基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究.pdf
《基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究.pdf》由会员分享,可在线阅读,更多相关《基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究.pdf(9页珍藏版)》请在咨信网上搜索。
1、投稿网址:2023 年 第23 卷 第24 期2023,23(24):10264-09科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T收稿日期:2022-10-24修订日期:2023-05-23基金项目:国家自然 科学基 金(52004229,52034006,52225401,52274231);中 国石油-西南 石油 大学创 新联合 体科技 合作 项目(2020CX040301)第一作者:刘伟吉(1989),男,汉族,四川成都人,博士,副教授,硕士研究生导师。研究方向:油气钻井高效破岩理论与方法。
2、E-mail:lwj2017_。引用格式:刘伟吉,冯嘉豪,祝效华,等.基于动量自适应学习率 PSO-BP 神经网络的钻速预测模型研究J.科学技术与工程,2023,23(24):10264-10272.Liu Weiji,Feng Jiahao,Zhu Xiaohua,et al.Prediction model of penetration rate based on PSO-BP neural network with momentum adaptivelearning rateJ.Science Technology and Engineering,2023,23(24):10264-10
3、272.基于动量自适应学习率 PSO-BP 神经网络的钻速预测模型研究刘伟吉1,2,冯嘉豪1,祝效华1,2,李枝林3(1.西南石油大学机电工程学院,成都 610500;2.西南石油大学地热能研究中心,成都 610500;3.中国石油集团川庆钻探工程有限公司,广汉 618399)摘 要 机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测 ROP 是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的 ROP 方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有 BP(back prop
4、agation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化 BP 神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对 BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的 BP 改进算法,提高了 BP 神经网络的训练速度和拟合精度,获得了更好的泛化性能。将 BP 神经网络与遗传优化算法(genetic algo-rithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率 BP 神经网络。研究利用 XX8-1-2
5、 井的录井数据进行实验,对比 BP 神经网络、PSO-BP 神经网络、GA-BP 神经网络3 种不同的改进后神经网络的预测结果。实验结果表明:优化后的 PSO-BP 神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的 ROP 预测。关键词 钻速(ROP)预测;BP 神经网络;附加动量法;自适应学习率;遗传算法(GA);粒子群算法(PSO)中图法分类号 TE19;文献标志码 APrediction Model of Penetration Rate Based on PSO-BP NeuralNetwork with Momentum
6、Adaptive Learning RateLIU Wei-ji1,2,FENG Jia-hao1,ZHU Xiao-hua1,2,LI Zhi-lin3(1.School of Mechatronic Engineering,Southwest Petroleum University,Chengdu 610500,China;2.Geothermal Energy Research Center of Southwest Petroleum University,Chengdu 610500,China;3.CNPC Chuanqing Drilling Engineering Compa
7、ny Limited,Guanghan 618399,China)Abstract The rate of penetration(ROP)is a key factor in optimizing drilling operations and reducing costs.Effectively predictingthe ROP is the key to improve drilling efficiency.Due to the complex and changeable conditions and the heterogeneity of the formationduring
8、 drilling,the traditional ROP equation and regression analysis methods are limited to predict the ROP.To achieve high-precisionprediction of ROP,a new optimized neural network model was proposed,namely,particle swarm optimization back propagation(BP)neural network with dynamic adaptive learning rate
