CN107193055A - 一种复杂地质钻进过程双层智能钻速建模系统 - Google Patents
一种复杂地质钻进过程双层智能钻速建模系统 Download PDFInfo
- Publication number
- CN107193055A CN107193055A CN201710391742.5A CN201710391742A CN107193055A CN 107193055 A CN107193055 A CN 107193055A CN 201710391742 A CN201710391742 A CN 201710391742A CN 107193055 A CN107193055 A CN 107193055A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- drilling speed
- submodel
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008569 process Effects 0.000 title claims abstract description 32
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 47
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005498 polishing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000035515 penetration Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Earth Drilling (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种复杂地质钻进过程双层智能钻速建模系统，包括：样本数据集的获取模块，用于运用分段三次埃尔米特插值方法将部分缺失数据补齐并获得样本数据集；地层可钻性子模型建立模块，用于采用Nadaboost‑ELM算法建立地层可钻性子模型；相关性分析模块，用于基于Pearson相关性分析方法确定与钻速相关性较强的参数；钻速子模型建立模块，用于运用改进的PSO‑RBF算法建立钻速子模型；本发明建模系统克服了以前钻速建模中未将地层可钻性这一关键参数和钻速分层次并形成统一架构，和使用确定性或单一智能建模方法带来的缺陷，提高了钻速建模的精度和泛化能力，为复杂地质钻进过程智能控制打下了良好的基础。
Description
技术领域
本发明属于复杂地质钻进过程智能控制领域，尤其涉及一种复杂地质钻进过程双层智能钻速建模系统。
背景技术
资源能源安全是国家安全的重要组成部分，也是国家经济可持续发展的关键之一。保障资源能源安全应立足于国内。随着浅层矿产资源的日益枯竭、深部成矿理论的发展以及国内外大量深部矿产资源的探明使得深部地质勘探和开发成为必然。复杂地质钻进过程是穿越多种复杂地层抵达目标区域并获取完整岩心的过程。深部复杂地质钻进过程存在风险大、成本高，资源难以转化为现实生产力等问题，而预测钻速并优化操作参数能够有效的解决上述问题。因此，建立钻速模型是智能控制的前提，同时也是实现复杂地质钻进过程安全高效目标的重要基础。
钻速是指钻进系统每小时的进尺量，它是决定钻进效率的最重要的参数。钻速主要受地层属性参数和钻进工艺参数两类参数的影响，地层属性参数可分为地震参数和测井参数两类，而地层可钻性是一种反映地层属性的地层特征参数，钻进工艺参数又可分为录井参数和钻井参数两类。这五类参数都对钻速具有重要影响，同时，它们之间具有非线性、强耦合等特点。
地层可钻性对钻速具有直接而重要的影响，除了钻井参数和录井参数对钻速产生直接影响外，其他参数大多通过地层可钻性这一个地层特征参数来影响钻速，但是地层可钻性在实际生产中难以检测。复杂地质钻进过程的特点决定了地层特征参数、地震参数、测井参数、录井参数和钻井参数对钻速的影响方式和途径并不相同，如果将所有的参数作为同等地位的输入建立钻速模型将会导致模型的解释性较差，难以清晰地反映出各种参数对钻速的影响。
目前，钻速建模研究都是将地层可钻性等反应地层属性的参数及其他参数一起作为钻速模型的输入，建立单层钻速模型，建立单层钻速模型的方法主要有两类。一类是利用传统统计回归的方法建立钻速模型；一类是利用神经网络、支持向量回归等智能方法建立钻速模型。上述方法是将地层可钻性这一直接影响钻速的关键参数与钻速分开描述，没有形成统一架构，从而导致钻速模型的解释性较差的问题。因此，融合多种形式的子模型进行多层次、多模型、多种智能建模方法协同描述是实现钻速建模的一种新途径；同时，在双层建模的思想下每层均采用智能建模方法解决了使用传统非线性回归或单一智能建模方法导致模型精度和泛化能力较差的问题。
