基于PCA-BP算法的机械钻速预测研究.pdf
《基于PCA-BP算法的机械钻速预测研究.pdf》由会员分享,可在线阅读,更多相关《基于PCA-BP算法的机械钻速预测研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、钻井技术与装备基于 算法的机械钻速预测研究汤 明 王汉昌 何世明 张光福 孔令豪(西南石油大学油气藏地质及开发工程国家重点实验室)汤明 王汉昌 何世明 等.基于 算法的机械钻速预测研究.石油机械 ():.():.摘要:钻井过程中 机械钻速是衡量钻井效率的一个重要指标 准确预测机械钻速对提高钻井效率、降低成本具有重要作用 常用的钻速方程预测模型存在建模困难、求解困难等问题 为此 提出一种基于主成分分析算法()优化 神经网络的机械钻速预测新模型 基于 模型预测机械钻速 并将预测结果与、和 等模型的预测结果进行横向对比 结果表明 的拟合优度()分别提高 、和 均方根误差分别降低、和 平均绝对百分比误
2、差分别降低 、和 预测结果表明 新模型的精度更高、收敛速度更快 模型还可实时评价影响机械钻速因素的合理性 为提高机械钻速提供指导意见 研究结果可为实际钻进过程中提高机械钻速提供更科学的参考依据关键词:机械钻速预测 参数优化 小波滤波 主成分分析 神经网络中图分类号:文献标识码:/():().().()()().:年 第 卷 第 期石 油 机 械 基金项目:国家自然科学基金青年基金项目“基于水化进程的泥岩地层井壁坍塌机理研究”()国家自然科学基金面上项目“基于多场耦合理论的页岩气水平井井壁失稳机理研究”()引 言机械钻速()是反映钻井效率的重要指标 为优化钻井相关作业 降低钻井成本 需要准确预测
3、机械钻速 到达实时优化的目的 精确建立机械钻速与影响因素之间的模型 对预测机械钻速、优化工程参数具有重大意义钻速预测模型分为:基于钻速方程的预测模型 基于物理过程 针对不同参数与钻速的关系建立数学模型预测钻速 例如 建立钻压、可钻性、转速、钻头磨损系数以及进尺与机械钻速之间的量化关系 等在传统钻速方程基础上引入机械参数、水力参数和流变参数等 个量优化钻速方程 基于分形理 论 修 正 钻 速 方 程 提 高 预 测 精 度 .等通过引入岩石力学参数、压力和水力参数 修正钻速预测模型 等基于岩石可钻性 建立岩石单轴抗压强度、密度、硬度、孔隙度与机械钻速的数学模型.等基于切削齿和岩石的相互作用 建立
4、了机械钻速与切削齿数量、切削面积和钻头直径之间的关系 为钻头选型提供了参考思路 等使用岩石动态抗压强度代替静态抗压强度提高牙轮钻头钻速预测模型的精度 基于机器学习的钻速预测模型 基于现场大数据 等利用模糊类的机器学习算法 建立了 油田不同层位的钻速回归模型 但该模型的普适性和泛化性较弱 仅仅适用于 油田 为提高模型预测精度和泛化性 等归纳了神经网络()、支持向量机()、支持矢量回归()、极端机器学习()和梯度增强决策树()等算法在钻井工程中的适用性 提高了不同情况下对应模型的泛化能力和可靠性上述用于预测机械钻速的钻速方程模型存在建模困难、求解困难和对井场大数据利用率低下等问题 基于机器学习的钻
5、速预测模型存在模型输入层参数过多 寻找隐藏层最优的节点数困难、计算成本高、预测结果稳定性差且无法实现实时反馈参数合理性等问题 为实现钻速准确高效预测 本文提出一种基于主成分分析()优化的 ()神经网络机械钻速预测新模型 该模型以现场数据为基础 首先采用小波滤波法对数据进行降噪处理 其次采用 提取数据集主成分 降低输入层参数个数 缩小隐藏层节点数的寻找范围 并将主成分作为模型输入参数 预测机械钻速 最后 基于预测结果实时反馈参数合理性并加以调整 以期为提高机械钻速提供科学的指导意见 基于主成分分析的 神经网络基于主成分分析法 对 神经网络输入层参数进行降维 有利于缩小隐藏层最优节点数的寻找范围
