基于神经网络的PSO钻井参数优化方法与流程

本发明属于钻井工程技术领域，尤其是涉及一种基于神经网络的pso钻井参数优化方法。

背景技术：

钻井工程是油气开发领域中的关键环节，是勘探开发过程中经济投入最大、风险最高的环节之一。钻井过程的效率和成本直接反映出钻井水平的高低，对后续油气生产和作业具有重要意义。由于受到地质条件、钻机机械性能、钻井液特性、钻头类型等因素的综合影响，钻井过程呈现出极大的不确定性。一直以来，如何在复杂因素影响下设法提高钻井效率、缩短钻井周期、节省开发成本已经成为钻井工作的一个工程难点和热点。钻井参数优化是在大量钻井数据和理论分析的基础上，研究各项钻井参数对机械钻速所产生的影响和对应规律，通过对钻压、转速、排量等钻井参数的组合优选，最终达到优化钻井过程，降低钻井成本的目的。目前，钻井参数优化方法大多基于建立各种复杂的数学模型，通过繁琐的公式推导及计算来获得较优的钻井参数。然而，由于钻井过程的复杂性，钻井参数除了受多重因素的影响，各参数之间还存在关联耦合，呈现很大的不确定性、随机性和非线性，通过建立常规数学模型进行优化计算不仅计算过程异常复杂、而且模型常常忽略某些实际条件，导致模型不够精确，实用性及局限性较大。

技术实现要素：

本发明的目的是提供一种基于神经网络的pso钻井参数优化方法，利用神经网络的非线性拟合、大规模并行分布处理和自组织自学习能力，建立钻井过程的非线性映射模型，然后采用粒子群智能优化算法(pso)优化钻井参数，为复杂因素影响的钻井参数优化提供了一种有效方法。

本发明的目的是通过下述技术方案来实现的：

本发明的基于神经网络的pso钻井参数优化方法，其特征在于包括如下步骤：

(1)将当前井地层岩性、井眼尺寸、设计井深、井位、钻具组合等设计参数输入钻井参数优化系统数据库；

(2)从目标数据库查询是否存在当前井的邻井历史数据，若存在则提取后经远程数据传输至系统数据分析处理模块，对邻井数据进行预处理，处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；

(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，同时将随钻数据参数输入神经网络进行模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比；若当前更优，则保持参数不变，判断是否进入优化算法；若预测值更优，将对应参数代替当前参数，判断是否进入优化算法；若人工选择进入优化算法，采用pso算法对当前参数进行组合优化，得到当前状态下的最优参数匹配；若不进入优化算法，则继续以当前参数钻进，并保存数据至数据库，直至结束。

所述的钻井参数优化系统包括数据采集模块、数据传输模块、底层数据库、数据分析处理模块、神经网络预测模块、pso参数优化模块、上位机显示与操作模块。

所述的数据采集模块包括井口检测传感器和井下随钻测量仪测量传感器。

所述的井口检测传感器包括转盘转速、泵冲、立压、池体积、电扭矩、钻井液密度和绞车传感器。

所述的井下随钻测量仪测量传感器包括钻压、扭矩、温度、内外环空压力、振动、井斜、方位和工具面传感器。

本发明的优点：

(1)本发明的基于神经网络的pso钻井参数优化方法，利用传感器技术、信息采集与传输技术，计算机技术与数据挖掘技术将原始参数信号采集，并通过软件处理，分析整个钻井过程信息数据，对重点数据进行筛选、处理，然后输入到神经网络算法并进行后续优化，通过钻井参数优化全过程的多元技术融合，实现对参数实时、动态的智能优化及系统综合分析；

(2)本发明的基于神经网络的pso钻井参数优化方法，依托的神经网络是一种人工智能算法，具有高度的自学习和非线性映射能力，能够通过对样本的学习训练，建立机械钻速与钻井参数之间的映射关系，不依赖固定数学公式，实现对目标的预测，其方法更利于钻井过程中参数的动态优化要求，计算效率高、抗干扰性强、运行平稳，能够实现非线性、不确定性钻井参数建模；

(3)本发明的基于神经网络的pso钻井参数优化方法，采用粒子群优化算法，解决钻井参数组合寻优问题；粒子群算法pso在解决钻井参数优化时有着多方面的优点：首先，pso具有高效的搜索能力，能同时对非劣参数组合进行并行搜索，并且每次迭代能产生一组非劣参数组合；其次，pso的记忆功能可以有效保证粒子跟踪种群中的最好参数组合和自身最优参数组合来对搜索空间进行搜索，算法计算效率高，执行速度快；此外，pso不依赖问题的函数特征和解的形式，便于与神经网络算法进行结合，通用性强，为后续钻井参数优化方法的改进提供了更广阔空间。

