[發明專利]一種基于長短時記憶神經網絡的鉆具受力優化控制方法

有效

• 申請號: 201911412233.1
• 申請日: 2019-12-31
• 公開（公告）號: CN111176113B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 黃達;張曉波;宋宜祥;羅世林;岑奪豐
• 申請（專利權）人: 長安大學
• 主分類號: G05B13/02
• 分類號: G05B13/02;G05B17/02
• 代理公司: 深圳國聯專利代理事務所(特殊普通合伙) 44465
• 代理人: 王天興

1.一種基于長短時記憶神經網絡的鉆具受力優化控制方法，其特征在于，包括以下步驟：

步驟一，制定一條外鉆筒鉆進過程所受扭矩的標準線；

步驟二，采用離散元方法對鉆具鉆進不同塌方體進行數值模擬，對比標準線得到異常情況下鉆具受力曲線的特征并對應提出優化方案，優化方案包括保持現狀、提升速度、降低速度、采用螺旋鉆頭結合外鉆筒鉆進、采用DTH潛孔錘鉆頭結合外鉆筒鉆進及采用DTH潛孔錘伸縮鉆頭結合外鉆筒鉆進；

步驟三，根據現場試驗中大口徑鉆機自帶的數據采集系統監測鉆具受力曲線的特征選擇解決方案，通過觀察鉆具受力曲線變化對優化方案進行驗證；

步驟四，構建基于LSTM的優化控制模型，處理數值模擬和現場試驗所得數據并作為樣本對優化控制模型進行訓練；

步驟五，將救援過程中鉆機數據采集系統監測的數據輸入優化控制模型，實時輸出對應的優化方案；

所述的步驟四中，基于LSTM的優化控制模型包括輸入層、隱藏層和輸出層；輸入層的輸入特征分別為外鉆筒和DTH潛孔錘鉆頭所受的扭矩和阻力以及鉆進速度，輸出層輸出優化方案；隱藏層加入了門結構，即輸入門、遺忘門和輸出門，遺忘門和輸入門控制單元狀態C，遺忘門決定上一時刻的單元狀態C_t-1有多少保留到當前時刻的單元狀態C_t，輸入門決定了當前時刻的輸入X_t有多少保存到當前時刻的單元狀態C_t，輸出門控制當前時刻的單元狀態C_t有多少輸出到當前時刻的輸出；

所述的步驟四中，優化控制模型訓練過程包括如下步驟：

步驟4.1：計算輸入門的值i_t：

i_t＝σ(W_xiX_t+W_hih_t-1+W_ciC_t-1+b_i)；

其中，X_t為當前時刻的輸入，h_t-1為上一時刻的輸出，C_t-1為上一時刻的單元狀態，W_xi、W_hi、W_ci為輸入門的權重矩陣，b_i為輸入門的偏置項，σ為sigmoid激活函數；

步驟4.2：計算遺忘門的值f_t：

f_t＝σ(W_xfX_t+W_hfh_t-1+W_cfC_t-1+b_f)；

其中，W_xf、W_hf、W_cf為遺忘門的權重矩陣，b_f是遺忘門的偏置項；

步驟4.3：計算當前時刻的單元狀態C_t：

C_t＝f_tC_t-1+i_ttanh(W_xcX_t+W_hch_t-1+b_c)；

其中，W_xc、W_hc為單元狀態的權重矩陣，b_c是單元狀態的偏置項，tanh是雙曲正切激活函數；

步驟4.4：計算輸出門的值o_t：

o_t＝σ(W_xoX_t+W_hoh_t-1+W_coC_t+b_o)；

其中，W_xo、W_ho、W_co為輸出門的權重矩陣，b_o是輸出門的偏置項；

步驟4.5：計算當前時刻的輸出h_t：

h_t＝o_ttanh(C_t)；

步驟4.6：計算全連接層a_t的值：

a_t＝o_t(W_hyh_t+b_y)；

其中，W_hy為LSTM的輸出層與全連接層的權重矩陣，b_y是偏置項；

步驟4.7：計算Softmax層處理后輸出值；

其中，代表在t時刻應用第k種解決方案的概率；表示t時刻全連接層的第k個輸出；n表示全連接層輸出的個數與上述解決方案個數對應，n為正整數。