特許ウォッチ

公開番号2025106783
公報種別公開特許公報(A)
公開日2025-07-16
出願番号2024134872
出願日2024-08-13
発明の名称ディープニューラルネットワークにより天然ガスハイドレートの降圧採掘能力予測方法
出願人山東科技大学
代理人個人
主分類G06N 3/09 20230101AFI20250709BHJP(計算;計数)
要約【課題】深度ニューラルネットワークに基づく天然ガスハイドレート減圧採掘の生産能力予測方法を提供する。
【解決手段】ニューラルネットワークモデルを構築し、既存のマルチスケール天然ガスハイドレート降圧採掘試験データを利用して、モデルに対して訓練、最適化、テストと評価を行う方法は、マルチスケール天然ガス水和物降圧採掘試験データを収集して前処理し、1つの入力層、3つの隠し層、1つの出力層を含むディープニューラルネットワークモデルを構築し、逆伝播アルゴリズムを通じてネットワークパラメーターを最適化し、決定係数と平均相対誤差の2つのパラメータを利用してモデルの計算精度を評価して精度が高く誤差が小さい生産能力予測モデルを得て、生産能力予測モジュールを設計して利用し、異なる尺度と採掘パラメータにおける天然ガスハイドレート降圧採掘試験の生産能力を予測する。
【選択図】図1
特許請求の範囲【請求項１】
ディープニューラルネットワークに基づく天然ガスハイドレートの減圧採掘生産能力予測方法であって、
以下の手順：
Ｓ１：マルチスケールの天然ガスハイドレート減圧採掘実験データを収集し、離散型および連続型の特徴をカバーする，離散型特徴には試料尺度情報と採掘井筒情報が含まれ、連続型特徴には採掘パラメータと生産能力データが含む；記載のディープニューラルネットワークに基づく天然ガスハイドレートの減圧採掘生産能力予測方法で、手順Ｓ１では、試料尺度情報には１次元、２次元及び３次元の３スケール試料スケール情報を含む、前記採掘井情報は、水平井、垂直井、水平井＋垂直井の採掘井情報を含む、採掘パラメータは、試料体積、細孔度、ガスハイドレート飽和度、採掘前圧力、採掘後圧力、採掘初期温度、および降圧速度を含む、生産能力データには、累積ガス生産量および平均ガス生産速度が含む；
Ｓ２：試験データの前処理；次のステップである：
Ｓ２．１：収集したデータを洗浄し、潜在的な異常値とノイズを除去し、規範的な試験データを得る；
Ｓ２．２：各採掘パラメータの５％を浮動範囲とし、試験サンプル数を拡張して層化無作為抽出法を用いてサンプリングを行い、サンプリング総数をＮとする；
Ｓ２．３：試験データに対して正規化処理を行い、９種類の特徴を得て、正規化されたデータセットを訓練セット、検証セット、テストセットに分ける：
Ｓ２．３．１：離散型素性に対して、試料スケール情報と採掘井戸情報を独自熱コードを用いて形式的に正規化する；
試料スケール情報：１次元＝（１，０，０）、２次元＝（０，１，０）、３次元＝（０，０，１）；
採掘井情報：水平井＝（１，０，０）、垂直井＝（０，１，０）、水平井＋垂直井＝（０，０，１）；
Ｓ２．３．２：連続型フィーチャの場合、採掘パラメータのデータを［０，１］の範囲にスケーリングする方法で正規化処理を行う；式は次のとおりである：
TIFF
2025106783000024.tif
16
166
ここで、ｘはステップＳ１における７種類の採掘パラメータ、ｍｉｎ（ｘ）はステップＳ２．２で抽出された全ての試験サンプルにおける対応する採掘パラメータの最小値、ｍａｘ（ｘ）はステップＳ２．２で抽出された全ての試験サンプルにおける対応する採掘パラメータの最大値、ｘ
ｎ
は正規化された値である；
Ｓ２．４：正規化されたデータセットを分割割合に応じて７０％訓練セット、１５％検証セット、１５％テストセットに分割する；
Ｓ３：１つの入力層、３つの隠し層、１つの出力層を含むディープニューラルネットワークモデルを構築する；以下のとおりである：
Ｓ３．１：入力層１つ、隠し層３つ、出力層１つを含む５層のディープニューラルネットワークモデルを構築する；
Ｓ３．２：入力層ノードの個数は９個であり、それぞれ試料スケール情報、採掘井戸情報および７つの採掘パラメータの計９種類の特徴に完全対応する；
Ｓ３．３：出力層のノードは２つであり、それぞれステップＳ１の２種類の生産能力データに対応する；
Ｓ３．４：ディープニューラルネットワークモデルにおける隠れ層１つあたりのノード数を６０とする；
