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！

申请/专利权人：中国石油大学(华东)

摘要：本发明公开了基于图神经网络的深层钻井液处理剂性能预测评价方法，属钻井化学技术领域。方法包括：获取大量钻井液化学添加剂样本，构建钻井液化学添加剂数据集；构建图神经网络模型，利用钻井液化学添加剂数据集，完成模型训练；输入待预测的钻井液化学添加剂，得到其性能预测与评价结果。本发明实现了基于分子结构及其性质预测及评价钻井液化学添加剂的性能，在保证了一定预测准确性的同时，大幅度提高了钻井液化学添加剂的研制效率，降低了成本。为深层油气开发提供了高效技术支持。

主权项：1.基于图神经网络的深层钻井液处理剂性能预测评价方法，其特征在于，包括以下步骤：S1：获取大量钻井液化学添加剂样本，构建钻井液化学添加剂数据集；所述钻井液化学添加剂样本，包括钻井液化学添加剂的结构和相关性质；所述的钻井液化学添加剂结构，采用SMILES字符串表示，SMILES字符串用于表示化学分子的图结构，SMILES字符串包括一系列字符，字符分别代表了分子中的原子、化学键、电荷、构型信息；所述的钻井液化学添加剂相关性质，具体包括以下参数的一种或多种：分子量、溶解度、粘度、动切力、滤失量、pH值、钻井液密度、摩阻系数、抗盐能力、抗温能力；钻井液化学添加剂的分子量统一使用数均分子量、重均分子量、粘均分子量、Z均分子量中的一种；钻井液化学添加剂的粘度统一采用表观粘度、塑性粘度、漏斗粘度中的一种；S2：构建图神经网络模型，利用钻井液化学添加剂数据集，完成模型训练；所述图神经网络模型包括图嵌入层、正则化层、图卷积层、图池化层、全连接层、输入输出层；图嵌入层将节点特征和边特征映射到一个低维空间；正则化层通过标准化和随机丢弃过程，防止模型出现过拟合；图卷积层提取数据的局部特征；图池化层降低数据维度；全连接层的每个神经元都与前一层的神经元相连，捕捉其之前的全部特征，完成特征融合，实现模型预测；输入输出层用来输入和输出数据；利用钻井液化学添加剂数据集训练图神经网络模型前，对数据预处理；包括将钻井液化学添加剂的SMILES字符串解析转换为分子图，分子图中，原子表示为节点，化学键表示为边；将钻井液化学添加剂相关性质作为额外的节点整合到图的节点特征中；将整合好的图作为输入传入图神经网络模型；在输入图神经网络模型之前，将整合好的图转换为可输入至图神经网络模型的特征矩阵，特征矩阵包括节点特征矩阵、边特征矩阵和连接矩阵；节点特征矩阵用于表示原子的相关性质，包括电荷、原子半径；边特征矩阵用于表示化学键的相关性质，包括化学键类型、键级、键长、键能；连接矩阵表示不同原子之间是否存在化学键；图表示为G=X,E,A，其中X为节点特征矩阵，E为边特征矩阵，A为连接矩阵；节点特征矩阵X表示为：X=[x1,x2,…,xi,…,xN]T，其中xi为第i个节点的特征，N为节点数；边特征矩阵E表示为：，其中eij为节点xi和节点xj之间的边的特征，i范围为1-N，j范围为1-N，N为节点数；连接矩阵A表示为：；若节点xi与节点xj之间存在边，则=1，否则为0；将数据集划分为训练集、验证集、测试集，将训练集的数据传入未训练的初始图神经网络模型中，不断迭代训练，利用验证集评估模型性能，计算均方误差MSE和决定系数R2； ，其中表示样本数量，表示第i个样本的预测值，表示第i个样本的真实值； ，其中表示样本数量，表示第i个样本的预测值，表示第i个样本的真实值，表示样本的均值；当均方误差MSE和决定系数R2均达到设定的阈值时，模型训练结束；最后利用测试集测试模型的性能，在测试集上计算模型最终的均方误差MSE和决定系数R2，得到深层钻井液化学添加剂性能预测评价模型；S3：输入待预测的钻井液化学添加剂，得到其性能预测与评价结果；首先确定待预测钻井液化学添加剂结构，并将其转换为SMILES字符串；将SMILES字符串转换为分子图进而转化为可输入至模型的矩阵形式，输入至深层钻井液化学添加剂性能预测评价模型，得到钻井液化学添加剂的预测评价结果。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 基于图神经网络的深层钻井液处理剂性能预测评价方法