基于BAS算法改进BP神经网络的钻井机械钻速预测方法与流程

技术特征：
1.一种基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，包括以下步骤：步骤一、获取钻井参数；按照采样周期，采集钻井施工过程中的钻井参数。步骤二、对钻井参数进行降噪处理；步骤三、筛选钻进参数；步骤四、对筛选的参数进行归一化处理；步骤五、对数据进行分组；步骤六、确定bp神经网络架构；步骤七、bas优化bp神经网络；应用bas算法对步骤六确立的bp神经网络架构中的初始权值和阈值进行优化；步骤八、对模型进行训练；步骤九、对模型进行测试；应用步骤八训练出的bas改进的bp神经网络模型，对步骤五中的测试集数据进行测试；步骤十、对模型进行评价；步骤十一、对模型进行保存；将满足步骤十的bas改进的bp神经网络模型保存。2.根据权利要求1所述的基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，在步骤二中，将步骤一中获取的各项钻井参数做如下小波变换：式中，a＞0，为尺度因子，实现对基本小波进行伸缩变换；τ为平移因子，实现对基本小波在时间轴上的平移变换，无量纲；t为积分函数自变量；x(t)为待处理连续函数，即为步骤一中获取的各项钻井参数，为基本小波函数，用于对x(t)实现滤波；w
f
(τ,a)是经过尺度变换及平移变换后的连续信号，此处为处理后的各项钻井参数。3.根据权利要求1所述的基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，在步骤三中，应用互信息作为相关性分析的标准，按照互信息定义公式对降噪处理后的数据进行互信息分析，计算公式如下：式中，nmi(x；y)为降噪后的互信息值；h(x,y)是变量x、y的联合熵；h(x)、h(y)分别为变量x、y的无条件熵；步骤三中所获得的两个变量间的降噪后的互信息值越高，则说明这两变量间的相关性越强，反之越弱；在步骤三中通过对步骤二的各项钻井参数分析互相关性，根据结果对相关性强的两个变量只保留其中一项即可。4.根据权利要求1所述的基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，在步骤四中对步骤三筛选后的钻井参数进行归一化处理，将各项钻进参数的数值映射至-1至1之间，从而降低各钻井参数由于量级差异过大从而导致bas改进的bp神经网络模型的预测误差过大的情况，归一化公式如下：
式中，x
norm
为数据归一后的值，x为数据归一前的值，x
max
、x
min
分别为数据归一前的最大值和最小值，y
max
、y
min
分别为数据归一后的最大值和最小值。5.根据权利要求1所述的基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，在步骤五中，将步骤三所筛选的钻井参数为输入变量，机械钻速为输出变量，并按照一定比例对数据进行分组，将数据分为训练集和测试集两组。6.根据权利要求1所述的基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，在步骤六中，以步骤三的筛选结果为bp神经网络的输入层的输入变量，确定中间层层数n；以钻井机械钻速作为输出层建立初始bp神经网络架构；设立训练次数m，训练目标ε，学习效率μ。7.根据权利要求1所述的基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，在步骤八中，将训练次数、训练目标作为模型训练终止条件，应用步骤七bas改进的bp神经网络，对步骤五中的训练集数据进行训练。8.根据权利要求1所述的基于bas算法改进bp神经网络的钻井机械钻速预测方法，其特征在于，在步骤十中，选取决定系数r2作为评价指标，其计算公式如下：式中，为第i个样本的预测值；y
i
为第i个样本的真实值；n为样本个数；其中，均方根和平均绝对误差百分比的值越小，模型越好；决定系数的范围在[0，1]，越接近于1，则模型的性能越好，反之越差。

技术总结
本发明提供一种基于BAS算法改进BP神经网络的钻井机械钻速预测方法，包括以下步骤：步骤一，获取钻井参数；步骤二，对钻井参数进行降噪处理；步骤三，筛选钻进参数；步骤四，对筛选的参数进行归一化处理；步骤五，对数据进行分组；步骤六，确定BP神经网络架构；步骤七，BAS优化BP神经网络；步骤八，对模型进行训练；步骤九，对模型进行测试；步骤十，对模型进行评价；步骤十一，对模型进行保存。本发明所涉及钻井机械钻速预测方法以现场实测数据为依据，以混合算法的为手段，以计算机为求解工具，对提高钻井效率，降低钻井成本具有重要意义。降低钻井成本具有重要意义。降低钻井成本具有重要意义。


技术研发人员：何璟彬 陈伟林 李小鹏 倪华峰 李录科 李德波 石崇东 赵莹 詹胜 何以晴
受保护的技术使用者：中国石油集团川庆钻探工程有限公司
技术研发日：2021.05.10
技术公布日：2022/11/10