茶叶产量预测

茶叶产量预测（共4篇）

茶叶产量预测 篇1

人工神经网络技术是以生物神经网络为基础,模拟人脑行为的一种信息处理方法。研究表明,人工神经网络可以以任意精度逼近一个非线性函数。由于茶叶产量的变化具有非线性的性质,因此,本文的目标是研究基于神经网络的茶叶产量建模与预测方法,以便对茶叶产量进行仿真与预测。

1 神经网络及其预测原理

1.1 BP神经网络与Elman神经网络

BP神经网络的模型结构如图1所示。网络采用三层结构,第一层是输入层,第二层是隐含层,第三层是输出层。其中X=(x1,x2,…,xm)为神经网络的m个输入端,Y=(y1,y2,…,yn)是神经网络的n个输出端,而隐含层的神经元个数待定。

除了输入层的神经元外,隐含层和输出层神经元的净输入是前一层神经元输出的加权和。

Elman神经网络是在BP神经网络的隐含层中增加了一个承接层,作为一步延迟算子,达到记忆的目的。它含有四层:输入层、隐含层、承接层和输出层。Elman神经网络结构如图2所示。

BP神经网络与Elman神经网络的训练算法都采用误差反向传播BP学习算法,网络输出误差的度量采用均方差准则,即:

其中yk表示输出层上第个神经元的实际输出,表示输出层上第k个神经元的期望输出。

1.2 神经网络预测原理

神经网络预测原理可以表述为:设有L个输入输出对(X(1),X(2),…,X(L))和(Y(1),Y(2),…,Y(L))。对于第k个输入输出对,首先根据网络当前的内部表达,对样本输入模式X(k)作前向传播,计算网络的实际输出,与期望输出Y(k)进行对比。然后将误差反向传播,即按照使网络输出值与期望值之差e的平方和为最小的原则,反向计算,对网络各相邻节点的连接权值进行调整,经过多次学习训练,网络权值收敛于最佳权值,此时e的变化达到稳态。网络训练、校验完成之后,就可以根据预测点的输入,得到该点的输出[1]。

2 数据及其处理方法

2.1 茶叶产量数据

某国1990年到2009年的茶叶产量如表1所示。本文采用Matlab对表1中的茶叶产量进行建模与仿真,以1990年到2007年的数据作为训练样本分别对BP神经网络和Elman神经网络进行训练,而以2008年到2009年的数据作为检测样本对模型进行检测[2]。

2.2 数据预处理

为了使网络能够快速收敛,神经网络的学习方法要求输入层的输入值和输出层的输出值在[0,1]之间。因此,必须对茶叶产量数据进行归一化处理,其运算表达式如下[3]:

其中,min(x)和max(x)分别为样本分量的最小值和最大值,x(i)为第i个样本的分量值,y(i)为x(i)对应的归一化值。

经过归一化处理后,神经网络的预测值仍然是归一化的数据,因此,必须要进行反归一化处理,才能得到真实值。反归一化处理方法如下[4]:

2.3 滚动预测法

滚动预测法是一种利用神经网络对时间序列进行动态预测的方法。假如要使用过去的N个数据预测未来M个时刻的值,其方法是建立一个宽度为N+M的移动窗口,每个窗体包含连续的N+M个研究数据作为神经网络的一个样本。当移动窗口逐项向右移动时,就可以由己知的一个动态数列构造出若干个训练和检验网络的样本数据。其中,前N个数据作为网络系统的输入,后M个数据作为网络系统的输出,如表2所示[5]。本文采用滚动预测法,对茶叶产量进行建模与预测。

3 BP网络的建模与预测

经过反复实验,选取BP网络的结构如下:隐含层神经元个数为30,输入层三个输入端,输出层一个输出端。网络的训练函数取默认函数trainlm()。权值和阈值的BP学习算法取默认学习函数learndm()。网络的性能函数取默认函数mse()。

BP网络的训练过程如下:

网络训练速度很快,只经过6轮训练,就达到了最小梯度。BP网络的仿真曲线如图3所示。

在图3中,“﹡”号表示茶叶产量值,“○”表示网络仿真输出值,而“●”表示2008和2009两年的预测值。符号“○”和“﹡”的位置关系表达的是网络的数据拟合能力,而符号“●”和“﹡”的位置关系表达的则是网络的数据预测能力。