发明内容
本发明的目的是提出一种复杂地质钻进过程双层智能钻速建模系统，通过融合分层、优化和智能建模的思想，建立了地质勘探中复杂地质钻进过程双层智能钻速模型架构，能够有效提高钻速模型的精度和泛化能力，为地质勘探中复杂地质钻进过程智能控制打下了良好的基础。
为了实现上述技术目的，本发明所采用的技术方案是：一种复杂地质钻进过程双层智能钻速建模系统，包括：
样本数据集的获取模块，用于通过复杂地质钻进过程机理分析，确定影响钻速的参数为地震层速度、地层深度、地震声波时间、比钻压、转速、比水功率、泥浆密度等；运用分段三次埃尔米特插值方法将地震声波时间数据和地层深度进行对应补齐，获得样本数据集；
地层可钻性子模型建立模块，用于采用Nadaboost-ELM算法建立地层可钻性子模型，并使用样本数据集对该子模型预测方法进行仿真验证；
相关性分析模块，用于基于Pearson相关性分析方法确定与钻速相关性较强的参数，并将与钻速相关性较强的参数作为钻速子模型的输入参数；
钻速子模型建立模块，用于根据钻速子模型输入参数，运用改进的PSO-RBF算法建立钻速子模型，形成复杂地质钻进过程双层智能钻速建模架构；并使用样本数据集对该子模型预测方法进行仿真验证。
进一步地，所述地层可钻性子模型建立模块包括：
参数选定单元，用于在样本数据集中对地震层速度、地层深度、地震声波时间、比钻压、转速这5个参数的选定；
第二运算单元，用于对参数选定单元选定的参数作为地层可钻性子模型的输入，使用Nadaboost-ELM算法输出地层可钻性参数，根据输出参数建立地层可钻性子模型。
进一步地，所述相关性分析模块包括：
第三运算单元，用于根据Pearson相关性系数的公式：
得到每个输入参数与钻速之间的相关性系数；
其中，N是数据集的个数，xi是输入参数，yi是钻速，r是每个输入参数与钻速之间的Pearson相关性系数；
与钻速相关性较强的输入参数确定单元，用于根据Pearson相关性系数的公式对地震层速度、地层深度、比钻压、转速、比水功率、泥浆密度这6个参数进行Pearson相关性分析，得到地震层速度、地层深度、比钻压、转速、泥浆密度这5个参数与钻速具有较高的相关性。
进一步地，所述钻速子模型建立模块包括：
样本数据集预处理单元，用于对样本数据集的归一化处理；
其中，xnorm是归一化后的数据集，x是真实的数据集，xmin是数据集中最小的数据，xmax是数据集中最大的数据；
第四运算单元，用于根据下面三个公式计算隐含层和输出层之间的权值；
其中，R是隐含层的激活函数，||xi-ci||2是欧拉范数，xi是输入参数，ci是RBF函数的中心，σi是RBF函数的方差，cmax是RBF函数中心之间的最远距离，h是聚类中心的数量，wi是隐含层和输出层之间的权值；
第五运算单元，用于根据下面的公式计算总目标输出，即钻速；
其中，y是总目标输出，即钻速，s是第二运算单元中Nadaboost-ELM算法的输出，即地层可钻性，其他参数之前均有提到；
第六运算单元，用于对改进的PSO-RBF算法建立钻速子模型；通过改进的PSO算法优化RBF神经网络的Spread参数能够得到最优的模型性能参数。
本发明基于其技术方案所具有的有益效果在于：
(1)本发明通过对钻进过程进行机理分析，确定影响钻速的各类参数，基于分段三次埃尔米特插值方法将部分缺失的数据补齐并获得样本数据集，能够为后面的建模工作奠定良好的基础；
(2)在获得样本数据集的基础上，采用Nadaboost-ELM算法建立地层可钻性子模型，能够通过融合多种地层可钻性子模型获得更优的预测效果；
(3在建立地层可钻性子模型的基础上，基于Pearson相关性分析方法确定与钻速相关性较强的参数，作为钻速子模型的输入参数，可以有效克服模型输入参数之间的耦合问题；
(4)基于得到的钻速子模型输入参数，运用改进的PSO-RBF算法建立钻速子模型，并使用样本数据集记性该子模型预测方法的仿真验证，有利于本发明在实际生产中应用。
附图说明
图1是本发明的复杂地质钻进过程双层智能钻速建模系统的框架图。
图2是复杂地质钻进过程。
图3是测量和插值的地震声波时间对比图。
图4是随Spead参数变化的地层可钻性子模型均方根误差图。
图5是随隐含层节点数变化的地层可钻性子模型均方根误差图。
图6是不同建模方法的地层可钻性结果图。
图7是不同建模方法的钻速结果图。
图8是随迭代次数变化的改进的PSO-RBF算法均方根误差图。
图9是本发明的复杂地质钻进过程双层智能钻速建模的钻速模型架构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
实施例一
本发明的实施例提供了一种复杂地质钻进过程双层智能钻速建模系统，能够有效提高钻速模型的精度和泛化能力，为复杂地质钻进过程智能控制打下了良好的基础。请参阅图1，本发明的复杂地质钻进过程双层智能钻速建模系统包括：
