液率预测精度,针对传统径向基函数(RBF)神经网络预测气液两相流持液率网络拓扑结构困难和收敛速度慢等问题,提出一种基于遗传算法(GA)优化径向基函数神经网络的气液两相流持液率预测模型。通过系统聚类算法和灰色关联度分析(GRA)对收集的实验数据进行处理,优选出最优模型特征,同时结合遗传算法确定了RBF神经网络结构参数。基于室内实验数据进行训练,并与常用于持液率预测的反向传播(BP)神经网络、GA-BP神经网络及RBF神经网络进行对比,评估了模型的准确性及可行性。结果表明:GA-RBF神经网络模型均方误差为0.0017,均方根误差为0.0416,平均绝对误差为0.0281,拟合度为0.9483。相较于其他神经网络模型,该预测模型表现出更高的计算精度和更强的泛化能力。
廖锐全;李龙威;王伟;马斌;潘元;
长江大学石油工程学院,湖北武汉430100 中国石油气举试验基地多相流研究室,湖北武汉430100 油气钻采工程湖北省重点实验室(长江大学),湖北武汉430100长江大学石油工程学院,湖北武汉430100 中国石油气举试验基地多相流研究室,湖北武汉430100 中国石油吐哈油田分公司采油工艺研究院,新疆哈密839009
石油、天然气工程
持液率气液两相流RBF神经网络遗传算法数据清洗
《长江大学学报（自然科学版）》 2024 (002)
P.91-100 / 10
国家自然科学基金项目“多种通讯约束下网络化智能系统的性能分析与优化设计”(62173049);国家科技重大专项“全生命周期举升工艺及配套技术研究”(2016ZX05056004-002)。
评论