模型的平均绝对误差的计算结果:MAE=2.700247433059151e-014

模型的均方差的计算结果:MSE=1.337483806468321e-027

可见MAE和MSE这两个评价指标值非常小,说明模型的拟合精度非常高。

现对2008年和2009年的产量进行测试:

预测输出向量L=[0.90439526040988 0.994894479262225]

对L进行去归一化处理,得到2008年和2009年的茶叶产量预测值分别为:1280382.6371吨和1354462.7637吨。

4 Elman网络的建模与预测

为了对比起见,选取Elman网络的结构与BP网络相同。

Elman网络的训练过程如下:

与BP网络相比,Elman网络训练速度相对较慢,这是因为增加了一层承接层的缘故。Elman网络的仿真曲线如图4所示。

在图4中,“﹡”号表示茶叶产量值,“○”表示网络仿真输出值,而“●”表示2008和2009两年的预测值。

模型的平均绝对误差的计算结果:MAE=0.019568925092903

模型的均方差的计算结果:MSE=0.000486409026385

可见MAE和MSE这两个评价指标值比较小,说明模型有一定的拟合精度。

现对2008年和2009年的产量进行测试:

预测输出向量L=0.893708860977705 1.060184541114166

对L进行去归一化处理,得到2008年和2009年的茶叶产量预测值分别为:1271635.0497吨和1407907.3802吨。

5 两种网络的预测性能对比

BP网络与Elman网络的预测性能对比如表3所示。

从表3中显示的预测结果来看,对于2008年茶叶产量预测,Elman网络预测的准确度较高,而对于2009年的茶叶产量预测,BP网络预测的准确度较高,可谓两种网络在茶叶产量的预测方面各有千秋。

6 结论

本文分别采用BP神经网络和Elman神经网络对茶叶产量进行了建模,并对它们的建模性能进行了对比。建模样本的处理采用滚动预测法。研究表明,从建模速度来看,BP网络速度较快。从拟合性能来看,BP网络和Elman网络都获得了较小的MAE和MSE值,两种网络都具有很高的拟

合性能。但相比之下,BP网络拟和性能相对更佳。从预测性能来看,BP网络和Elman网络都获得了较小的预测相对误差,预测精度都较高。因此,采用BP神经网络和Elman神经网络对茶叶产量进行建模与预测,其方法是可行的。

参考文献

[1]胡广义,张秋文,张勇传.基于BP人工神经网络的分布式降雨量插值估算[J].华中科技大学学报:自然科学版,2009,37(4):107-109,110.

[2]吴萍,迟道才,王殿武,等.Elman反馈型神经网络模型在灌溉用水量预测中的应用[J].沈阳农业大学学报,2007,38(4):586-589.

[3]姜平,石琴,陈无畏,等.基于Elman型回归神经网络的公交客流预测[J].合肥工业大学学报:自然科学版,2008,31(3):340-342,369.

[4]余健,郭平.基于改进的Elman神经网络的股价预测模型[J].计算机技术与发展,2008,18(3):43-45.

[5]杨君岐,孙少乾,乐甲.基于Elman网络的股价预测模型及在浦发银行股票预测中的应用[J].陕西科技大学学报,2007,25(6):127-130.

茶叶产量预测 篇2

1 材料与方法

1.1 供试土壤及品种

试验于2013年10月开始实施, 地点选择在旺苍县五权镇, 该茶园于2003年建设, 目前正是盛产期。供试土壤类型为黄壤, 土壤农化性状如表1, 供试茶叶品种为龙井43号。

1.2 试验设计

试验设2个处理, 分别是配方肥区和常规施肥区, 3次重复, 随机排列, 小区面积40 m2, 小区规格5 m×8 m, 常规试验用肥分别为尿素、过磷酸钙、硫酸钾, 每个小区施用200 kg农家肥作为基肥。试验设计及养分用量见表2。

