基于機(jī)器學(xué)習(xí)的深海能源土降壓開(kāi)采沉降預(yù)測(cè)

靳繼凱，溫 欣、2、3，張藝博，趙春暉

（1.華北理工大學(xué)，河北 唐山 063210 ；2. 唐山工業(yè)職業(yè)技術(shù)學(xué)院，河北 唐山 063299 ；3.巖土工程防災(zāi)減災(zāi)應(yīng)用技術(shù)協(xié)同創(chuàng)新中心，河北 唐山 063299）

0 引言

深海能源土是指含天然氣水合物的土體，含水合物的深海土體被稱為深海能源土。天然氣水合物以膠結(jié)形式廣泛賦存于深海能源土中，它是一種由天然氣和水在高壓低溫條件下形成的類冰狀籠形結(jié)晶物質(zhì)[1]，其廣泛儲(chǔ)存于深海和陸地永凍土地區(qū)，作為一種新型戰(zhàn)略性石油替代能源，具有巨大商業(yè)開(kāi)發(fā)價(jià)值，因此被稱為人類社會(huì)的又一次能源革命[2-3]。我國(guó)在南海神狐海域成功采取到天然氣水合物，這標(biāo)志著我國(guó)成為目前世界上少數(shù)幾個(gè)成功采取到天然氣水合物的國(guó)家之一[4]。但是由于開(kāi)采過(guò)程中溫度、壓強(qiáng)變化導(dǎo)致天然氣水合物不斷分解，深海海床的孔隙水壓力也會(huì)隨之發(fā)生變化，進(jìn)而增加由于海床沉降造成的海底滑坡等海洋災(zāi)害風(fēng)險(xiǎn)。因此，作為深海天然氣水合物高效開(kāi)采的重要環(huán)節(jié)，借助機(jī)器學(xué)習(xí)方法對(duì)深海能源土實(shí)現(xiàn)精準(zhǔn)沉降預(yù)測(cè)，降低海洋災(zāi)害風(fēng)險(xiǎn)具有重要意義。

深海能源土主要的開(kāi)采方法包括注熱法、降壓法和化學(xué)抑制法[5]。其中降壓法在開(kāi)采量和開(kāi)采效率上都優(yōu)于其他兩種開(kāi)采方法，當(dāng)前應(yīng)用較多，其原理是將天然氣水合物儲(chǔ)層壓力降低到海床表層平衡壓力之下，進(jìn)而破壞天然氣水合物的穩(wěn)定性。國(guó)內(nèi)外學(xué)者對(duì)天然氣水合物降壓開(kāi)采時(shí)海床沉降預(yù)測(cè)進(jìn)行了大量研究，如楊陽(yáng)利用有限差分法對(duì)降壓開(kāi)采天然氣水合物時(shí)，天然氣水合物堆積層的強(qiáng)度進(jìn)行數(shù)值模擬計(jì)算，模擬深海地層的變形，結(jié)果表明天然氣水合物降壓開(kāi)采時(shí)海床沉降主要是排水固結(jié)沉降[6]。Jiawang Che 等對(duì)天然氣水合物礦區(qū)沉陷監(jiān)測(cè)數(shù)據(jù)同步采集方法研究，提出控制器局域網(wǎng)總線相對(duì)時(shí)間同步的方法來(lái)實(shí)現(xiàn)系統(tǒng)內(nèi)部時(shí)間一致，利用崩塌模擬試驗(yàn)驗(yàn)證該方法的可行性[7]。公彬等利用有限差分軟件FLAC3D，模擬耦合條件下降壓開(kāi)采時(shí)海底的沉降，結(jié)果表明距離開(kāi)采井一定范圍內(nèi)的區(qū)域是開(kāi)采引起沉降的主要區(qū)域[8]。為了防止天然氣水合物降壓開(kāi)采導(dǎo)致海床沉降量過(guò)大的風(fēng)險(xiǎn)，本文以天然氣水合物降壓開(kāi)采沉降預(yù)測(cè)為研究對(duì)象，提出了一種基于主參數(shù)優(yōu)化的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)方法，建立主參數(shù)優(yōu)化的深海能源土沉降時(shí)序預(yù)測(cè)模型，預(yù)測(cè)深海能源土降壓開(kāi)采時(shí)海床沉降量，同南海神狐海域降壓開(kāi)采天然氣水合物海床沉降觀測(cè)數(shù)據(jù)進(jìn)行了比較。

1 基于機(jī)器學(xué)習(xí)的深海能源土沉降預(yù)測(cè)方法

1.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)算法概念

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long-Short Term Memory Network,LSTM）作為機(jī)器學(xué)習(xí)算法的一個(gè)重要分支，該方法在全連接神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入了時(shí)間序列，可以更好地處理時(shí)間序列相關(guān)問(wèn)題，因此被廣泛運(yùn)用于沉降預(yù)測(cè)領(lǐng)域。

