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！

龙图腾网获悉中国石油天然气股份有限公司申请的专利一种压裂支撑剂存储调度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：CN120013408B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202311514851.3，技术领域涉及：G06Q10/087；该发明授权一种压裂支撑剂存储调度方法是由张勇;李晓;魏薇;朱义锋;唐乐;刘汀汀设计研发完成，并于2023-11-14向国家知识产权局提交的专利申请。

本一种压裂支撑剂存储调度方法在说明书摘要公布了：本发明公开了一种压裂支撑剂存储调度方法，构建了使用量预测模型，以压力支撑剂的历史使用记录为基础，进行使用量的预测，并将预测结果提供给仓储工作人员，以辅助仓储工作人员进行补货，能够有效地降低对仓储工作人员的要求，并且还可以以压裂支撑剂的使用影响因素作为识别因子，从而实现更准确地需求预测，同时可以接收实时仓储调度信息，并控制仓储机器人进行智能调度，能够有效提高仓储调度效率，相比于现有技术的人工调度来说，能够节约大量时间。

本发明授权一种压裂支撑剂存储调度方法在权利要求书中公布了：1.一种压裂支撑剂存储调度方法，其特征在于，包括： 采用神经网络模型构建压裂支撑剂对应的使用量预测模型，并采用混沌映射机制对使用量预测模型的网络参数进行初始化，得到网络参数个体，所述网络参数包括神经网络模型的权重参数以及阈值参数； 获取每个网络参数个体对应的适应度值，并将适应度值最大的网络参数个体作为领导者，将剩余的网络参数个体按照预设的比例划分为探索者以及跟随者； 采用邻域搜索算法对领导者进行更新，得到更新后的领导者；采用协同搜索算法对探索者进行更新，得到更新后的探索者；以所述领导者以及探索者为基础，采用自适应搜索算法对跟随者进行更新，得到更新后的跟随者； 从更新后的领导者、更新后的探索者以及更新后的跟随者中选出适应度值最大的目标网络参数个体，将目标网络参数个体作为全局最优值； 重复对领导者、探索者以及跟随者的更新，直至到达最大训练次数，将全局最优值作为使用量预测模型的最终网络参数，得到训练完成的使用量预测模型；在训练过程中，每过一个训练周期，则重新划分领导者、探索者以及跟随者；每个训练周期包括多个训练过程； 采集每个目标用户对应的压力支撑剂的历史使用记录，并采用训练完成的使用量预测模型对历史使用记录进行识别，得到每个目标用户对应的预测使用量，将每个目标用户对应的预测使用量发送至仓储工作人员对应的工作终端中，以辅助仓储工作人员进行补货； 将每个目标用户对应的预测使用量发送至仓储工作人员对应的工作终端之后，获取工作终端所传输的实时仓储调度信息，所述实时仓储调度信息包括压裂支撑剂的类型以及数量； 根据实时仓储调度信息以及当前仓储信息，规划仓储机器人的取货路线，并控制仓储机器人按既定的取货路线进行取货，完成压裂支撑剂存储调度，提高仓储效率；所述当前仓储信息包括仓储压裂支撑剂的类型、数量以及货架号； 采用邻域搜索算法对领导者进行更新，得到更新后的领导者，包括： 获取领导者在历史训练过程中的历史最优值以及当前更新过程中的全局最优值，并获取领导者对应的历史最优值减去当前更新过程中的全局最优值的第一目标向量； 获取第一目标向量的范数，并采用按正态分布N0,1产生的随机数α对第一目标向量的范数进行衰减，得到第一系数； 将当前更新过程中的全局最优值乘以第一系数之后，得到第一更新值； 将第一更新值与当前更新过程中的全局最优值相加，得到更新后的领导者； 采用协同搜索算法对探索者进行更新，得到更新后的探索者，包括： 获取所有探索者在历史训练过程中的历史最优值； 从所有探索者中随机挑选一个探索者，得到目标探索者； 在除目标探索者之外的所有探索者中随机挑选一个探索者，得到目标探索者对应的协同者，并确定协同者对应的历史最优值； 