9、,which used logging data to establish a target well prediction model to predict thedrilling speed.In the training process,the BP neural network was optimized,and the heuristic algorithm,that is,the additional mo-mentum method and the adaptive learning rate,was used to combine the two methods to form
10、 a dynamic adaptive learning rate BP im-proved algorithm,which improved the training of the BP neural network,speed and fitting accuracy,resulting in better generalizationperformance.Combining BP neural network with genetic algorithm(GA)and particle swarm optimization(PSO),the optimized dy-namic ada
11、ptive learning rate BP neural network was obtained.The logging data of well XX8-1-2 was used to conduct experiments andcompare the prediction results of three different improved neural networks:BP neural network,PSO-BP neural network,and GA-BPneural network.The experimental results show that the opt
12、imized PSO-BP neural network has the best prediction performance,hashigher efficiency and reliability,can effectively use engineering data,and provide more accurate ROP prediction in areas with a certain投稿网址:amount of data collection.The research results provide a new prediction method and idea with
13、 higher precision and efficiency than thetraditional method of ROP equation for the prediction of ROP in drilling operations.Keywords rate of penetration(ROP)prediction;back propagation(BP)neural network;additional momentum term;adaptivelearning rate;genetic algorithm(GA);particle swarm optimization
14、(PSO)机械钻速(rate of penetration,ROP)在石油钻探中常指钻头在井下作业时的前进速度,它是反映钻井速度的重要指标。如何有效提高机械钻速是钻井工程的关键,更快的钻速意味着更高的钻井效率和更低的成本1。而影响钻速的参数太多,如转速、钻压、钻头磨损、地层硬度(包括地层深度和地层类型)、压差(包括泥浆密度)等,多种参数的影响导致钻速呈非线性变化,这给预测带来了困难2。现有的传统预测钻速的方法通常是利用钻压、转速、大钩载荷以及其他参数一起建立钻速方程。钻速方程最主要的缺点在于需要工程师利用自身经验和多元回归来求解钻速方程中的待定系数,这种求解方式导致钻速的预测误差在 30%以上
15、,还需要投入大量的人力财力3-5。并且钻速方程的适应性不佳,不能在不同地区不同环境下重复多次使用,每换一个环境则需要重新建立方程。由于传统的钻速预测方式与工程专家的经验密切相关,具有很强的自主性,相关的理论研究较为分散,不成系统,这导致预测的结果不仅滞后,而且精度不能达到要求。故现需要一种高效准确的钻速预测方法。近年来,人工智能方法在各领域的表现突出,在石油行业上也崭露头角,越来越多的专家和公司都将传统的钻探问题与人工智能相结合,利用多种不同的神经网络对实钻过程中井下复杂工况的预警和解决6,如 BP(back propagation)神经网络、支持向量机、多元感知器神经网络等。Anemange
16、ly等7使用粒子群优化算法多元感知器神经网络(multi-layer perceptron_particle swarm optimization,MLP_PSO)和布谷鸟优化算法多元感知器神经网络(MLP_cuckoo optimization algorithm,MLP_COA)两种神经网络对钻速进行了预测,发现 MLP_PSO 可以更有效地预测钻速。管志川等8总结了 BP 神经网络的缺陷,建立了基于粒子群优化算法(particleswarm optimization,PSO)优化 BP 神经网络的钻井动态风险评估模型,解决了深井复杂地层或深水环境钻井过程中的风险预测问题。李琪等9-10利
17、用贝叶斯算法和粒子群算法对 BP 神经网络进行了优化,克服了 BP 神经网络稳定性差、收敛速度慢等缺点。刘维凯等11分析了井下随钻参数对钻速的影响,建立并优化了 BP 神经网络模型来进行钻速预测。张海军等12利用遗传算法优化随机森林算法,研究发现预测准确性远超支持向量机与 K 近邻算法。综上可知,传统的 BP 神经网络的稳定性差、预测精度低、学习速度慢、受异常值影响严重。通常都会用不同的算法对其进行优化,同时不同算法的优化效果也不同。鉴于此,利用优化算法对 BP 神经网络的权值和阈值进行处理,形成基于 PSO 和遗传算法(genetic algorithm,GA)优化后的 BP 神经网络来预测
