特許 7629242 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

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2025-02-04

(45)【発行日】2025-02-13

(54)【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

(51)【国際特許分類】

   G06N 3/09 20230101AFI20250205BHJP

   E21B 43/00 20060101ALI20250205BHJP

【ＦＩ】

G06N3/09

E21B43/00 A

【請求項の数】 3

(21)【出願番号】P 2024134872

(22)【出願日】2024-08-13

【審査請求日】2024-08-13

(31)【優先権主張番号】2024100081977

(32)【優先日】2024-01-04

(33)【優先権主張国・地域又は機関】CN

【早期審査対象出願】

(73)【特許権者】

【識別番号】518411338

【氏名又は名称】山東科技大学

(74)【代理人】

【識別番号】100130111

【弁理士】

【氏名又は名称】新保 斉

(72)【発明者】

【氏名】欒 恒杰

(72)【発明者】

【氏名】史 一辰

(72)【発明者】

【氏名】蒋 宇静

(72)【発明者】

【氏名】顔 鵬

(72)【発明者】

【氏名】劉 建康

(72)【発明者】

【氏名】王 長盛

(72)【発明者】

【氏名】程 先振

(72)【発明者】

【氏名】劉 明康

(72)【発明者】

【氏名】馬 先壮

(72)【発明者】

【氏名】杜 暁宇

【審査官】大倉 崚吾

(56)【参考文献】

【文献】特表２０２３－５１８８６２（ＪＰ，Ａ）

【文献】中国特許出願公開第１１５３４５０２８（ＣＮ，Ａ）

【文献】中国特許出願公開第１１６４５１１２５（ＣＮ，Ａ）

【文献】中国特許出願公開第１１６９７５６４５（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００－９９／００

Ｇ０６Ｑ ５０／０４

Ｅ２１Ｂ ４３／００－４３／４０

(57)【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情報をワンホット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：

【数1】

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、ｍ
ａｘ（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；
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：

【数2】

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Ｌｅａｋｙ ＲｅＬＵを選択する、式は次のとおりである：

【数3】

数式では、αは０．０１であり、Ｘｉ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：

【数4】

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：

【数5】

数式では、▽_θJ(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：

【数6】

式中、ＪＬ２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、Σi∥ωi∥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。

【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：

【数7】

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。

【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】

【数1】

【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Ｌｅａｋｙ ＲｅＬＵを選択する。式は次のとおりである：

【0008】

【数2】

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】

【数3】

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】

【数4】

【0011】

【数5】

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～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。
さらに、ステップＳ５の詳細なステップは、以下のとおりである：
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発見のデータ上での汎化性能を評価し、そして決定係数Ｒ２が０．８以上と平均相対誤差Ｅが１０％未満をモデル計算精度の評価基準とし、それによって適合精度が高く誤差が小さい生産能力予測モデルを得て、決定係数Ｒ２と平均相対誤差Ｅの両方の式はそれぞれ次のようになる：

【0012】

【数6】

Ｒ２が１に近いほどモデルの適合精度が高いことを示し、Ｅが０に近いほどモデルの予測生産能力値と実際の生産能力値の誤差が小さいことを示す。

【0013】

さらに、ステップＳ６の詳細な手順は、以下のとおりである：
ステップＳ５でフィッティング精度が高く誤差の少ない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、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で正規化されたデータフォーマットに従って試験データを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ることにより、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にデータ参照を提供する。

【発明の効果】

【0014】

上述したすべての技術的態様との関連で、本発明の有益な効果は、以下のものを含む：
（１）本発明により提供された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降圧採掘の生産能力予測方法は、従来の天然ガスハイドレート降圧採掘試験に必要だった大量の人的・物的力を大幅に削減し、またディープラーニングモデルの自動学習とパターン認識能力により、実験室作業とデータ分析の負担を効果的に軽減し、研究者により効率的な実験手段を提供する。
（２）天然ガスハイドレート減圧採掘のディープニューラルネットワークに基づく減圧採掘の生産能力予測方法は、減圧採掘プロジェクトに最適な採掘戦略の支援を提供し、モデルの汎化能力とリアルタイム性により生産能力予測情報を即時に取得することができ、それにより減圧採掘操作を調整、最適化し、生産効率を向上させ、コストを削減することができる。
（３）本発明により提供された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降圧採掘の生産能力予測方法は、従来の方法に比べ、より高い予測精度を持ち、かつモデルが天然ガスハイドレート降圧採掘試験における複雑な関係をより良く捉えることができ、降圧採掘プロジェクトにより信頼性の高い生産能力予測支援を提供し、科学的な意思決定と資源計画に役立つ。