Ｓ４：マルチスケールで異なる採掘パラメーターの降圧採掘試験データを利用し、ディープニューラルネットワークモデルを訓練して試験データ中の複雑なモードと非線形関係を正確に捕捉し、そして逆伝播アルゴリズムを通じてネットワークパラメーターを最適化する；
Ｓ４．１：モデルの偏差をゼロに初期化し、正規分布を用いてモデルの重みをランダムに初期化し、式は次のとおりである：
TIFF
2025106783000025.tif
10
166
数式では、Ｗは重み行列であり、Ｎ（０，０．０１
２
）は平均値が０、標準偏差が０．０１の正規分布である；
Ｓ４．２：アクティベーション関数としてＬｅａｋｙＲｅＬＵを選択する、式は次のとおりである：
TIFF
2025106783000026.tif
10
166
数式では、αは０．０１であり、Ｘ
ｉ
はステップＳ２．３における９種類の素性である；
Ｓ４．３：ＭＳＥを損失関数として使用し、ステップＳ２．４の訓練セットを使用して得られた生産能力予測値と実績値との差の平方を測定する；式は次のとおりである：
TIFF
2025106783000027.tif
20
166
TIFF
2025106783000028.tif
24
166
Ｓ４．４：連鎖式の法則を利用して、出力層から始めて、モデルパラメータの重みと偏差に対する損失の勾配を逆計算して、そしてバッチ勾配降下の最適化アルゴリズムを使ってパラメータの更新を実現して、式は次のようになる：
TIFF
2025106783000029.tif
23
166
数式では、▽
θ
J(θ)は損失関数のモデルパラメータに対する勾配計算値、θはディープニューラルネットワークモデルのパラメータ、β は学習率であり、初期値は０．０１である；
Ｓ４．５：Ｌ２正則化技術を用いてモデルの重みにペナルティを与え、重みが大きすぎて、モデルが訓練データに過剰にフィットしないようにする；式は次のようになる：
TIFF
2025106783000030.tif
13
166
式中、Ｊ
Ｌ２
はＬ２を加えて正則化した後の損失関数であり、λは正規化の強度であり、初期値は０．１であり、Σ
i
∥ω
i
∥
2
はモデルの所有重の二乗和である；
Ｓ４．６：検証セット上でモデルの性能を評価し、検証セット上での表現に基づいて学習率と正則化強度を調整する；
Ｓ４．７：ステップＳ４．３からＳ４．６を繰り返し、モデルが満足のいく性能になるまで何度も繰り返す；
Ｓ５：決定係数と平均相対誤差の２つのパラメータを利用してモデルの計算精度を評価する；
Ｓ６：生産能力予測モデルを搭載して生産能力予測モジュールを設計し、生産能力予測モジュールを利用して異なる尺度と採掘パラメータにおける天然ガスハイドレート降圧採掘試験の生産能力を予測する；
を有する
ことを特徴とするディープニューラルネットワークに基づく天然ガスハイドレートの減圧採掘生産能力予測方法。
続きを表示（約 740 文字）【請求項２】
ステップＳ５において、以下の手順：
テストセットを使用して訓練され最適化されたモデルの未知データに対する一般化性能を評価し、決定係数Ｒ
２
が少なくとも０．８以上、平均相対誤差Ｅが１０％未満という基準を用いてモデルの計算精度を評価し、高い適合精度と低い誤差のモデルを得る；決定係数Ｒ
２
と平均相対誤差Ｅの表現式は以下の通りです：
TIFF
2025106783000031.tif
42
166
TIFF
2025106783000032.tif
18
166
Ｒ
２
が１に近づくほど、モデルの適合精度が高くなり、Ｅが０に近づくほど、モデルの予測生産能力値と実際の生産能力値との誤差が小さくなる
を有する
請求項１に記載のディープニューラルネットワークに基づく天然ガスハイドレートの減圧採掘生産能力予測方法。
【請求項３】
ステップＳ６において、以下の手順：
ステップＳ５でフィッティング精度が高く誤差の少ないモデルを搭載して生産能力予測モジュールを設計し、ガスハイドレート降圧採掘試験データをリアルタイムで取得し、Ｓ２．３で正規化した後のデータフォーマットに従って生産能力予測モジュールに入力して生産能力予測値を得て、リアルタイムで正確なマルチスケールガスハイドレート降圧採掘試験生産能力情報を提供し、さらに現場での応用のためのデータ参照を提供する
を有する
請求項２に記載のディープニューラルネットワークに基づく天然ガスハイドレートの減圧採掘生産能力予測方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、ガスハイドレートの採掘技術の分野に属し、特に、減圧採掘方式によるガスハイドレートの生産能力を予測するための革新的なディープニューラルネットワークに基づく予測方法である。