LSTM 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于用“門”控制單元代替神經(jīng)元，能夠選擇性地“記住”和“忘記”長(zhǎng)時(shí)間序列中的信息，通過(guò)“門”控制單元的邏輯控制決定數(shù)據(jù)是否更新或是選擇丟棄。LSTM“門”結(jié)構(gòu)的長(zhǎng)序列問(wèn)題中可以避免發(fā)生權(quán)重矩陣的影響數(shù)目過(guò)大、容易產(chǎn)生梯度爆炸和消失等缺陷，對(duì)于這些問(wèn)題能夠很有效減緩，能夠使網(wǎng)絡(luò)可以更好、更快地收斂，有效提高預(yù)測(cè)精度[9]。而且，LSTM 可以有效捕獲長(zhǎng)序列之間的語(yǔ)義相關(guān)性，使得構(gòu)建的模型預(yù)測(cè)不確定非線性的預(yù)測(cè)結(jié)果更準(zhǔn)確。

1.2 基于主參數(shù)優(yōu)化的LSTM 深海能源土沉降預(yù)測(cè)方法原理

LSTM 單序列的數(shù)據(jù)特征由于不能考慮深海能源土降壓開(kāi)采時(shí)海床沉降出現(xiàn)的不確定動(dòng)態(tài)特性，主要體現(xiàn)為兩方面的局限性：一方面，天然氣水合物在降壓開(kāi)采過(guò)程中會(huì)不斷分解，在孔隙水壓力的作用下，孔隙水從開(kāi)采井中排出，導(dǎo)致深海地層發(fā)生排水固結(jié)沉降，影響深海地層的穩(wěn)定性；另一方面，天然氣水合物降壓開(kāi)采過(guò)程中的溫度因素會(huì)對(duì)海底沉降產(chǎn)生不利作用，隨著開(kāi)采溫度的升高，海床沉降量會(huì)不斷增大，加速海床沉降。

基于上述原因提出一種基于主參數(shù)優(yōu)化的LSTM 算法，算法模型結(jié)構(gòu)圖如圖1 所示。其中主參數(shù)優(yōu)化的LSTM 算法的輸入為Ct-1、ht-1、Xt，輸出為Ct和ht。Ct-1和ht-1分別為上一時(shí)間序列步的記憶細(xì)胞和隱藏單元；Xt為當(dāng)前時(shí)間序列步的輸入，Kt為當(dāng)前時(shí)間序列步的優(yōu)化參數(shù)，Ct和ht分別為當(dāng)前時(shí)間序列步的記憶細(xì)胞和隱藏單元。主參數(shù)優(yōu)化的LSTM 機(jī)器學(xué)習(xí)中隱含層包括輸入門（It）、輸出門（Ot）、遺忘門（Ft）和記憶單元（Ct）。其中，遺忘門用于確定前一記憶單元中信息的遺忘比例；輸入門用于確定輸入到存儲(chǔ)單元的當(dāng)前信息的比例；輸出門用于確定信息輸入到隱含層的比例。模型中的輸入門、輸出門、和遺忘門控制網(wǎng)絡(luò)信息在各個(gè)長(zhǎng)期記憶單元間流動(dòng)。圖1 中的遺忘門選擇性地刪除上一時(shí)間序列步記憶細(xì)胞Ct-1中的信息，輸入門則通過(guò)候選記憶細(xì)胞C～t選擇性地將當(dāng)前時(shí)間序列步的輸入Xt和優(yōu)化參數(shù)Kt添加到當(dāng)前序列時(shí)間步的記憶細(xì)胞Ct中，由輸出門控制輸出當(dāng)前時(shí)間序列步的記憶細(xì)胞 中的一些信息到隱藏單元ht中。

圖1 主參數(shù)優(yōu)化的LSTM 模型結(jié)構(gòu)

輸入門、輸出門和遺忘門計(jì)算公式如下所示：

式中，σ 為sigmoid 激活函數(shù)；tanh 為雙曲正切激活函數(shù)；Wxi、Wxc、Wxf、Wxo分別為輸入層到輸入門、輸出門、遺忘門和記憶單元層的權(quán)重矩陣；Whi、Whc、Whf、Who分別為隱含層到輸入門、輸出門、遺忘門和記憶單元層的權(quán)重矩陣；bi、bc、bf、bo分別為輸入門、輸出門、遺忘門和記憶單元層的偏置向量。

