[發明專利]一種基于遺傳算法優化的BP神經網絡的壓裂數據清洗方法

有效

• 申請號: 202110378813.4
• 申請日: 2021-04-08
• 公開（公告）號: CN113095398B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 梁海波;王怡;楊海;李忠兵
• 申請（專利權）人: 西南石油大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06K9/62;G06N3/08;G06N3/12
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 劉妮

1.基于遺傳算法優化的BP神經網絡的壓裂數據清洗方法，其特征在于，包括如下步驟：

步驟1.給訓練數據和測試數據標記標簽；

步驟2.構建BP神經網絡；

采用傳統淺層神經網絡構建；

構建方法具體包括：

S2.1把壓裂參數數據通過網絡前向傳輸：

a⁰＝Input＝[par1,par2,…par6,par7]

a^m+1＝f^m+1(ω^m+1a^m+b^m+1)

s.t.,m＝0,1,...M-1

a＝a^M

a⁰＝Input表示網絡的輸入，即有效厚度、滲透率、壓力系數、無阻流量、地應力、天然裂縫七個壓裂地層參數，

表示第m層的輸出，ω^m+1，b^m+1分別表示神經網絡第(m+1)層的權值和閾值；

f^m+1(*)表示第(m+1)層的傳輸函數，

表示第M層的輸出，即網絡最后輸出值；

S2.2計算性能指標

式中t(*)為期望輸出，即人工標記的壓裂數據的標簽值A；a(*)為實際輸出，即經過網絡測試輸出的結果B,是網絡預測誤差，若小于事先設定的均方根誤差，則網絡結束訓練，否則轉入下一步；

S2.3計算敏感性

其中n^m＝ω^m+1a^m+b^m+1，s^m為敏感性，ω^m+1，b^m+1分別表示神經網絡第(m+1)層的權值和閾值，a^m為第m層的輸出，n^m為樣本；

S2.4通過網絡將敏感性反向傳播

s.t.,m＝M-1,…,2,1

s^M是反向傳播的敏感因子，是反向網絡預測誤差；

其中：

為反向傳播時的激活函數；

表示的就是第s^m個樣本；

j＝1,2…sm，表示第j層的樣本；

S2.5使用近似的最速下降法更新網絡權值和閾值

ω^m(k+1)＝ω^m(k)-αs^m(a^m-1)^T

b^m(k+1)＝b^m(k)-αs^m

ω^m(k)是m層的網絡權值，其中α為網絡的學習速率；

S2.6：轉向第一步，重新開始進行神經網絡的訓練；

通過步驟S2.1-S2.5的循環迭代，直到誤差滿足精度或達到設定的迭代次數時，網絡結束訓練

步驟3.用遺傳算法優化BP神經網絡的參數；

所述步驟3具體包括

S3.1對GA-BP神經網絡結構進行初始化設置，確定輸入層、影藏層、輸出層節點個數，分別為M、H₁、N；

S3.2產生初始化種群p(t)＝100，并對種群中的每個個體進行二進制編碼；

S3.3計算種群中的每一個個體的適應度，將網絡測試輸出結果B與壓裂數據實際對應的標簽值A進行比較，并將兩者差值定義為網絡預測誤差適應度函數為適應度越大，則網絡的精度越高；

S3.4通過選擇、交叉、變異操作產生新一代種群；

S3.5重復上述步驟，使得種群不斷地進化，當最優個體滿足目標精度要求或達到最大遺傳代數時停止，然后進行網絡訓練，調節權值和閾值達到精度要求或設定的迭代次數時，計算結束；

步驟4.GA-BP神經網絡訓練；

所述步驟4具體包括：

S4.1首先將已標記的壓裂數據分為兩部分，分別占比為75％、25％；

S4.2 75％部分的壓裂數據作為訓練樣本通過網絡前向傳輸到BP神經網絡后，網絡隨機生成權重和偏置，經由激活函數tanh函數計算，得到輸出結果，結果定義為網絡測試輸出結果B；

S4.3將網絡測試輸出結果B與壓裂數據實際對應的標簽值A進行比較，二者的差值通過網絡反向傳播，通過近似的最速下降法更新權值和閾值，當網絡輸出達到了誤差精度時，結束神經網絡的訓練；

S4.5用剩下的25％的壓裂數據作為測試樣本集，用于檢驗訓練的效果；

當GA-BP網絡訓練到最優狀態時，將大量壓裂數據導入到網絡中，通過網絡輸出來識別、檢測壓裂異常數據并清除，實現壓裂臟數據的自動清洗；

步驟5.實際數據測試。

2.如權利要求1所述的基于遺傳算法優化的BP神經網絡的壓裂數據清洗方法，其特征在于，所述步驟1具體包括：從壓裂儀表車中隨機提取若干壓裂數據，判斷壓裂數據是否屬于正常閾值范圍并進行人工標記，其中閾值范圍由相關行業標準規定；若屬于正常閾值范圍則標記為1，視作正常數據；若不屬于正常閾值范圍則標記為0，視作異常數據。