続きを表示（約 4,100 文字）【背景技術】
【０００２】
天然ガスハイドレートは、高圧・低温条件下で天然ガスと水から形成される氷状の固体化合物である。分布が広く、埋蔵量が豊富で、埋蔵が浅く、エネルギー効率が高く、汚染が低いなど多くの利点があり、ポスト石油時代の最も理想的な代替エネルギーの一つとみなされている。天然ガスハイドレートを採掘する多くの方法で、降圧採掘法及びその改良案は最も潜在力があり、商業化採掘を実現できるルートの一つであると広く認識されている。異なる採掘パラメーターの下降圧で採掘する生産能力の状況を深く理解することは、採掘戦略を調整し、ハイドレート資源の潜在力を十分に掘り起こすのに役立つ。そのため、生産能力を正確に予測することは、採掘プロセスの最適化と効率の向上にとって極めて重要な役割を果たしている。
【０００３】
ただし、天然ガスハイドレートの現場採掘プロジェクトは通常、長時間の準備を必要とし、コストが高く、リスクが大きいため、現在行われている現場試験は比較的限られており、大部分の研究作業は室内試験に依存して行わざるを得ない。また、屋内採掘試験データの多様性と複雑性により、従来の分析方法では法則を捉えたり、生産能力を正確に予測したりすることが困難になっていた。同時に、採掘パラメーターと降圧採掘生産能力の間の複雑な非線形関係も既存の予測方法の正確性と適用性を制限し、経験式に基づく簡単な線形回帰でも物理モデルに基づく複雑な計算方法でも、一定の制限性が存在する。
高度な機械学習技術であるディープニューラルネットワークは、複雑なデータや非線形な関係を扱う上で明らかな優位性を示している。その中心的な優位性は、多層ニューロンネットワークを構築することで、データ中の複雑な特徴を自動的に学習・抽出できることにある。そのため、現在、高効率かつスマートな天然ガスハイドレート降圧採掘の生産能力予測方法が急務となっている。本発明は、従来の予測方法と比較して、生産能力と様々な採掘パラメータとの複雑な関係をより深く理解し、予測の精度を大幅に向上させるディープニューラルネットワークに基づく予測方法を提案する。同時に、特徴を自動的に学習する能力を備えているため、この方法はさまざまな異なる天然ガスハイドレート採掘環境により良く適応することができ、複雑な人為的パラメーター入力と計算に依存する必要がない。
【発明の概要】
【発明が解決しようとする課題】
【０００４】
従来の天然ガスハイドレート減圧採掘の生産能力予測方法の精度と適応性の不足に対処するため、本発明は深度ニューラルネットワークに基づく革新的な予測方法を提案した。この方法は異なる状況下の多尺度天然ガスハイドレート降圧採掘試験に対して、生産能力の精確な予測を実現することができる。これは、我々が採掘戦略を調整し、採掘プロセスを最適化し、採掘効率を大幅に向上させるのに役立つ。
【課題を解決するための手段】
【０００５】
上述の目標を達成するために、本発明が採用した技術方案は以下の通りである：ディープニューラルネットワークによる天然ガスハイドレート降圧採掘能力予測方法を提案した。この方法の核心は５層深度のニューラルネットワークモデルを構築し、既存のマルチスケール天然ガスハイドレート降圧採掘試験データを利用して、モデルに対して訓練、最適化、テストと評価を行うことにある。さらに、このモデルに基づいて生産能力予測モジュールを開発し、様々な異なる条件でのマルチスケール天然ガスハイドレート降圧採掘試験の生産能力の精確な予測を実現した。このプロセスは採掘戦略の調整、採掘プロセスの最適化に役立つだけでなく、採掘効率を効果的に高めることができる。具体的な実装手順には、次のものが含む：
Ｓ１：マルチスケール天然ガス水和物降圧採掘試験データを収集し、これらの試験データは離散型特徴と連続型特徴をカバーし、そのうち離散型特徴は試料スケール情報と採掘井筒情報を含み、連続型特徴は採掘パラメータと生産能力データを含む。
Ｓ２：試験データの前処理。
Ｓ３：１つの入力層、３つの隠し層、１つの出力層を含むディープニューラルネットワークモデルを構築する。
Ｓ４：マルチスケールで異なる採掘パラメーターの降圧採掘試験データを利用し、ディープニューラルネットワークモデルを訓練して試験データ中の複雑なモードと非線形関係を正確に捕捉し、そして逆伝播アルゴリズムを通じてネットワークパラメーターを最適化する。