获取目标探索者的历史最优值与协同者对应的历史最优值之间的均值，得到均值向量； 以当前训练次数为基础，获取步长因子，并采用按正态分布N0,1产生的随机数α对步长因子进行衰减，得到第二系数； 将均值向量乘以第二系数之后，得到第二更新值，并将均值向量与第二更新值相加，得到更新后的目标探索者； 遍历所有的探索者，获取更新后的探索者； 以所述领导者以及探索者为基础，采用自适应搜索算法对跟随者进行更新，得到更新后的跟随者，包括： 获取领导者的反向学习个体； 确定第一决策区间0,0.33]、第二决策区间0.33,0.66]以及第三决策区间0.66,1，并为每个跟随者随机生成0,1之间的决策因子； 当决策因子位于第一决策区间中时，以所述领导者为基础，对跟随者进行引导更新，得到更新后的跟随者； 当决策因子位于第二决策区间中时，为跟随者随机确定一个探索者，并以确定的探索者为基础，对跟随者进行引导更新，得到更新后的跟随者； 当决策因子位于第三决策区间中时，以所述反向学习个体为基础，对跟随者进行引导更新，得到更新后的跟随者； 当决策因子位于第一决策区间中时，以所述领导者为基础，对跟随者进行引导更新，得到更新后的跟随者为： 当决策因子位于第一决策区间中时，采用全局最优值减去跟随者的历史最优值，得到第二目标向量； 获取第二目标向量的范数，采用第二目标向量的范数除以网络参数的区间长度，得到第三系数；其中，区间长度用于表征网络参数的上限减去下限； 以前两次训练过程中跟随者的适应度为基础，确定第四系数； 根据所述第三系数以及第四系数，获取跟随者的第一更新步长因子； 采用按正态分布N0,1产生的随机数对跟随者的第一更新步长因子进行衰减，得到第五系数； 将全局最优值与跟随者的历史最优值的平均值乘以第五系数，得到跟随者对应的第三更新值； 将全局最优值与跟随者的历史最优值的平均值与第三更新值相加，得到更新后的跟随者； 当决策因子位于第二决策区间中时，为跟随者随机确定一个探索者，并以确定的探索者为基础，对跟随者进行引导更新，得到更新后的跟随者为： 当决策因子位于第二决策区间中时，采用确定的探索者对应的历史最优值减去跟随者的历史最优值，得到第三目标向量； 获取第三目标向量的范数，并采用第三目标向量的范数除以网络参数的区间长度，得到第六系数；其中，区间长度用于表征网络参数的上限减去下限； 以前两次训练过程中跟随者的适应度为基础，确定第七系数； 根据所述第六系数以及第七系数，获取跟随者的第二更新步长因子； 采用按正态分布0,1产生的随机数对跟随者的第二更新步长因子进行衰减，得到第八系数； 将确定的探索者对应的历史最优值与跟随者的历史最优值的平均值乘以第八系数，得到跟随者对应的第四更新值； 将确定的探索者对应的历史最优值与跟随者的历史最优值的平均值与第四更新值相加，得到更新后的跟随者； 当决策因子位于第三决策区间中时，以所述反向学习个体为基础，对跟随者进行引导更新，得到更新后的跟随者为： 当决策因子位于第三决策区间中时，采用反向学习个体减去跟随者的历史最优值，得到第四目标向量； 获取第四目标向量的范数，并采用第四目标向量的范数除以网络参数的区间长度，得到第九系数；其中，区间长度用于表征网络参数的上限减去下限； 以前两次训练过程中跟随者的适应度为基础，确定第十系数； 根据所述第九系数以及第十系数，获取跟随者的第三更新步长因子； 采用按正态分布N0,1产生的随机数α对跟随者的第三更新步长因子进行衰减，得到第十一系数； 将反向学习个体与跟随者的历史最优值的平均值乘以第十一系数，得到跟随者对应的第五更新值； 将反向学习个体与跟随者的历史最优值的平均值与第五更新值相加，得到更新后的跟随者。

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中国石油天然气股份有限公司，其通讯地址为：100007 北京市东城区东直门北大街9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。