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！

龙图腾网获悉北京科技大学申请的专利一种粒子群优化CNN预测页岩油产能的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：CN115146849B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202210767768.6，技术领域涉及：G06Q10/04；该发明授权一种粒子群优化CNN预测页岩油产能的方法是由岳明;宋田茹;朱维耀;王鸣川;宋洪庆;王九龙设计研发完成，并于2022-06-30向国家知识产权局提交的专利申请。

本一种粒子群优化CNN预测页岩油产能的方法在说明书摘要公布了：本公开提供了一种模型训练方法及装置、页岩油产能预测方法及装置。其中，模型训练方法包括：构建页岩油产能数学模型，页岩油产能数学模型用于表征特征参数与目标参数之间的关系；基于页岩油产能数学模型，获取多组相对应的特征参数与目标参数，作为模型训练数据；建立用于预测页岩油产能的卷积神经网络模型，并采用粒子群算法获得卷积神经网络模型的最优权值和最优偏差值；基于模型训练数据对卷积神经网络模型进行训练，得到页岩油产能预测模型。所述页岩油产能预测方法利用上述页岩油产能预测模型实现页岩油产能预测。

本发明授权一种粒子群优化CNN预测页岩油产能的方法在权利要求书中公布了：1.一种模型训练方法，其特征在于，用于训练页岩油产能预测模型，所述模型训练方法包括： 构建页岩油产能数学模型，所述页岩油产能数学模型用于表征特征参数与目标参数之间的关系；其中，特征参数包括油层厚度、裂缝半长、基质渗透率、生产压差、含油饱和度、水平井长度、裂缝导流能力、原油粘度、入地液量和簇数，目标参数包括产量； 基于所述页岩油产能数学模型，获取多组相对应的特征参数与目标参数，作为模型训练数据； 建立用于预测页岩油产能的卷积神经网络模型，并采用粒子群算法获得所述卷积神经网络模型的最优权值和最优偏差值； 基于所述模型训练数据对所述卷积神经网络模型进行训练，得到页岩油产能预测模型； 其中，所述页岩油产能数学模型包括质量守恒方程、运动方程、状态方程和辅助方程； 所述质量守恒方程： 式中：为渗流速度，单位为；为孔隙度；为流体密度，单位为；为生产时间，单位为；代表油相；代表水相；为饱和度； 所述运动方程包括主裂缝内流体的运动方程和基质-缝网区的流体运动方程； 主裂缝区渗流遵循两相达西定律，考虑裂缝的强应力敏感性及裂缝存在的相对渗透率特征，其运动方程为： 其边界条件为： ， 式中：q为主裂缝的流量，也即产量或产能；为裂缝宽度；h为油藏厚度；为井筒半径；为裂缝半长；为供给压力；为井底压力；μ为流体粘度；为压力；为裂缝渗透率，单位为；xf为裂缝半长；pf为裂缝内流体压力； 基质-缝网区渗流为考虑拟启动压力梯度、基质-裂缝区强应力敏感性及油水两相渗流特征的非线性渗流特征，其运动方程为： 其边界条件为： ， 其中， 式中：为压力；为裂缝渗透率，单位为；为相的相对渗透率；为相的饱和度值；为压力梯度，单位为；为相的粘度，单位为；为相的启动压力梯度，单位为；为基质区渗透率，单位为；为裂缝簇数；为供给压力；μl为相的粘度；wf为裂缝宽度；kmf为基质-缝网区渗透率；bm为单个压裂段基质-缝网区的宽度； 另外，bm×nc可以表示水平井的长度； 状态方程：考虑岩石流体微可压缩，孔隙度和流体密度受岩石、流体压缩系数影响，具体表征如下： 辅助方程：渗流过程为油水两相，考虑毛细管压力的作用，有： 式中：为毛细管压力，。

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北京科技大学，其通讯地址为：100083 北京市海淀区学院路30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。