基于遗传算法的最小二乘支持向量机预测凝析气藏露点压力

露点压力的准确预测对保障凝析气藏的高效开发至关重要.近年来,数据挖掘、人工智能等大数据技术逐渐成为研究热点,其对复杂的非线性回归与分类问题有良好的解决策略.基于优化算法和机器学习,提出了一种将遗传算法(GA)与最小二乘支持向量机(LSSVM)相结合的露点压力预测模型(GA-LSSVM模型),并利用误差反向传播(BP)和径向基函数(RBF)人工神经网络建立了相应的露点压力模型,然后进行模型精度对比.在皮尔逊关联性分析基础上,上述模型均选取气藏温度、(N2+CO2、C1、C2～C6、C7+)摩尔分数、C7+相对分子质量、C7+相对密度和气油比作为自变量.采用公开发表的34个露点压力数据进行参数优化,得到了GA-LSSVM、BP和RBF模型的最优参数,并对15组实测露点压力数据进行预测.结果表明:GA-LSSVM模型预测精度明显高于BP、RBF神经网络模型,具有良好的预测能力,GA-LSSVM模型的平均绝对相对误差(AARD)仅为3.02％,其中最大绝对相对误差(ARD)为16.64％,最小ARD为0.05％,BP和RBF神经网络模型的AARD分别为6.46％、10.54％.最后,根据Leverage方法,进行了所有数据的异常点检测.研究为凝析气藏露点压力预测提供了一种有效方法.