注二氧化碳驱替原油技术具有适用范围广、成本低、环保安全等优点，尤其是混相驱，在一次采油效率仅达到40%的情况下，混相驱的平均采收率可达90%以上。但由于环境的特殊和设施的限制，在现场实时检测困难的情况下，进行精准的最小混相压力（MMP）预测是保证CO2混相驱顺利进行、提高采收率的一项重要措施。西安建筑科技大学骆正山教授利用改进的蜉蝣算法（IMA）进行权值阈值寻优，解决了蜉蝣算法容易陷入局部最优进而早衰的问题，从而构建了基于注意力机制的IMA-AmMLP最小混相压力预测模型。相关研究认识刊登在《石油学报》第45卷第10期。
（1）将智能模型引入衡量油藏可以实现混相驱的判断标准中，运用数据驱动带动CO2混相驱注采过程的精准化、智能化、标准化建设。
（2）将注意力机制引入模型中，克服了传统神经网络中系统缺乏对输入特征的提取和强化致使计算效率低下的缺陷，使模型具有从大量信息中精准捕捉有效信息的能力，降低运算时间。
（3）引入改进的Sobol序列初始化种群增加探索空间的灵活性和多样性，引入非线性惯性权重对蜉蝣算法(MA)进行改进，能使蜉蝣个体的位置更新跳出陷入局部最优的循环，并构造反向解空间，扩大种群搜索空间，提升找到全局最优解的概率，有效避免陷入局部最优解，提高算法全局开发性能及实现快速收敛，在实际应用中将平均误差降至2.435%，可以有助于改善CO2驱效果、有效提升采收率。
论文链接：http://www.syxb-cps.com.cn/CN/10.7623/syxb202410006
