Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 成都理工大学黄开兴获国家专利权

成都理工大学黄开兴获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉成都理工大学申请的专利一种基于主成分分析与神经网络的页岩脆性指数预测方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN116050656B

龙图腾网通过国家知识产权局官网在2025-11-25发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202310165829.6,技术领域涉及:G06Q10/04;该发明授权一种基于主成分分析与神经网络的页岩脆性指数预测方法是由黄开兴;吴朝容;陈朝譞;刘成;李勇设计研发完成,并于2023-02-24向国家知识产权局提交的专利申请。

一种基于主成分分析与神经网络的页岩脆性指数预测方法在说明书摘要公布了:本发明公开了一种基于主成分分析与神经网络的页岩脆性指数预测方法,包括确定训练井和测试井;将训练井中的每个测井变量分别与脆性指数进行相关性分析并对比,再结合前人研究选择与脆性指数有联系且相关系数绝对值高的测井变量作为自变量,页岩脆性指数作为因变量。首次利用主成分分析法PCA结合布谷鸟CS—BP神经网络的方法来预测页岩脆性指数,通过建立的PCA‑CSBP页岩脆性指数预测模型,对工区内的Y1和Y2两口井的页岩脆性指数进行预测。结果表明本发明:PCA‑CSBP页岩脆性指数预测模型实现了对页岩脆性指数的准确预测。

本发明授权一种基于主成分分析与神经网络的页岩脆性指数预测方法在权利要求书中公布了:1.一种基于主成分分析与神经网络的页岩脆性指数预测方法,其特征在于:包括以下步骤; 1已知数口井的原始测井资料,所述原始测井资料包括井内n个不同深度处的测井参数和页岩脆性指数BI;所述测井参数包括声波时差AC、中子孔隙度CNL,补偿密度DEN、横波时差DTS、自然伽马GR和电阻率RT,选择一口井作为训练井,其余为测试井; 2将训练井中的每个测井参数分别与页岩脆性指数进行相关性分析并将相关性绝对值按大小排序,然后结合前人计算页岩脆性指数使用的测井参数,最后选择相关系数绝对值大于0.4的4种测井参数作为主成分分析法PCA结合布谷鸟CS-BP神经网络的输入参数,分别标记为自变量A、自变量B、自变量C和自变量D,脆性指数作为输出参数; 3构建训练样本和训练数据库; 将训练井同一深度处的4个自变量构成训练样本xi={xAi,xBi,xCi,xDi},i表示第i个深度,i=1~n,xAi,xBi,xCi,xDi分别表示第i个深度处自变量A、自变量B、自变量C和自变量D的值,该深度对应的页岩脆性指数为yi,将yi作为该训练样本的标签,所有训练样本构成训练数据库; 4利用主成分分析法PCA结合布谷鸟CS-BP神经网络训练数据库构建PCA-CSBP页岩脆性指数预测模型;包括步骤41-46; 41将所有训练样本构成矩阵X={XA,XB,XC,XD},其中XA,XB,XC,XD分别为所有xAi,xBi,xCi,xDi构成的列向量,将所有页岩脆性指数按深度构成列向量Y;将矩阵X输入到主成分分析PCA算法中,将组合贡献大于90%的主成分,作为新的输入参数; 42将组合主成分中贡献大于90%的2个成分构成训练样本x′i={x′1i,x′2i},i表示第i个深度,i=1~n,x′1i,x′2i分别表示第i个深度处主成分1和主成分2的值,所有主成分构成矩阵X′={X′1,X′2},其中X′1,X′2分别为所有x′1i,x′2i构成的列向量,将所有页岩脆性指数按深度构成列向量Y;将列向量Y中80%的数据划分为PCA-CSBP页岩脆性指数预测模型的训练数据,用以建立PCA-CSBP页岩脆性指数预测模型;列向量Y中20%的数据划分为测试数据,进行自我训练预测; 43对矩阵X′中的元素分别归一化处理,得到归一化后的矩阵X”; 44计算矩阵Y的预测值,包括a1-a2; a1将列向量Y中80%的数据对应的矩阵X”数据输入到主成分分析法PCA结合布谷鸟CS-BP神经网络算法中,训练本算法,从而建立PCA-CSBP页岩脆性指数预测模型; a2利用建立的PCA-CSBP页岩脆性指数预测模型对列向量Y剩下的20%数据进行预测,并将这20%数据记为真实值yzi,其构成的列向量为Yz;将得到的预测值yti构成的列向量记为Yt; 45计算预测值Yt与真实值Yz的平均绝对误差MAE和平均绝对百分比误差MAPE,并要求MAE小于0.1和MAPE小于15%即满足高精度预测效果; 46如建立的PCA-CSBP页岩脆性指数预测模型满足45,则所建立的预测模型符合预测页岩脆性指数的要求; 5选择一待测井,获取其原始测井资料中与矩阵X对应的测井数据,输入PCA-CSBP页岩脆性指数预测模型中,输出其预测值。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人成都理工大学,其通讯地址为:610000 四川省成都市二仙桥东三路1号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。