基于机器学习的深海能源土降压开采沉降预测

2024-01-05靳继凯张艺博赵春晖

工业技术与职业教育 2023年6期

靳继凯，温欣、2、3，张艺博，赵春晖

（1.华北理工大学，河北唐山 063210 ；2. 唐山工业职业技术学院，河北唐山 063299 ；3.岩土工程防灾减灾应用技术协同创新中心，河北唐山 063299）

0 引言

深海能源土是指含天然气水合物的土体，含水合物的深海土体被称为深海能源土。天然气水合物以胶结形式广泛赋存于深海能源土中，它是一种由天然气和水在高压低温条件下形成的类冰状笼形结晶物质[1]，其广泛储存于深海和陆地永冻土地区，作为一种新型战略性石油替代能源，具有巨大商业开发价值，因此被称为人类社会的又一次能源革命[2-3]。我国在南海神狐海域成功采取到天然气水合物，这标志着我国成为目前世界上少数几个成功采取到天然气水合物的国家之一[4]。但是由于开采过程中温度、压强变化导致天然气水合物不断分解，深海海床的孔隙水压力也会随之发生变化，进而增加由于海床沉降造成的海底滑坡等海洋灾害风险。因此，作为深海天然气水合物高效开采的重要环节，借助机器学习方法对深海能源土实现精准沉降预测，降低海洋灾害风险具有重要意义。

深海能源土主要的开采方法包括注热法、降压法和化学抑制法[5]。其中降压法在开采量和开采效率上都优于其他两种开采方法，当前应用较多，其原理是将天然气水合物储层压力降低到海床表层平衡压力之下，进而破坏天然气水合物的稳定性。国内外学者对天然气水合物降压开采时海床沉降预测进行了大量研究，如杨阳利用有限差分法对降压开采天然气水合物时，天然气水合物堆积层的强度进行数值模拟计算，模拟深海地层的变形，结果表明天然气水合物降压开采时海床沉降主要是排水固结沉降[6]。Jiawang Che 等对天然气水合物矿区沉陷监测数据同步采集方法研究，提出控制器局域网总线相对时间同步的方法来实现系统内部时间一致，利用崩塌模拟试验验证该方法的可行性[7]。公彬等利用有限差分软件FLAC3D，模拟耦合条件下降压开采时海底的沉降，结果表明距离开采井一定范围内的区域是开采引起沉降的主要区域[8]。为了防止天然气水合物降压开采导致海床沉降量过大的风险，本文以天然气水合物降压开采沉降预测为研究对象，提出了一种基于主参数优化的长短时记忆网络方法，建立主参数优化的深海能源土沉降时序预测模型，预测深海能源土降压开采时海床沉降量，同南海神狐海域降压开采天然气水合物海床沉降观测数据进行了比较。

1 基于机器学习的深海能源土沉降预测方法

1.1 长短时记忆网络算法概念

长短时记忆网络（Long-Short Term Memory Network,LSTM）作为机器学习算法的一个重要分支，该方法在全连接神经网络的基础上，引入了时间序列，可以更好地处理时间序列相关问题，因此被广泛运用于沉降预测领域。

LSTM 神经网络的关键在于用“门”控制单元代替神经元，能够选择性地“记住”和“忘记”长时间序列中的信息，通过“门”控制单元的逻辑控制决定数据是否更新或是选择丢弃。LSTM“门”结构的长序列问题中可以避免发生权重矩阵的影响数目过大、容易产生梯度爆炸和消失等缺陷，对于这些问题能够很有效减缓，能够使网络可以更好、更快地收敛，有效提高预测精度[9]。而且，LSTM 可以有效捕获长序列之间的语义相关性，使得构建的模型预测不确定非线性的预测结果更准确。

1.2 基于主参数优化的LSTM 深海能源土沉降预测方法原理

LSTM 单序列的数据特征由于不能考虑深海能源土降压开采时海床沉降出现的不确定动态特性，主要体现为两方面的局限性：一方面，天然气水合物在降压开采过程中会不断分解，在孔隙水压力的作用下，孔隙水从开采井中排出，导致深海地层发生排水固结沉降，影响深海地层的稳定性；另一方面，天然气水合物降压开采过程中的温度因素会对海底沉降产生不利作用，随着开采温度的升高，海床沉降量会不断增大，加速海床沉降。

基于上述原因提出一种基于主参数优化的LSTM 算法，算法模型结构图如图1 所示。其中主参数优化的LSTM 算法的输入为Ct-1、ht-1、Xt，输出为Ct和ht。Ct-1和ht-1分别为上一时间序列步的记忆细胞和隐藏单元；Xt为当前时间序列步的输入，Kt为当前时间序列步的优化参数，Ct和ht分别为当前时间序列步的记忆细胞和隐藏单元。主参数优化的LSTM 机器学习中隐含层包括输入门（It）、输出门（Ot）、遗忘门（Ft）和记忆单元（Ct）。其中，遗忘门用于确定前一记忆单元中信息的遗忘比例；输入门用于确定输入到存储单元的当前信息的比例；输出门用于确定信息输入到隐含层的比例。模型中的输入门、输出门、和遗忘门控制网络信息在各个长期记忆单元间流动。图1 中的遗忘门选择性地删除上一时间序列步记忆细胞Ct-1中的信息，输入门则通过候选记忆细胞C～t选择性地将当前时间序列步的输入Xt和优化参数Kt添加到当前序列时间步的记忆细胞Ct中，由输出门控制输出当前时间序列步的记忆细胞中的一些信息到隐藏单元ht中。