18、钻速。同时在此基础上加入附加动量项和自适应学习率来提高神经网络的预测速度。最后对比两种优化后的 BP 神经网络和传统 BP 神经网络,提出一种更适用于机械钻速预测的 PSO-BP神经网络。利用该神经网络相较于传统钻速方程对机械钻速进行预测拥有更强的非线性特征捕捉能力和更高的预测精度,为实钻过程中机械钻速的精确预测奠定了理论基础,为司钻作业提供了理论指导。1 数据预处理1.1 数据来源研究数据来源为某海上油田在同一区块下的三口直井的录井数据。数据包括有井深 1 800 3 500 m的各项录井参数,如钻速(ROP)、钻井总深度(total depth,TD)、钻压(weight on bit,W
19、OB)、悬重(weight on hook,WOH)、转盘转速(rotation perminute,RPM)、扭矩(TORQUE)、泵压(slurry pumppressure,SPP)、泥浆泵排量(PUMPFLOW)、增压器排量(BOOSTERFLOW)、累计钻进时间(bit time,BT)、泵冲时间(pump time,PT)、入口钻井液密度(MW IN)、出口钻井液密度(MW OUT)、入口温度(TMP IN)、出口温度(TMP OUT)以及地层岩性(main lithology,ML)。除地层岩性为不连续参数外,其余参数皆为连续参数。使用不同数字表示不同的岩性,如表 1 所示。表
20、1 不同岩性代号Table 1 Codes of different rock types岩性代号灰色泥岩1灰色粉砂质泥岩2杂色砂砾岩3浅灰色细砂岩4浅灰色粗砂岩5花岗岩6562012023,23(24)刘伟吉,等:基于动量自适应学习率 PSO-BP 神经网络的钻速预测模型研究投稿网址:1.2 数据清洗由于在钻井作业时,人员的操作以及环境的变动会导致数据的异常变动。通常有 3 种清理方式,包括重复数据清理、缺失数据清理和噪声数据清理。由于在研究中对 XX 油田三口井的录井数据并不存在数据重复的现象,故只对缺失数据和噪声数据进行清洗。由于缺失数据较总体数据占比小,故采用忽略不完整数据的数据处理方
21、法。针对噪声数据清理,采用分箱法来进行数据平滑。将预处理数据分箱,以箱中的平均值来代替所需平滑的异常值,避免了异常值所导致的回归难度增加,极值对预测结果影响较大的现象。1.3 数据归一化由于钻速的预测受到多种不同的参数影响,而量纲和数量级差异过大会导致数值过大的数对目标值的影响过大,导致其他小数参数的影响力过低,降低预测值的准确性。如表 2 所示,研究中的 15 个参数的。数据之间的较大差异将会掩盖数据本身对结果的影响,如大钩载荷(WOH)、泵压(SPP)、泥浆泵排量(PUMP-FLOW)和增压器排量(BOOSTERFLOW)数值较大将占用更高的权重,从而掩盖其余参数的影响作用。通过数据归一化
22、可以消除数值之间的较大差异,将数据本身对预测结果的影响最大化。数据归一化采用 Min-Max 归一化的方法,该方法可以将所有数值转化到-1,113。归一化公式为xi=2xi-min(X)max(X)-min(X)-1(1)表 2 归一化前后数据对比Table 2 Data comparison before and after normalizationLable归一化前MaxMin归一化后MaxMinROP/(m h-1)93.20.681-1TD/m3 5412 6871-1WOB/kN209.470.671-1WOH/kN2 182.831 643.571-1RPM/(r min-1)1
23、00611-1TORQUE/kN m26.795.251-1SPP/Mpa17.282.901-1PUMPFLOW/(L min-1)4 9991 1661-1BOOSTERFLOW/(L min-1)3 1691811-1BT/h48.630.011-1PT/h56.573.361-1MW IN/(g cm-3)1.191.061-1MW OUT/(g cm-3)1.111.061-1TMP IN/45.614.41-1TMP OUT/31.213.61-1ML611-1式(1)中:xi为归一化后的结果;xi为原始数据;min(X)和 max(X)分别为所对应参数的最小值和最大值。归一化后的
24、 15 个参数最大值皆为 1,最小值皆为-1,为同一数量级。1.4 相关性分析机械钻速的预测受15 个相关参数的影响,删去部分与机械钻速相关性弱的影响参数,可以提高预测精度上限、降低建模误差14。利用回归模型中的决定系数 R2和相关性分析热图来进行相关性分析。经过数据分析,可以得到15 个输入参数对于输出参数 ROP 的相关性图,如图 1 所示。图 1 中的拟合曲线斜率为正代表正相关,斜率为负代表负相关,R2的大小代表相关性的大小。结合决定系数 R2回归图和相关性分析热图(图 2)可以发现,TD、WOB、RPM、SPP、PUMPFLOW、BT、PT、TMP OUT 和 ML 与 ROP 的相关
25、性更强,相关性系数都大于 0.5。故选取该九个输入参数作为本次研究的输入参数。2 预测模型理论分析2.1 动态自适应学习率的 BP 改进算法BP 神经网络是一种多层前馈神经网络,信号向前传递,误差反向传播。向前传播时,输入信号进入隐藏层,再从隐藏层传递至输出层。通过改变权值并在各层进行调整,将误差向前传递15。BP 神经网络的传递公式为Wjk(t+1)=Wjk(t)+ajk(2)式(2)中:Wjk为第 j 层与第 k 层之间连接的权值;t为训练次数;为学习率;aj为第 j 层节点的输出;k为 k 层的调整量,其计算公式为k=g(ink)kWkll(3)式(3)中:g(ink)为 k 层激活函数
- 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 动量 自适应 学习 PSO BP 神经网络 预测 模型 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。