1.3 基于主參數(shù)優(yōu)化的LSTM 深海能源土沉降預(yù)測(cè)模型構(gòu)建

基于前述主參數(shù)優(yōu)化的LSTM 方法預(yù)測(cè)原理，建立深海能源土沉降預(yù)測(cè)模型，模型主要的步驟為：數(shù)據(jù)準(zhǔn)備與處理、模型構(gòu)建、訓(xùn)練模型和輸出結(jié)果。模型整體的框架如圖2 所示，輸入層負(fù)責(zé)對(duì)原始海床沉降數(shù)據(jù)進(jìn)行預(yù)處理，隱含層表示主參數(shù)優(yōu)化的LSTM 算法預(yù)測(cè)模型，輸出層則提供預(yù)測(cè)結(jié)果和驗(yàn)證預(yù)測(cè)結(jié)果準(zhǔn)確性。

結(jié)合天然氣水合物降壓開(kāi)采時(shí)深海能源土沉降單變量時(shí)序的數(shù)據(jù)特征，構(gòu)建了主參數(shù)優(yōu)化的LSTM 算法在天然氣水合物降壓開(kāi)采時(shí)深海能源土沉降時(shí)序預(yù)測(cè)模型，創(chuàng)建主參數(shù)優(yōu)化的LSTM算法回歸網(wǎng)絡(luò)。設(shè)置輸入層神經(jīng)元節(jié)點(diǎn)數(shù)目為4，隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目為10，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)目為3。構(gòu)建輸入層、主參數(shù)優(yōu)化的LSTM 層和全連接層，設(shè)置主參數(shù)優(yōu)化的LSTM 層的隱含單元個(gè)數(shù)為280，指定訓(xùn)練選項(xiàng)：設(shè)置訓(xùn)練周期為1 000 輪訓(xùn)練，求解器的設(shè)定為adam。指定初始學(xué)習(xí)率 0.01，訓(xùn)練梯度閾值設(shè)置為1，在達(dá)到每125 輪訓(xùn)練后通過(guò)乘以因子為0.2 來(lái)使學(xué)習(xí)率降低。

2 基于機(jī)器學(xué)習(xí)的深海能源土沉降預(yù)測(cè)模型數(shù)據(jù)收集及處理

中華人民共和國(guó)自然資源部中國(guó)廣州地質(zhì)調(diào)查局對(duì)南海神狐海域天然氣水合物層進(jìn)行勘探，勘探區(qū)域位于南海北部陸坡中段神狐暗沙東南海域附近，即西沙海槽與東沙群島之間海域[10]。

南海神狐海域獲得樣品的站位數(shù)據(jù)顯示，海水深度為1 245 m，海底溫度為3.2～3.6℃，天然氣水合物層距離海底深度約154～228 m。南海神狐海域天然氣水合物層厚度為12～41 m，天然氣水合物層的孔隙度為32%～48%。使用降壓法對(duì)天然氣水合物進(jìn)行開(kāi)采，測(cè)試數(shù)據(jù)選取神狐海域天然氣水合物試采區(qū)域，共100 時(shí)的沉降監(jiān)測(cè)結(jié)果[8]。

天然氣水合物降壓開(kāi)采0 時(shí)開(kāi)始持續(xù)到100 時(shí)，沉降監(jiān)測(cè)100 時(shí)的測(cè)試數(shù)據(jù)。將數(shù)據(jù)的前80% 的監(jiān)測(cè)沉降數(shù)據(jù)作為主參數(shù)優(yōu)化的LSTM 算法模型訓(xùn)練樣本，后20% 的監(jiān)測(cè)沉降數(shù)據(jù)作為驗(yàn)證樣本，根據(jù)100 組沉降數(shù)據(jù)預(yù)測(cè)未來(lái)20 時(shí)的沉降量。主參數(shù)優(yōu)化的LSTM 算法模型預(yù)測(cè)天然氣水合物降壓開(kāi)采時(shí)100 組沉降數(shù)據(jù)，根據(jù)100 組數(shù)據(jù)進(jìn)行驗(yàn)證及分析。

3 基于機(jī)器學(xué)習(xí)的深海能源土沉降預(yù)測(cè)模型結(jié)果驗(yàn)證

本文以100 組實(shí)際監(jiān)測(cè)沉降數(shù)據(jù)為基礎(chǔ)，將每組數(shù)據(jù)前80% 作為訓(xùn)練集數(shù)據(jù)，后20% 作為測(cè)試集數(shù)據(jù)。前80 時(shí)的沉降量作為訓(xùn)練集數(shù)據(jù)，后20 時(shí)的作為預(yù)測(cè)集數(shù)據(jù)。主參數(shù)優(yōu)化的LSTM 算法模型沉降預(yù)測(cè)值與實(shí)際監(jiān)測(cè)值擬合對(duì)比（圖3），選取80 至100 組數(shù)據(jù)驗(yàn)證，驗(yàn)證結(jié)果顯示主參數(shù)優(yōu)化的LSTM 算法預(yù)測(cè)曲線與監(jiān)測(cè)曲線擬合程度較高，說(shuō)明主參數(shù)優(yōu)化的LSTM 算法神經(jīng)網(wǎng)絡(luò)對(duì)天然氣水合物降壓開(kāi)采過(guò)程中海床沉降預(yù)測(cè)能力強(qiáng)，預(yù)測(cè)結(jié)果與實(shí)際監(jiān)測(cè)沉降量誤差小。

