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！

龙图腾网获悉青岛理工大学申请的专利基于回放机制的无任务边界持续学习生产动态预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121579940B 。

龙图腾网通过国家知识产权局官网在2026-04-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610115412.2，技术领域涉及：G06F18/20；该发明授权基于回放机制的无任务边界持续学习生产动态预测方法是由张凯;冯雪宁;张黎明;张华清;焦博韬;刘丕养;严侠设计研发完成，并于2026-01-28向国家知识产权局提交的专利申请。

本基于回放机制的无任务边界持续学习生产动态预测方法在说明书摘要公布了：本发明公开了一种基于回放机制的无任务边界持续学习生产动态预测方法，属于石油工程预测领域，主要构建了包含分块嵌入去非平稳短期分支、分块下采样保留非平稳长期分支的双尺度注意力特征提取模块进行全局时序特征提取；在无明确任务边界的情况下，设计了基于回放机制构建双缓冲回放记忆模块进行混合采样训练；并基于平台触发机制构建平台期触发决策模块，自适应判定模型学习稳定状态并触发回放机制训练；设计时频域融合损失优化模块，实现无任务边界下的持续学习。本发明在新数据到来时无须重新训练，显著降低灾难性遗忘，增强预测稳健性与在线收敛稳定性，适用于实际生产数据预测等场景。

本发明授权基于回放机制的无任务边界持续学习生产动态预测方法在权利要求书中公布了：1.一种基于回放机制的无任务边界持续学习生产动态预测方法，其特征在于，构建了回放机制的无任务边界持续学习生产动态预测模型，该模型包括数据预处理模块、双尺度注意力特征提取模块、双缓冲回放记忆模块、平台期触发决策模块、时频域融合损失优化模块和预测输出模块；该方法具体包括如下步骤： 步骤1、获取油藏的实际生产数据，输入数据预处理模块完成数据预处理，生成时间序列数据； 步骤2、将时间序列数据输入双尺度注意力特征提取模块得到全局时序特征，将全局时序特征输入预测输出模块得到产液量预测值； 步骤3、基于回放机制构建双缓冲回放记忆模块进行混合采样训练；具体过程为： 步骤3.1、在双缓冲回放记忆模块中定义两个回放缓冲区，一个近期缓冲区和一个全局缓冲区； 近期缓冲区的采样策略是直接选择前个最小损失的样本： ； ； 其中，为近期缓冲区需要保留的样本集合；为选取的损失最小的样本；是第个样本和第个样本之间的损失函数值；为近期缓冲区集合；为从近期缓冲区中进一步筛选出的前个最小损失样本组成的集合；为选择前个最小损失；、为两个不同的样本；为损失函数值； 全局缓冲区的采样策略是从全局缓冲区中采样个样本时，直接进行均匀随机选择： ； 其中，为样本从全局缓冲区被采样选中的概率；表示全局缓冲区的数据量； 步骤3.2、训练时随机向近期缓冲区或全局缓冲区中添加样本；如果近期缓冲区或全局缓冲区未满，样本直接加入近期缓冲区或全局缓冲区；当近期缓冲区或全局缓冲区满时，在随后的每次样本添加过程中，随机删除近期缓冲区或全局缓冲区中的样本；在第次更新中，若样本被纳入到全局缓冲区的概率为，且替换概率为，则近期缓冲区或全局缓冲区中第个样本被替换的概率为，存活概率为； 第个样本最终保留在近期缓冲区或全局缓冲区的概率为： ； 其中，为时间步； 步骤3.3、设计持续学习双缓冲区混合采样策略：将近期缓冲区和全局缓冲区相结合，在训练时，从两个缓冲区中取样，再和当前批次拼接，构成最终的训练批次，形成混合采样分布： ； 其中，是控制两个缓冲区的权重；为近期缓冲区样本集合；为全局缓冲区样本集合； 步骤4、基于平台触发机制构建平台期触发决策模块，自适应判定模型学习稳定状态并触发步骤3的回放机制训练； 步骤5、设计时频域融合损失优化模块，驱动模型参数训练更新，实现无任务边界下的持续学习； 步骤6、重复执行步骤2至步骤4，直至达到训练结束条件，得到训练完成的生产动态预测模型； 步骤7、实时获取当前油藏每天的实际生产数据，输入训练完成的生产动态预测模型，得到当前油藏每天的产液量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人青岛理工大学，其通讯地址为：266525 山东省青岛市黄岛区嘉陵江东路777号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。