【図面の簡単な説明】

【0015】

【図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減圧採掘の生産能力予測方法のフローチャートである。

【図2】本発明の実施形態が提供するディープニューラルネットワークに基づくガスハイドレート降圧採掘試験の部分的な累積ガス生産量予測値と実際値との比較図である。

【図3】本発明の実施形態が提供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降圧採掘試験における部分平均ガス発生率予測値と実際値との比較グラフである。

【発明を実施するための形態】

【0016】

以下では、本発明の利点および特徴が当業者に理解されやすくなり、本発明の保護範囲がより明確かつ明確に定義されるように、本発明の実施形態の構築プロセスを添付図面に関連して詳細に説明する。
図１に示すように、本発明は、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降圧採掘の生産能力予測方法の実施例であって、この工学的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収集し、前処理を行う、１つの入力層、３つの隠蔽層、および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。３種類の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通じて、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、決定係数と平均相対誤差の２つのパラメータを用いてモデルの計算精度を評価する；生産能力予測モジュールを設計し、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。この方法の主な手順は次のとおりである：

Ｓ２：データの前処理
Ｓ２．１：収集したデータをクリーニングし、潜在的な異常値とノイズを除去し、標準的な試験データを取得し、試験操作などによるデータ変動を誤差許容範囲内でデータをマージしたものを表１に示す。

【0017】

【表1】

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、計１０４９７６組の試験サンプルを得て、そして層化無作為サンプリング法を採用してサンプリングを行い、サンプリング総数は３２００である；
Ｓ２．３：データ正規化
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：

【0018】

【数7】

ここで、ｘはステップＳ１の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中の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中の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。
７種類の採掘パラメータの正規化処理の結果。具体的には次のとおりである：

【0019】

【数8】

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２２４０サンプル、１５％検証セット４８０サンプル、１５％テストセット４８０サンプルに分割した。
Ｓ３：ディープニューラルネットワークモデル作成
Ｓ３．１：１つの入力層、３つの隠し層、１つの出力層を含む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：入力層ノードの数は９個であり、それぞれステップＳ２．３における９種類の特徴、すなわちテストスケール情報、採掘井情報および７つの採掘パラメータ特徴と１対１に対応する。
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：ディープニューラルネットワークモデルのトレーニングと最適化
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する。式は次の通り：
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Ｌｅａｋｙ ＲｅＬＵを選択する。式は次のとおりである：

【0020】

【数9】

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：

【0021】

【数10】

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：

【0022】

【数11】

数式では、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は学習率を表し、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：

【0023】

【数12】

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し、最終的な学習率を０．００１、正則化強度を０．０１とする。
Ｓ４．７：ステップＳ４．３～Ｓ４．６を繰り返し、何度も繰り返して、モデルのパラメータを最適化して、モデルが満足な性能に達する。
Ｓ５：ディープニューラルネットワークモデルのテストと評価
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見慣れないデータ上での汎化性能を評価し、決定係数Ｒ２が０．８以上であることと平均相対誤差Ｅが１０％未満であることをモデル計算精度の評価基準とし、両者の式はそれぞれ次のようになる：

【0024】

【数13】

Ｒ２が１に近いほどモデルの適合精度が高いことを示し、Ｅが０に近いほどモデルの予測生産能力値と実際の生産能力値の誤差が小さいことを示す。計算の結果、モデルの決定係数Ｒ２は０．８４であり、平均相対誤差Ｅは８．１％であり、モデルの精度要求を満たす部分の生産能力予測値と実際値との比較状況をそれぞれ図２と図３に示した。
Ｓ６：生産能力予測
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。

【0025】

もちろん、上述した説明は、本発明を限定するものではなく、本発明の適用範囲も上述した具体例に限定されるものではない。技術分野の専門家によって行われた変更、変形、追加又は置換は、発明の基本原理及び本質の範囲内で、発明の保護範囲の一部とみなされる。

【要約】      （修正有）

【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

【図1】

【図2】

【図3】