图1 主参数优化的LSTM 模型结构

输入门、输出门和遗忘门计算公式如下所示：

式中，σ 为sigmoid 激活函数；tanh 为双曲正切激活函数；Wxi、Wxc、Wxf、Wxo分别为输入层到输入门、输出门、遗忘门和记忆单元层的权重矩阵；Whi、Whc、Whf、Who分别为隐含层到输入门、输出门、遗忘门和记忆单元层的权重矩阵；bi、bc、bf、bo分别为输入门、输出门、遗忘门和记忆单元层的偏置向量。

1.3 基于主参数优化的LSTM 深海能源土沉降预测模型构建

基于前述主参数优化的LSTM 方法预测原理，建立深海能源土沉降预测模型，模型主要的步骤为：数据准备与处理、模型构建、训练模型和输出结果。模型整体的框架如图2 所示，输入层负责对原始海床沉降数据进行预处理，隐含层表示主参数优化的LSTM 算法预测模型，输出层则提供预测结果和验证预测结果准确性。

结合天然气水合物降压开采时深海能源土沉降单变量时序的数据特征，构建了主参数优化的LSTM 算法在天然气水合物降压开采时深海能源土沉降时序预测模型，创建主参数优化的LSTM算法回归网络。设置输入层神经元节点数目为4，隐含层神经元节点数目为10，输出层神经元节点数目为3。构建输入层、主参数优化的LSTM 层和全连接层，设置主参数优化的LSTM 层的隐含单元个数为280，指定训练选项：设置训练周期为1 000 轮训练，求解器的设定为adam。指定初始学习率 0.01，训练梯度阈值设置为1，在达到每125 轮训练后通过乘以因子为0.2 来使学习率降低。

2 基于机器学习的深海能源土沉降预测模型数据收集及处理

中华人民共和国自然资源部中国广州地质调查局对南海神狐海域天然气水合物层进行勘探，勘探区域位于南海北部陆坡中段神狐暗沙东南海域附近，即西沙海槽与东沙群岛之间海域[10]。

南海神狐海域获得样品的站位数据显示，海水深度为1 245 m，海底温度为3.2～3.6℃，天然气水合物层距离海底深度约154～228 m。南海神狐海域天然气水合物层厚度为12～41 m，天然气水合物层的孔隙度为32%～48%。使用降压法对天然气水合物进行开采，测试数据选取神狐海域天然气水合物试采区域，共100 时的沉降监测结果[8]。

天然气水合物降压开采0 时开始持续到100 时，沉降监测100 时的测试数据。将数据的前80% 的监测沉降数据作为主参数优化的LSTM 算法模型训练样本，后20% 的监测沉降数据作为验证样本，根据100 组沉降数据预测未来20 时的沉降量。主参数优化的LSTM 算法模型预测天然气水合物降压开采时100 组沉降数据，根据100 组数据进行验证及分析。

3 基于机器学习的深海能源土沉降预测模型结果验证

本文以100 组实际监测沉降数据为基础，将每组数据前80% 作为训练集数据，后20% 作为测试集数据。前80 时的沉降量作为训练集数据，后20 时的作为预测集数据。主参数优化的LSTM 算法模型沉降预测值与实际监测值拟合对比（图3），选取80 至100 组数据验证，验证结果显示主参数优化的LSTM 算法预测曲线与监测曲线拟合程度较高，说明主参数优化的LSTM 算法神经网络对天然气水合物降压开采过程中海床沉降预测能力强，预测结果与实际监测沉降量误差小。

图3 预测模型拟合对比

主参数优化的LSTM 算法模型根据100 组数据为基础，模型预测未来20 时的沉降量，如图4所示。利用主参数优化的LSTM 机器学习方法不仅能验证预测数据的有效性，还能凭借历史监测数据的训练，预测未来的监测数据，这是主参数优化的LSTM 算法模型相对于其他传统模型具有的独特性。

图4 模型预测未来20 时沉降值

主参数优化的LSTM 算法模型训练参数结果如表1 所示，初始学习率为0.01，在125 轮训练后通过乘以因子0.2 来降低学习率，训练结束时学习率为0.000 225。

表1 主参数优化的LSTM 算法模型训练参数结果

主参数优化的LSTM 算法神经网络在天然气水合物降压开采时海床沉降预测中的误差表现，本文采用均方根误差（RSME）来作为模型预测效果的评估指标。模型在训练时均方根误差值随迭代次数增加而减少，在模型训练停止前，均方根误差值已稳定接近0，说明模型在训练时预测数据和真实数据之间误差逐渐缩小，从预测数据和监测真实数据对比来看，呈现的分析结果精度较高。说明主参数优化的LSTM 算法神经网络在预测天然气水合物降压开采时海床沉降具有很好的预测效果。