附图说明

图1为本发明的结构框图。

图2为本发明数据采集与处理结构框图。

图3为本发明网络训练过程示意图。

图4为本发明神经网络预测值与实际值偏差示意图。

具体实施方式

下面结合附图进一步说明本发明的具体实施方式。

如图1-4所示，本发明的基于神经网络的pso钻井参数优化方法，其特征在于包括如下步骤：

(1)将当前井地层岩性、井眼尺寸、设计井深、井位、钻具组合等设计参数输入钻井参数优化系统数据库；

(2)从目标数据库查询是否存在当前井的邻井历史数据，若存在则提取后经远程数据传输至系统数据分析处理模块，对邻井数据进行预处理，处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；

(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，同时将随钻数据参数输入神经网络进行模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比；若当前更优，则保持参数不变，判断是否进入优化算法；若预测值更优，将对应参数代替当前参数，判断是否进入优化算法；若人工选择进入优化算法，采用pso算法对当前参数进行组合优化，得到当前状态下的最优参数匹配；若不进入优化算法，则继续以当前参数钻进，并保存数据至数据库，直至结束。

所述的钻井参数优化系统包括数据采集模块、数据传输模块、底层数据库、数据分析处理模块、神经网络预测模块、pso参数优化模块、上位机显示与操作模块。

所述的数据采集模块包括井口检测传感器和井下随钻测量仪测量传感器。

所述的井口检测传感器包括转盘转速、泵冲、立压、池体积、电扭矩、钻井液密度和绞车传感器。

所述的井下随钻测量仪测量传感器包括钻压、扭矩、温度、内外环空压力、振动、井斜、方位和工具面传感器。

实施例

1.数据采集与处理

随着自动化和数字化技术发展，钻井过程引入很多先进的实时数据采集和检测平台，积累了海量的钻井数据。这些数据具有数量庞大、来源丰富、数据类型不统一、数据冗余性高等特点。根据公知经验，影响钻井效率的因素复杂，通过查阅资料，目前常见的对机械钻速影响的目标参数有：井深、层位、悬重、钻压、扭矩、钻时、排量、泵压、转速、钻井液密度、钻井液粘度、方位、井斜、垂深、设计井深等。由于钻井之前，设计垂深、设计井深、方位、井斜都已经确定，因此可以视为静态数据不予分析。根据分析，确定钻压、转速、排量、钻井液密度、泵压对优化机械钻速具有更高的可操作性和意义。

数据预处理：

钻井过程是动态且连续的，在钻井现场收集各种随钻参数时，会因为难以控制或难以预见性的干扰因素而导致所采集的原始样本数据存在异常或缺失，为了避免部分样本数据的缺失对神经网路训练精度产生不必要影响，采用填充法处理缺省数据，利用软件将缺省的参数自动填充为邻域一定范围的平均值，虽然此种方式牺牲了一定的模型精确性，但相对原始数据而言损失较小。

然后，进行钻井数据降维度和归一化处理，将钻井参数数据从有量纲的数据转换为无量纲的数据，使得输入数据都成为纯量，从而达到减小不同量纲对网络的影响，也便于神经网络的计算。采用威某井0时-24时实测数据为原始样本数据。利用prestd函数对输入输出参数样本进行规范化处理。

2.神经网络建模

结合钻井参数建立神经网络预测模型，在上述分析的基础上，去除对机械钻速影响较小的参数，选取钻压、排量、钻井液密度、转速、泵压作为神经网络输入，输入层设计输入节点数为5。由于神经网络预测，是通过上一时刻或者历史时刻的钻压、排量等参数预测下一时刻的机械钻速情况，因此网络输出应为机械钻速，输出节点数为1。隐含层设计，通常隐含层数目越多，神经网络的输出精确性越高，误差越小。但神经网络的训练时间会对应增加，增加隐层节点数可以达到提高精度、降低误差的目的，因此选取隐含层为单层结构。神经网络隐层节点数目的确定目前没有精确的理论依据，但目前常用最佳隐含层节点数的经验公式有以下几种：

(1)

(2)

(3)n＝log2mi

(4)n＝2mi+1

n：隐层节点数；

mi：输入层节点数；

mj：输出节点数；

c：10～15任意常数

根据公式(4)确定隐层神经元为5。

网络训练：采集大量样本对神经网络进行训练，达到预设精度后保存网络；根据神经网咯输入节点为5，输出节点为1，将采集到的8000条现场实测样本数据中的前3000条作为训练数据，作为神经网络的输入，对神经网络进行训练，训练步数为1000，精度为0.01％，训练完成后绘制图像如附图1。

检验网络：将采集到的8000条现场实测样本数据中的后5000条作为检验数据，作为神经网络的输入，对神经网络预测模型进行验证，得到结果。

3.pso优化算法

若人工判断进入优化程序，则开始pso优化参数。所述pso优化算法包括粒子编码、适应度函数选取以及参数设置三个关键点。所述粒子编码采用向量编码方式，分别对应钻压、排量、钻井液密度、转速、泵压参数。适应度函数通常是一个固定的函数式，由于本实例中参数预测模型是由神经网络非线性映射得出，因此粒子群算法的适应度函数以神经网络的输出结果充当。所述粒子参数设置包括种群规模、迭代次数等参数的设置，种群规模m＝50，迭代次数n＝120，学习因子c1＝1.0,c2＝2.0。