1.3 施肥方法及样品采集

施肥方法采用条施, 施肥前在茶树两侧距离茶树20 cm处开约20 cm深的沟, 将肥料均匀撒在沟内, 再用土回填覆盖。全年施肥时间如下:10月中下旬施基肥, 2月下旬施春茶肥, 5月下旬施夏茶肥, 7月上旬施秋茶肥, 具体施肥情况见表3。春、夏、秋在各处理区按照独芽、一芽一叶、一芽二叶3个标准分批采摘, 并计算产量, 第一次采摘春茶时统计记录新梢长度、芽头密度和百芽鲜重。

1.4 测定项目和方法

茶叶均取3月6日芽头茶测定茶叶品质成分。茶叶样品各项品质由中国测试技术研究院按照国家有关标准检测。

1.5 试验数据计算与处理方法

试验数据采用Excel 2010和SPSS20.0软件进行分析, 用LSD多重比较法进行显著性检验。

2 结果与分析

2.1 测土配方肥对茶叶生物性状的影响

试验结果 (表4) 表明, 配方肥区的各小区平均的新梢长度、百芽重和芽头密度与常规施肥区各小区平均数相比, 分别增加0.23 cm、14.4 g、141.5个/m2, 两处理间新梢长度的差异性达到显著水平, 而百芽重和芽头密度则达到极显著水平。可见配方肥区茶叶的新梢长度、百芽重和芽头密度等指标明显好于常规施肥区, 配方肥能显著改善茶树生物性状。

2.2 测土配方施肥对茶叶产量的影响

采集一年中春、夏、秋季茶, 采摘标准按独芽、一芽一叶、一芽二叶3个标准, 由试验结果 (表5) 可得, 配方肥区采集的独芽、一芽一叶、一芽二叶产量及总产量每公顷比常规施肥区平均高出30 kg、172.5 kg、232.5 kg、435 kg, 差异均达到极显著水平。可见配方肥对茶叶产量增长和品级提升有明显的促进作用。

2.3 测土配方肥对茶叶品质影响

我们取配方施肥区处理A样和常规施肥区处理B样送中测测试科技有限公司测试, 试验结果 (表6) 可以看出:与B样品相比, A样品22种氨基酸组分的总量、游离氨基酸总量显著增加, 分别增加22.9%、18.4%, 干物率略有提高;8种必需氨基酸中, 苏氨酸、异亮氨酸、色氨酸均未检出, A样品中缬氨酸、蛋氨酸、赖氨酸含量高于B样品, 仅亮氨酸、苯丙氨酸含量低于B样品;与B样品相比, A样品咖啡碱含量降低14.9%, 降低幅度较为明显;A样品中水浸出物、儿茶素总量、茶多酚总量略低于B样品。可见配方肥区茶叶品质明显好于常规施肥区。

2.4 配方施肥对茶叶经济效益的影响

对茶叶投入产出进行分析:配方肥区产值145 560元/hm2, 肥料投入3 639元/hm2, 收益141 921元/hm2;常规施肥区产值120 450元/hm2, 肥料投入3 468元/hm2, 收益116 982元/hm2, 配方肥区收益比常规施肥区高24 939元/hm2。注:鲜茶叶:独芽160元/kg, 一芽一叶80元/kg, 一芽二叶28元/kg, 尿素:2元/kg (N 4.3元/kg) , 硫酸钾:3.5元/kg (K2O 7元/kg) , 普通过磷酸钙:0.4元/kg (P2O53.3元/kg) 。

3 结论

施用茶叶配方肥能够显著改善茶树生物性状, 增加产量, 提升茶叶品级。

施用茶叶配方肥, 能够显著增加22种氨基酸组分总量和游离氨基酸总量, 提高缬氨酸、蛋氨酸、赖氨酸含量, 明显降低咖啡碱含量, 但水浸出物、儿茶素总量、茶多酚总量略有降低。

煤层气井压裂产量预测方法 篇3

煤层气井压裂产量预测对于煤层气生产来说很重要。2004年以来, 国内外学者在产量预测方面主要有两大进展, 一是研究产量预测的新方法, 并将新方法在实践中加以考验, 主要包括产量瞬时分析法、特定层动态平衡法;二是将常规产量预测方法加以改进, 应用于复杂煤储层, 主要包括数值模拟法、产量曲线类型法、递减曲线经验法、物质动态平衡法[1]。本文通过调研这些方法, 优选出具有较强实用性的方法, 并加以验证及应用。

