[發明專利]一種基于神經網絡的鉆井堵漏配方預測方法

有效

• 申請號: 202110419715.0
• 申請日: 2021-04-19
• 公開（公告）號: CN113111586B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 蘇俊霖;程瀚銳;黃誠;尹玉紅;張愛;蒲亮
• 申請（專利權）人: 西南石油大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/00;G06N3/08;G06Q10/04;G06F111/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于神經網絡的鉆井堵漏配方預測方法，其特征在于，包括：

通過對采集到的井史數據資料整理得到預測堵漏配方所需的10個參數：各層段巖性、地層孔隙壓力系數、井深結構、鉆井液粘度、鉆井液密度、井史漏失泵壓、井史漏失鉆速、井史漏失速度、井史漏失量、井史不同層段漏失所用配方；

將采集到的井史數據資料進行數據預處理，數據預處理內容包括數據清洗、數據集成、數據轉換、數據歸約、數據歸一化處理，最終得到經過預處理后的堵漏配方井史數據；

將預處理后的堵漏配方井史數據資料作為輸入，堵漏配方作為輸出，以真實堵漏配方為標準值，建立并優化神經網絡堵漏配方預測模型；

按照梯度下降法訓練優化后的神經網絡堵漏配方預測模型；

根據給定的鉆井液性能要求，輸入目標正鉆井相關鉆井即時數據，由所設置的模型自動判斷并給出相應的堵漏配方；

所述的數據預處理中數據清洗步驟具體為：

根據每個變量的合理取值范圍和相互關系進行一致性檢查，檢查數據是否合乎要求，將超出正常范圍、邏輯上不合理或者相互矛盾的數據進行糾正和剔除；

將邏輯內容與原數據不一致的數據進行剔除，同時對于邏輯錯誤的數據先進行去重，然后去除不合理值，最后修正矛盾內容；

將清洗過程中所缺失的值利用極大似然估計法進行填補；

通過分箱方法考察數據近鄰的值來光滑有序的數據值；

所述的數據預處理中數據集成的內容具體為：

將存儲在MySQL、excel、Access三種數據格式下的不同數據全部導入Access數據庫中，使其格式得到統一，通過采用數據倉庫的方法將數據存放于模型中；

所述的數據預處理中數據轉換的內容具體為：

數據轉換的主要內容有數據平滑、數據聚集、數據泛化、數據規范化，所述的數據轉換進一步特征在于，數據轉換的具體過程為：

將原數據通過回歸方法除去數據中的噪聲，然后將有關屬性數據按比例投射到特定的小范圍之中，再根據已有屬性集構造新的屬性，最后對數據進行總結和合計操作；

所述的數據預處理中數據歸約的內容具體為：

數據歸約的主要內容有特征歸約、數量歸約、維歸約、值歸約；

上述所述數據歸約的再進一步特征為：

所述特征歸約是從原有的特征中刪除不重要或不相關的特征數據，然后通過對特征數據進行重組來減少特征的個數；

所述數量歸約就是用可替代的、小于預設值的數據替換原始數據，使用模型估計數據的方法，使得模型中只存放模型所需參數數據；

所述維歸約是運用主成分分析方法減少所考慮的隨機變量或屬性的個數；

所述值歸約是利用特征離散化技術，減少已知特征的離散值數目，將連續型特征的值離散化，使之成為少量的區間；

所述數據預處理中數據歸一化處理的具體內容為：

采用Min-Max標準化進行數據預處理；

Min-Max標準化，即將數據減去數據中最小值后再除以數據中最大值和最小值之差，如下式：

上式進一步特征在于，其中x為原數據，x′為新數據，Max(x)為數據中最大數據值，Min(x)為數據中最小數據值。

2.根據權利要求1所述一種基于神經網絡的鉆井堵漏配方預測方法，其特征在于，所述的建立并優化神經網絡堵漏配方預測模型中，神經網絡堵漏配方預測模型的建立及優化過程為：

確定輸入層和輸出層神經元參數，將預測堵漏配方所需的10個參數作為輸入層神經元參數，將所求不同層段堵漏配方作為輸出層參數，本次所求不同層段設定為3個層段；確定隱層神經元；確定傳遞函數；采用PSO算法對模型進行無約束優化。

3.根據權利要求2所述一種基于神經網絡的鉆井堵漏配方預測方法，其特征在于，所述確定隱層神經元，進一步特征在于，神經網絡隱層神經元個數使用下式來確定：

其中，m為輸入層神經元的個數，對應等于10，n為輸出層神經元的個數，對應等于3，表示向下取整符號，a為[1，10]的整數，本實施例中a取5，計算可得隱層神經元個數為8，則本實施例中網絡結構為10-8-3的三層BP神經網絡；

所述確定傳遞函數具體內容為：

隱層傳遞函數采用S型函數，表達式為輸出層傳遞函數采用線性函數，表達式為f_o(x)＝kx；

所述采用PSO算法對模型進行無約束優化具體方案為：

(1)確定PSO算法優化對象，將BP神經網絡模型中的權值和閾值的集合作為算法要PSO優化的參數，參數個數為每個粒子的維數d，使用下式來確定：

d＝ml+nl+n＝10×8+8×3+3＝107

(2)確定的粒子維數構建初始粒子群；由系統隨機生成200個粒子構建初始粒子群，第i個粒子的位置矢量表示為x_i＝[x_i1，x_i2，…，x_id]^T，速度矢量表示為v_i＝[v_i1，v_i2，…，v_id]^T，到當前迭代為止粒子個體最優位置記為p_i＝[p_i1，p_i2，…，p_id]^T，全局最優位置記為p_g＝[p_g1，p_g2，…，p_gd]^T；

(3)計算粒子的適應度函數，使用下式確定：

其中M表示訓練樣本的個數，P_p1，P_p2，P_p3分別表示第p個樣本在三個不同層段預測輸出的堵漏配方誤差值，T_p1，T_p2，T_p3分別表示第p個樣本在三個不同層段實際的堵漏配方誤差值；

(4)根據步驟(3)中的適應度值評價粒子群中所有個體，并更新當前粒子的個體最優值p_i和全局最優值p_g；

(5)使用下面兩式更新粒子的速度和位置：

v(t+1)＝w×v(t)+c₁×r₁×(p_id-x(t))+c₂×r₂×(p_gd-x(t))

x(t+1)＝x(t)+v(t+1)

式中t表示迭代次數，w表示權重，c₁和c₂表示加速因子，p_gd表示d維全局最優位置，p_id表示d維個體最優位置，是非負常數，設為2，r₁和r₂為[0，1]之間的隨機數；

(6)迭代計算輸出最優粒子；當適應度值Fit小于設定值或達到迭代次數時PSO算法終止，將全局最優值p_g映射到BP神經網絡的權值和閾值，即得到PSO算法優化后的BP神經網絡模型。