6、降低计算成本 优化模型计算过程 提高模型预测结果的稳定性 主成分分析法()主成分分析属于降维算法 目的是将多个变量指标类型转化成少数几个主成分 且这些主成分是原始变量的最大线性无关组合 因此能代表原始数据的绝大部分信息 主成分分析原理是将离散的数据点(信息)尽可能地集中在一个方向(本质为找出数据中心 旋转坐标轴)并以该方向的信息作为描述系统内离散数据点的主要特征 以二维情况为例 原始变量为、由二维正态分布可知 样本点分布在一个平面椭圆内 若长轴方向取 短轴方向取 效果相当于将原坐标轴按照一定角度进行旋转 使更多的样本点都分布在坐标轴方向 如图 所示图 主成分几何关系图 由图 可以看出 坐标旋转
7、后有如下性质:新坐标、非相关 平面样本点的波动可以归结为 轴上的波动 而 轴上波动较小 称、为、的主成分 若椭圆长径远大于短径 则短径上的综合变量 可忽略不计 可只考虑长径()方向的波动 因此二维平面可降维成一维线性 故 即为、的主成分 基于数学角度 找出主成分即为找出样本数据集较大特征值对应的特征向量 神经网络 神经网络的原理是通过修正实际值和预测 石 油 机 械 年 第 卷 第 期值之间的误差 通过反向调节机制改变神经网络的权值和阈值 使预测值不断接近实际值 如果误差较大 则重新选择连接权值进行计算 直到误差满足要求 该方法解决了隐藏层不易确定的问题 具有较强的实用价值 模型机械钻速受到众
8、多因素综合影响 利用 方法可有效降低多影响因子间的冗余程度 从而获得机械钻速与影响因子间的本质关系 然后将数据集主成分作为 神经网络的输入参数 进行机械钻速预测 优化 神经网络算法步骤如图 所示图 基于 优化的 神经网络机械钻速预测模型流程图 基于 的机械钻速预测建模基于 的机械钻速预测建模步骤具体为:首先对钻井大数据进行预处理 清洗掉数据中的异常值、错误值等 其次对后处理数据进行主成分分析 降维输入层参数 缩小隐藏层神经元最优节点数的寻找范围 最后以数据集主成分作为 神经网络的输入参数 机械钻速作为输出参数 进行机械钻速的预测研究 钻井数据预处理井场中通过数字电路传输录、测井等数据 由于高频
9、数字电频的影响 信号中会出现大量带有尖峰或突变的异常“噪声”为提高原始数据中信息利用率 需除去噪声干扰成分 小波滤波法同时具备“局部化、窗口大小随频率变换”的优点 可对高频部分“高时间分辨率、低频率”影响产生的白噪声进行有效去除 将分析信号()作为小波变换 即有:()()()式中:()为经过小波变换后的去噪数据()为尺度因子 作用是实现基本小波()的伸缩变换 为平移因子 作用是实现基本小波在时间轴上的平移变换 主成分分析现场数据种类繁多冗杂 数据之间大多为非线性关系 为便于计算和现场简化应用 采用主成分分析对数据降维 简化计算 方法的计算步骤如下步骤:标准化处理 假设有 个样本 个指标 则可以
10、构成大小为 的样本矩阵:()()对式()按列计算均值再求标准差 得到数据集标准阵:()式中:为变量 的均值 ()()式中:为变量 的标准差对数据进行标准化处理:()式中:为变量 的标准化数据故原始样本矩阵经标准化后变为:()()步骤:计算标准化样本的协方差矩阵并求对应的特征值和特征向量 ()()()()式中:为变量标准化后的协方差 为数据集的协方差矩阵 年 第 卷 第 期汤 明 等:基于 算法的机械钻速预测研究 计算特征值:由于 是半正定矩阵 且矩阵的轨迹为 ()计算特征向量:()式中:为协方差矩阵的特征值 为协方差矩阵的特征向量步骤:计算主成分贡献率及累计贡献率 ()()()()式中:为主成
11、分贡献率 为主成分累计贡献率步骤:分析主成分代表意义 在实际应用中 主成分的选取原则为 选取累计贡献率超过的特征值对应的第一、第二、第 ()个主成分第 个主成分为:()()机械钻速预测建模 机械钻速预测模型框架结构如图 所示 机械钻速预测模型建模过程共分为 个部分:第一个部分为数据预处理部分 作用是收集整合现场实测数据并对数据进行降噪 提高数据可信度 第二部分为数据主成分分析部分 其目的是完成数据集的主成分分析 简化数据结构 第三部分为 神经网络的结构确定与训练部分 该部分的输入变量为第二部分中计算所得数据集主成分 输出变量为机械钻速 第四部分为预测误差分析和效果评价 若预测误差精度达到精度要
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 PCA BP 算法 机械 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。