1 预测方法调研

1.1 产量瞬时分析方法

原理:评价各种地层物理参数, 例如煤层厚度、孔隙度、渗透率和排泄面积等对产量的影响程度, 应用曲线类型匹配技术来预测气产量[2]。假设条件:煤层气为单相流, 产水微乎其微。优点:该方法考虑了一些煤层特有属性, 例如等温吸附特征、双孔隙结构, 可以作为数值模拟和经验递减曲线方法的补充, 用于计算煤层气井产量, 在没有生产数据的情况下对煤层气产量做初步预测。缺点:假设煤层气为单相流, 产水量微乎其微。

1.2 特定层动态平衡方法

动态平衡方法、产量曲线类型、数值模拟和瞬时压力分析方法[3]。优点:准确预测多煤层的总产量以及单煤层的产量, 还能计算原位气资源量和其他储层参数。

计算步骤: (1) 筛选符合条件的单井; (2) 单煤层瞬时压力分析, 确定单煤层气产量; (3) 利用数值模拟来确定煤层组产气速率、煤层组关井压力、煤层组总产气速率; (4) 将煤层组的总原地煤层气资源量与单煤层分析的资源量结果进行分析对比。缺点:要求数据多, 单煤层必须经过试井测试和多点压力测试, 并且具有明显的产量下降趋势。

1.3 数值模拟法

该方法比较成熟, 应用较为广泛;需要各种各样数据, 所需时间和精力多;适用于开发中后期[4]。

1.4 递减曲线经验法

利用三种递减规律:指数递减、双曲递减和直线递减来预测产量。该方法在常规油气中应用非常广泛, 在煤层气井中, 只能应用于煤层气井产气高峰后的产气量预测。

1.5 物质平衡法

原理:利用累积产量数据计算储层平均压力、平均含水饱和度, 结合相渗资料和产能方程计算气、水产量, 循环计算。缺点:产量数据容易得到, 相渗资料相对较难获取。

1.6 典型曲线产量预测方法

原理:引入一系列无维数参数, 形成一系列特殊的煤层气产量曲线类型[5]。

该方法不但可以预测已投产井的产量, 也能预测未投产井产量, 适用范围广。

通过以上对各种方法的对比可以看出, 典型曲线产量预测法适用性强, 要求的参数容易获得, 因此采用典型曲线产量预测法对单井产量进行预测分析。

2 典型曲线法预测产量

2.1 未投产井产量预测

(1) 根据储层参数计算Gi的值;

(2) 根据BHAVSAR给出的无因次产气峰值与各参数的经验关系式确定无因次产气峰值 (qg max) D;

(3) 根据ADMINIAN在预测煤层气产量时建立了产气峰值的相关关系式结合第二步求得的 (qg max) D确定产气峰值

求得qg, 从而求出q随时间t的变化。

2.2 已投产井产量预测对于已知历史生产数据的井, 预测其产量可通过如下步骤进行:

(1) 根据已有数据作出qD-tD关系的典型曲线, 拟合出递减阶段的qD-tD函数关系式;

qg, 从而求出q随时间t的变化。

2.3 验证

根据韩城煤层气藏某3口井的地质特征参数 (表1) 和单井的实际生产数据, 对3口井进行了产量预测, 从计算结果可以看出, 典型曲线法在煤层气井产量预测中具有较强的适用性, 且计算结果准确度较高 (图1) 。

3 结论

调研了6种煤层气压裂井产量预测方法, 优选出典型曲线产量预测法, 通过韩城3口井产量数据验证, 该方法需要的参数容易获取, 计算结果精确。

符号说明:

qg—气井产量, m3/d;

qg max—气井产量最大值, m3/d;

t—生产时间, d;

Gi—煤层气地质储量, m3。

S—表皮因子;

pc—解吸压力, MPa;

φ—孔隙度, %;

PL—兰氏压力, MPa;

VL—兰氏体积, m3/t;

T—温度, K;

μc—解吸压力时气体粘度, m Pa·s;

Zc—解吸压力时压缩因子;

k—渗透率, m D;

h—煤层厚度, m;

pwf—井底流压, MPa;

re—边界半径, m;

rw—井筒半径, m。

摘要：通过调研煤层气井压裂产量预测方法原理及优缺点, 优选出典型曲线产量预测法具有较强的适用性, 对未投产井以及投产井都能预测, 预测结果与实际井生产数据对比, 准确度较高。

关键词：煤层气,压裂,产量预测

参考文献

[1]苏俊.煤层气勘探开发方法与技术[M].北京:石油工业出版社, 2011:79-85.

