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

基于bas算法改进bp神经网络的钻井机械钻速预测方法
技术领域
1.本发明属于石油勘探与开发以及钻井工程领域，具体涉及一种基于bas算法改进bp神经网络的钻井机械钻速预测方法。


背景技术：

2.在石油与天然气开发过程中，钻井工程是至关重要的一环，而提高钻井效率，降低钻井成本是钻井工程领域的最为重要研究内容之一。机械钻速是评价钻井效率的重要指标，而机械钻速的影响因素众多，主要可分为两个大类：一类是不可控因素，主要表征地层性质及岩石物性，如岩石类型、岩石可钻性、泥质含量、孔隙体积等；另一类是可控因素，主要为钻进过程的钻井液参数及作业参数如钻井液密度、粘度、排量及钻压、转速、扭矩以等。精确建立机械钻速与影响因素之间模型对于预测机械钻速、优化工程参数至关重要。现有的机械钻速预测方法缺乏对现场实测数据的应用，现有的基于智能算法的钻井机械钻速预测模型，很容易陷入局部最优，且预测结果稳定相差。


技术实现要素：

3.本发明提供了一种基于bas算法改进bp神经网络的钻井机械钻速预测方法，用于克服上述问题或者至少部分地解决或缓解上述问题。
4.为此，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：
5.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。
6.步骤二、对钻井参数进行降噪处理；
7.步骤三、筛选钻进参数；
8.步骤四、对筛选的参数进行归一化处理；
9.步骤五、数据分组；
10.步骤六、确定bp神经网络架构；
11.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；
12.步骤八、对模型进行训练；
13.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；
14.步骤十、对模型进行评价；
15.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。
16.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：
17.18.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；wf(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。
19.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：
[0020][0021]
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。
[0022]
在步骤四中，在步骤四中对步骤三筛选的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；归一化公式如下：
[0023][0024]
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。
[0025]
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。
[0026]
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。
[0027]
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。
[0028]
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：
[0029][0030]
式中，为第i个样本的预测值；yi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。
[0031]
本发明的基于bas算法改进bp神经网络的钻井机械钻速预测方法以现场实测数据
为依据，以混合算法为手段，以计算机为求解工具预测钻速模型，将对提高钻井效率，降低钻井成本具有重要意义。
附图说明
[0032]
图1本发明中的基于bas算法改进bp神经网络的钻井机械钻速预测方法流程图；
[0033]
图2本发明中的现场实测数据降噪处理前后对比图；
[0034]
图3本发明中的钻井参数互信息检测结果图；
[0035]
图4本发明中的未进行归一化处理的原始数据；
[0036]
图5本发明中的归一化处理后的数据；
[0037]
图6本发明中的应用matlab进行神经网络模型训练；
[0038]
图7本发明中的加热段压降换热解算结果折线图；
[0039]
图8本发明中的流出段压降换热解算结果折线图；
[0040]
图9本发明中的bas改进的bp神经网络模型决定系数值。
具体实施方式
[0041]
下面通过一个具体的实施例，进一步对本发明进行说明。
[0042]
参考图1，本发明提出一种基于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：
[0043]
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。本方法所采集的数据包含：机械钻速、转速、钻压、流量、立管压力、井深、井径、稠度系数等八个参数。
[0044]
步骤二、对钻井参数进行降噪处理；将步骤一中获取的各项钻井参数做如下小波变换：
[0045][0046]
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；wf(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。
[0047]
如图2所示，应用小波滤波方法中的软阈值滤波对步骤一获取的现场数测数据进行降噪处理，选取符合要求的分解结果作为输出结果。本方法选取第m层分解结果为数据降噪的结果，m根据要求自行选取，一般选取3或4。
[0048]
步骤三、筛选钻进参数；参考图3互相关分析结果，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步骤二归一化处理后的数据进行互信息分析，计算公式如下：
[0049]
[0050]
式中，nmi(x；y)为归一化的互信息值(即将值规范到0和1之间)；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。在本方方法中，x、y为分析相关性的两个钻井参数，将除机械钻速以外线性相关强的钻井参数进行剔除，保留一项即可。
[0051]
如图3所示，其中流量与稠度系数、立管压力与深度线性相关性较强，本案例中剔除流量和立管压力，因此机械钻速、转速、钻压、深度、井径和稠度系数为最终筛选的钻进参数。
[0052]
步骤四、对筛选的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；参考图4和图5，归一化公式如下：
[0053][0054]
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。
[0055]
步骤五、对数据进行分组；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，本案例将所有数据中的80％作为模型训练集，将其余20％作为模型测试集。
[0056]
步骤六、确定bp神经网络架构；参考图6，步骤三的筛选结果为bp神经网络的输入层的输入变量，即转速、钻压、井深、井径和稠度系数；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。本案例中n＝14，m＝10000，ε＝106，μ＝0.01。
[0057]
步骤七、bas优化bp神经网络；应用bas算法对步骤五确立的bp神经网络架构中的初始权值和阈值进行优化。
[0058]
步骤八、对模型进行训练；参考图6，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。
[0059]
步骤九、对模型进行测试；参考图7，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。
[0060]
步骤十、对模型进行评价；参考图8，选取决定系数(r2)作为评价指标，，其计算公式如下：
[0061][0062]
式中，为第i个样本的预测值；yi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。
[0063]
σ为设定满足需求的决定系数最小值，当r2＞σ时，则所建立的bas改进的bp神经网
络模型为本方法所建立的模型。若r2＜σ时，则修改步骤六中的模型中间层数，重复步骤六至步骤九直至r2满足要求。
[0064]
案例中选取σ＝0.9，参考图9，0.948＞0.9，显然本案所建立的bas改进的bp神经网络满足要求。
[0065]
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。
[0066]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。