[发明专利]一种基于神经网络的钻井堵漏配方预测方法

权利要求书

1.一种基于神经网络的钻井堵漏配方预测方法，其特征在于，包括：

通过对采集到的井史数据资料整理得到预测堵漏配方所需的10个参数：各层段岩性、地层孔隙压力系数、井深结构、钻井液粘度、钻井液密度、井史漏失泵压、井史漏失钻速、井史漏失速度、井史漏失量、井史不同层段漏失所用配方；

将采集到的井史数据资料进行数据预处理，数据预处理内容包括数据清洗、数据集成、数据转换、数据归约、数据归一化处理，最终得到经过预处理后的堵漏配方井史数据；

将预处理后的堵漏配方井史数据资料作为输入，堵漏配方作为输出，以真实堵漏配方为标准值，建立并优化神经网络堵漏配方预测模型；

按照梯度下降法训练优化后的神经网络堵漏配方预测模型；

根据给定的钻井液性能要求，输入目标正钻井相关钻井即时数据，由所设置的模型自动判断并给出相应的堵漏配方；

所述的数据预处理中数据清洗步骤具体为：

根据每个变量的合理取值范围和相互关系进行一致性检查，检查数据是否合乎要求，将超出正常范围、逻辑上不合理或者相互矛盾的数据进行纠正和剔除；

将逻辑内容与原数据不一致的数据进行剔除，同时对于逻辑错误的数据先进行去重，然后去除不合理值，最后修正矛盾内容；

将清洗过程中所缺失的值利用极大似然估计法进行填补；

通过分箱方法考察数据近邻的值来光滑有序的数据值；

所述的数据预处理中数据集成的内容具体为：

将存储在MySQL、excel、Access三种数据格式下的不同数据全部导入Access数据库中，使其格式得到统一，通过采用数据仓库的方法将数据存放于模型中；

所述的数据预处理中数据转换的内容具体为：

数据转换的主要内容有数据平滑、数据聚集、数据泛化、数据规范化，所述的数据转换进一步特征在于，数据转换的具体过程为：

将原数据通过回归方法除去数据中的噪声，然后将有关属性数据按比例投射到特定的小范围之中，再根据已有属性集构造新的属性，最后对数据进行总结和合计操作；

所述的数据预处理中数据归约的内容具体为：

数据归约的主要内容有特征归约、数量归约、维归约、值归约；

上述所述数据归约的再进一步特征为：

所述特征归约是从原有的特征中删除不重要或不相关的特征数据，然后通过对特征数据进行重组来减少特征的个数；

所述数量归约就是用可替代的、小于预设值的数据替换原始数据，使用模型估计数据的方法，使得模型中只存放模型所需参数数据；

所述维归约是运用主成分分析方法减少所考虑的随机变量或属性的个数；

所述值归约是利用特征离散化技术，减少已知特征的离散值数目，将连续型特征的值离散化，使之成为少量的区间；

所述数据预处理中数据归一化处理的具体内容为：

采用Min-Max标准化进行数据预处理；

Min-Max标准化，即将数据减去数据中最小值后再除以数据中最大值和最小值之差，如下式：

上式进一步特征在于，其中x为原数据，x′为新数据，Max(x)为数据中最大数据值，Min(x)为数据中最小数据值。

2.根据权利要求1所述一种基于神经网络的钻井堵漏配方预测方法，其特征在于，所述的建立并优化神经网络堵漏配方预测模型中，神经网络堵漏配方预测模型的建立及优化过程为：

确定输入层和输出层神经元参数，将预测堵漏配方所需的10个参数作为输入层神经元参数，将所求不同层段堵漏配方作为输出层参数，本次所求不同层段设定为3个层段；确定隐层神经元；确定传递函数；采用PSO算法对模型进行无约束优化。

3.根据权利要求2所述一种基于神经网络的钻井堵漏配方预测方法，其特征在于，所述确定隐层神经元，进一步特征在于，神经网络隐层神经元个数使用下式来确定：

其中，m为输入层神经元的个数，对应等于10，n为输出层神经元的个数，对应等于3，表示向下取整符号，a为[1，10]的整数，本实施例中a取5，计算可得隐层神经元个数为8，则本实施例中网络结构为10-8-3的三层BP神经网络；

所述确定传递函数具体内容为：

隐层传递函数采用S型函数，表达式为输出层传递函数采用线性函数，表达式为f_o(x)＝kx；

所述采用PSO算法对模型进行无约束优化具体方案为：

(1)确定PSO算法优化对象，将BP神经网络模型中的权值和阈值的集合作为算法要PSO优化的参数，参数个数为每个粒子的维数d，使用下式来确定：

d＝ml+nl+n＝10×8+8×3+3＝107

(2)确定的粒子维数构建初始粒子群；由系统随机生成200个粒子构建初始粒子群，第i个粒子的位置矢量表示为x_i＝[x_i1，x_i2，…，x_id]^T，速度矢量表示为v_i＝[v_i1，v_i2，…，v_id]^T，到当前迭代为止粒子个体最优位置记为p_i＝[p_i1，p_i2，…，p_id]^T，全局最优位置记为p_g＝[p_g1，p_g2，…，p_gd]^T；

(3)计算粒子的适应度函数，使用下式确定：

其中M表示训练样本的个数，P_p1，P_p2，P_p3分别表示第p个样本在三个不同层段预测输出的堵漏配方误差值，T_p1，T_p2，T_p3分别表示第p个样本在三个不同层段实际的堵漏配方误差值；

(4)根据步骤(3)中的适应度值评价粒子群中所有个体，并更新当前粒子的个体最优值p_i和全局最优值p_g；

(5)使用下面两式更新粒子的速度和位置：

v(t+1)＝w×v(t)+c₁×r₁×(p_id-x(t))+c₂×r₂×(p_gd-x(t))

x(t+1)＝x(t)+v(t+1)

式中t表示迭代次数，w表示权重，c₁和c₂表示加速因子，p_gd表示d维全局最优位置，p_id表示d维个体最优位置，是非负常数，设为2，r₁和r₂为[0，1]之间的随机数；

(6)迭代计算输出最优粒子；当适应度值Fit小于设定值或达到迭代次数时PSO算法终止，将全局最优值p_g映射到BP神经网络的权值和阈值，即得到PSO算法优化后的BP神经网络模型。