Ｓ５：決定係数と平均相対誤差の２つのパラメータを利用してモデルの計算精度を評価し、それによって精度が高く誤差が小さい生産能力予測モデルを得る。
Ｓ６：生産能力予測モデルを搭載して生産能力予測モジュールを設計し、生産能力予測モジュールを利用して異なる尺度と採掘パラメータにおける天然ガスハイドレート降圧採掘試験の生産能力を予測する。
さらに、ステップＳ１において、前記試料スケール情報は、１次元、２次元及び３次元の３スケール試料スケール情報を含む、前記採掘井情報は、水平井、垂直井、水平井＋垂直井の採掘井情報を含む、採掘パラメータは、試料体積、細孔度、ガスハイドレート飽和度、採掘前圧力、採掘後圧力、採掘初期温度、および降圧速度を含む、生産能力データには、累積ガス生産量および平均ガス生産速度が含む。
さらに、ステップＳ２のデータ前処理の方法は、以下のとおりである：
Ｓ２．１：収集したデータを洗浄し、潜在的な異常値とノイズを除去し、規範的な試験データを得る。
Ｓ２．２：各採掘パラメータの５％を浮動範囲とし、試験サンプル数を拡張して層化無作為抽出法を用いてサンプリングを行い、サンプリング総数をＮとする。
Ｓ２．３：試験データに対して正規化処理を行い、９種類の特徴を得て、正規化されたデータセットを訓練セット、検証セット、テストセットに分ける。
Ｓ２．４：正規化されたデータセットを分割割合に応じて７０％訓練セット、１５％検証セット、１５％テストセットに分割する。
さらに：ステップ２．３におけるテストデータ正規化処理方法は、以下のとおりである：
Ｓ２．３．１：離散型素性に対して、試料スケール情報と採掘井戸情報を独自熱コードを用いて形式的に正規化する：
試料スケール情報：１次元＝（１，０，０）、２次元＝（０，１，０）、３次元＝（０，０，１）；
採掘井情報：水平井＝（１，０，０）、垂直井＝（０，１，０）、水平井＋垂直井＝（０，０，１）；
Ｓ２．３．２：連続型フィーチャの場合、採掘パラメータのデータを［０，１］の範囲にスケーリングする方法で正規化処理を行う。式は次のとおりである：
【０００６】
TIFF
2025106783000002.tif
26
166
【０００７】
ここで、ｘはステップＳ１における７種類の採掘パラメータ、ｍｉｎ（ｘ）はステップＳ２．２で抽出された全ての試験サンプルにおける対応する採掘パラメータの最小値、ｍａｘ（ｘ）はステップＳ２．２で抽出された全ての試験サンプルにおける対応する採掘パラメータの最大値、ｘｎは正規化された値である。
さらに、ステップＳ３は、具体的には以下のステップを含む：
Ｓ３．１：入力層１つ、隠し層３つ、出力層１つを含む５層ディープニューラルネットワークモデルを構築する。
Ｓ３．２：入力層ノードの個数は９個であり、それぞれ試料スケール情報、採掘井戸情報および７つの採掘パラメータの計９種類の特徴に完全対応する。
Ｓ３．３：出力層のノードは２つであり、それぞれステップＳ１の２種類の生産能力データに対応する。
Ｓ３．４：ディープニューラルネットワークモデルにおける隠れ層１つあたりのノード数を６０とする。
さらに、ステップＳ４は、具体的には以下のステップを含む：
Ｓ４．１：モデルの偏差をゼロに初期化し、正規分布を用いてモデルの重みをランダムに初期化し、式は次のとおりである：
Ｗ～Ｎ（０，０．０１２）
数式では、Ｗは重み行列であり、Ｎ（０，０．０１２）は平均値が０、標準偏差が０．０１の正規分布である。
Ｓ４．２：アクティベーション関数としてＬｅａｋｙＲｅＬＵを選択する。式は次のとおりである：
【０００８】
TIFF
2025106783000003.tif
10
166
数式では、αは小さい正の数であり、０．０１であり、Ｘ
ｉ
ステップＳ２．３における９種類の素性である。
Ｓ４．３：ＭＳＥを損失関数として使用し、ステップＳ２．４の訓練セットを使用して得られた生産能力予測値と実績値との差の平方を測定する。式は次のとおりである：
【０００９】
TIFF
2025106783000004.tif
23
166
TIFF
2025106783000005.tif
29
166
Ｓ４．４：連鎖式の法則を利用して、出力層から始めて、モデルパラメータの重みと偏差に対する損失の勾配を逆計算して、そしてバッチ勾配降下の最適化アルゴリズムを使ってパラメータの更新を実現して、式は次のようになる：
【００１０】
TIFF
2025106783000006.tif
35
166
TIFF
2025106783000007.tif
29
166
（【００１１】以降は省略されています）

関連特許