[2]K.Aminian.Type Curves for Coalbed Methane Production Prediction[J].SPE, 2004:267-275.

[3]CretiesD.Jenkins, SPE, DeGolyer and MacNaughton, and Charles M.Boyer[J].SPE, Schlumberger, Coalbed Shale-Gas Reservoirs, JPT.FEBRUARY, 2008:92-99.

[4]凌毅平.煤层气储层测井评价有关问题的讨论[J].中国煤炭地质, 2008, 12:32-35.

浅析不同类型煤矿原煤产量预测 篇4

1.1 国有重点煤矿的产量对全国煤炭供应起着决定性的作用

2000年是一个拐点, 在2000年之前该类煤矿的产量基本不变, 2000年之后呈现比较明显的线性趋势, 前后产量增长速率却不同, 主要是我国政府大力支持发展大型煤矿、国有煤矿的原因所致。

1.2 预测模型的选择

根据上述国有重点煤矿的增长特征以及国家对于国有煤矿的政策, 本文采用一元线性回归模型预测原煤产量。一元线性回归预测模型为:

Y=aX+b (1)

根据最小二乘法, 拟合出的一元线性方程如下:

Y=0.9198X-1834.2 R2=0.9989 (2)

根据式 (2) 预测得出国有重点煤矿在2015年的煤炭产量是19.19亿吨, 在2020年的煤炭产量为23.80亿吨。其中该方程的线性相关系数R2为0.9989, 具有很好的精度。

2 国有地方煤矿的产量预测

2.1 国有地方煤矿的作用

国有地方煤矿对稳定国家各地方煤炭供应起着十分重要的作用, 国家对该类煤矿的政策多年没有明显的变化。

2.2 预测模型的选择

本文采用随机序列模型进行预测。根据该类煤矿原煤产量的标准自相关函数和偏自相关函数的计算结果, 建立模型方程如下:

Yn=aYn-1+bYn-2 (3)

根据表中的数据计算所得的模型方程如下:

Y=1.246Yn-1-0.240Yn-2 (4)

R2=0.997, D.W.=1.850, F=3567.62

根据式 (4) 对未来国家地方煤矿原煤产量进行预测, 2015年为19.10亿吨, 2020年为23.75亿吨。其中R2为0.997, 该模型具有很好的精度, 预测模型预测的比较准确。

3 乡镇煤矿的产量预测

3.1 乡镇煤矿的煤炭产量数

该类煤矿的原煤产量波动很大, 这主要是由于国家实行的政策干预对这些煤矿影响很大, 例如, 国家会关闭一些不合法的小煤矿等, 同时与我国经济发展周期密切相关。

3.2 预测模型的选择

根据该类煤矿原煤产量数据, 按照温特线性以及季节性平滑方法进行预测。

(1) 趋势分量的平滑公式

undefined (5)

其中, a为平滑常数, undefined消除了季节的影响, An-1+Bn-1是对An的估计, 以此来消除季节影响和随机干扰的趋势分量。

(2) 趋势直线斜率Bt的平滑公式

Bn=b (An-An-1) + (1-b) Bn-1 (6)

其中, b是平滑常数, An-An-1是对时间点n序列线性趋势斜率的一种估计。

(3) 季节指数的平滑公式

undefined (7)

其中, f是平滑指数, undefined可消除趋势影响, 但是会保留随机影响的季节指数。

结合式 (5) 、 (6) 、 (7) 可得预测公式为:

Yn+k= (An+kBn) Fn-1+k (8)

其中, k为时期, 并且选择季节性周期为6年, 根据试算结果, 最终取a=0.2、b=0.1、f=0.05。

结合上述式子以及数据得出预测公式为:

undefined

(9)