圖3 預(yù)測(cè)模型擬合對(duì)比

主參數(shù)優(yōu)化的LSTM 算法模型根據(jù)100 組數(shù)據(jù)為基礎(chǔ)，模型預(yù)測(cè)未來(lái)20 時(shí)的沉降量，如圖4所示。利用主參數(shù)優(yōu)化的LSTM 機(jī)器學(xué)習(xí)方法不僅能驗(yàn)證預(yù)測(cè)數(shù)據(jù)的有效性，還能憑借歷史監(jiān)測(cè)數(shù)據(jù)的訓(xùn)練，預(yù)測(cè)未來(lái)的監(jiān)測(cè)數(shù)據(jù)，這是主參數(shù)優(yōu)化的LSTM 算法模型相對(duì)于其他傳統(tǒng)模型具有的獨(dú)特性。

圖4 模型預(yù)測(cè)未來(lái)20 時(shí)沉降值

主參數(shù)優(yōu)化的LSTM 算法模型訓(xùn)練參數(shù)結(jié)果如表1 所示，初始學(xué)習(xí)率為0.01，在125 輪訓(xùn)練后通過(guò)乘以因子0.2 來(lái)降低學(xué)習(xí)率，訓(xùn)練結(jié)束時(shí)學(xué)習(xí)率為0.000 225。

表1 主參數(shù)優(yōu)化的LSTM 算法模型訓(xùn)練參數(shù)結(jié)果

主參數(shù)優(yōu)化的LSTM 算法神經(jīng)網(wǎng)絡(luò)在天然氣水合物降壓開(kāi)采時(shí)海床沉降預(yù)測(cè)中的誤差表現(xiàn)，本文采用均方根誤差（RSME）來(lái)作為模型預(yù)測(cè)效果的評(píng)估指標(biāo)。模型在訓(xùn)練時(shí)均方根誤差值隨迭代次數(shù)增加而減少，在模型訓(xùn)練停止前，均方根誤差值已穩(wěn)定接近0，說(shuō)明模型在訓(xùn)練時(shí)預(yù)測(cè)數(shù)據(jù)和真實(shí)數(shù)據(jù)之間誤差逐漸縮小，從預(yù)測(cè)數(shù)據(jù)和監(jiān)測(cè)真實(shí)數(shù)據(jù)對(duì)比來(lái)看，呈現(xiàn)的分析結(jié)果精度較高。說(shuō)明主參數(shù)優(yōu)化的LSTM 算法神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)天然氣水合物降壓開(kāi)采時(shí)海床沉降具有很好的預(yù)測(cè)效果。

4 結(jié)論

本文基于機(jī)器學(xué)習(xí)的方法，提出一種主參數(shù)優(yōu)化的LSTM 深海能源土沉降預(yù)測(cè)模型解決天然氣水合物降壓開(kāi)采時(shí)由于孔隙水壓力和溫度因素的影響導(dǎo)致海床沉降量過(guò)大，并應(yīng)用到實(shí)際的海床沉降工程中，對(duì)天然氣水合物降壓開(kāi)采時(shí)海床沉降進(jìn)行了預(yù)測(cè)，形成如下結(jié)論。

1）闡述了LSTM 對(duì)時(shí)間序列數(shù)據(jù)具有較強(qiáng)處理能力，廣泛運(yùn)用于沉降預(yù)測(cè)領(lǐng)域?；谇笆鼋榻B主參數(shù)優(yōu)化的LSTM 深海能源土沉降預(yù)測(cè)模型，該模型可以預(yù)測(cè)天然氣水合物降壓開(kāi)采時(shí)海床沉降，并能夠有效提高預(yù)測(cè)精度。

2）建立機(jī)器學(xué)習(xí)主參數(shù)優(yōu)化的LSTM 深海能源土沉降預(yù)測(cè)模型，對(duì)神狐海域天然氣水合物降壓開(kāi)采時(shí)海床沉降進(jìn)行預(yù)測(cè)，驗(yàn)證該模型的有效性，并預(yù)測(cè)出未來(lái)20 時(shí)的海床沉降數(shù)據(jù)。

3）通過(guò)實(shí)際數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)對(duì)比，得出主參數(shù)優(yōu)化的LSTM 深海能源土沉降預(yù)測(cè)模型在天然氣水合物降壓開(kāi)采時(shí)海床沉降預(yù)測(cè)有較好的效果，采用均方根誤差，證明該模型具有較高的精度。