样本数据集的获取模块100，用于通过对复杂地质钻进过程的特点(请参考图2)进行分析，确定影响钻速的过程参数，运用分段三次埃尔米特插值计算方法将部分缺失的地震声波时间数据和地层深度进行对应补齐，并获得样品数据集；所述样本数据集的获取模块100包括：
样本参数确定单元110，用于通过复杂地质钻进过程机理分析，确定影响钻速的参数，包括地震层速度、地层深度、地震声波时间、比钻压、转速、比水功率、泥浆密度等；
第一运算单元120，用于通过分段三次埃尔米特插值计算的方法，对影响钻速的样本数据进行对缺失数据补齐，获得样本数据集，样本数据集包括地层深度、地层可钻性、地震层速度、比钻压、转速、比水功率、泥浆密度、机械钻速、地震声波时间这9个参数。
地层可钻性子模型建立模块200，用于基于样本数据集的获取模块100获得样本数据集的基础上，将地震层速度、地层深度、地震声波时间、比钻压、转速这5个参数作为地层可钻性子模型的输入，使用Nadaboost-ELM算法建立地层可钻性子模型；所述地层可钻性子模型建立模块200包括：
参数选定单元210，用于在样本数据集中对地震层速度、地层深度、地震声波时间、比钻压、转速这5个参数的选定；
第二运算单元220，用于对参数选定单元选定的参数作为地层可钻性子模型的输入，使用Nadaboost-ELM算法输出地层可钻性参数，根据输出参数建立地层可钻性子模型。
相关性分析模块300，用于在所述地层可钻性子模型建立模块200建立地层可钻性子模型的基础上，基于Pearson相关性分析方法确定与钻速相关性较强的参数，作为钻速子模型的输入参数；所述相关性分析模块300包括：
第三运算单元310，用于根据Pearson相关性系数的公式：
得到每个输入参数与钻速之间的相关性系数；
其中，N是数据集的个数，xi是输入参数，yi是钻速，r是每个输入参数与钻速之间的Pearson相关性系数；
与钻速相关性较强的输入参数确定单元320，用于根据Pearson相关性系数的公式对地震层速度、地层深度、比钻压、转速、比水功率、泥浆密度这6个参数进行Pearson相关性分析，得到地震层速度、地层深度、比钻压、转速、泥浆密度这5个参数与钻速具有较高的相关性。
钻速子模型建立模块400，用于根据地层可钻性子模型建立模块200得到的基于钻速子模型输入参数，运用改进的PSO-RBF算法建立钻速子模型，并使用样本数据集进行该子模型预测方法的仿真验证；所述钻速子模型建立模块包括：
样本数据集预处理单元410，用于对样本数据集的归一化处理；
其中，xnorm是归一化后的数据集，x是真实的数据集，xmin是数据集中最小的数据，xmax是数据集中最大的数据；
第四运算单元420，用于根据下面三个公式计算隐含层和输出层之间的权值；
其中，R是隐含层的激活函数，||xi-ci||2是欧拉范数，xi是输入参数，ci是RBF函数的中心，σi是RBF函数的方差，cmax是RBF函数中心之间的最远距离，h是聚类中心的数量，wi是隐含层和输出层之间的权值；
第五运算单元430，用于根据下面的公式计算总目标输出，即钻速；
其中，y是总目标输出，即钻速，s是第二运算单元中Nadaboost-ELM算法的输出，即地层可钻性，其他参数之前均有提到；
第六运算单元440，用于对改进的PSO-RBF算法建立钻速子模型；通过改进的PSO算法优化RBF神经网络的Spread参数能够得到最优的模型性能参数。
基于上述四个模块形成复杂地质钻进过程双层智能钻速建模架构。
实施例二
某地区各钻进参数、地层深度和地震声波时间参数见表1和表2。通过表1和表2数据对本发明的效果进行仿真验证，请参见图9，其为上述建模系统运用到某地的具体实施例，包括以下具体步骤：
(1)原始数据为表1和表2，基于分段三次埃尔米特插值方法将表2中的地震声波时间数据和地层深度进行对应补齐，得到如图3所示的测量和插值的地震声波时间对比图，样本数据集由地层深度、地层可钻性、地震层速度、比钻压、转速、比水功率、泥浆密度、机械钻速、地震声波时间这9个参数共22组数据组成。
表1某地区各钻进参数表
表2某地区地层深度和地震声波时间参数表
(2)基于步骤(1)得到的9个参数22组数据的样本数据集，将前16组数据作为训练集，后6组数据作为预测集。利用Nadaboost-ELM(NAE)算法建立地层可钻性子模型，并与现有的RBF神经网络(RBF)算法进行对比，对比结果如图4-6和表3所示。由以上图表可知，所提方法在地层可钻性子模型方面的预测精度和泛化能力均优于其他方法。
表3地层可钻性子模型各预测指标表
(3)基于步骤(1)得到的9个参数22组数据的样本数据集，进行Pearson相关性分析，得到如表4所示的各钻进参数Pearson相关性系数表。确定了钻速子模型的输入参数为地层可钻性、地层深度、比钻压、转速、泥浆密度这5个参数。
表4各钻进参数Pearson相关性系数表
(4)基于步骤(1)得到的9个参数22组数据的样本数据集，将前16组数据作为训练集，后6组数据作为预测集。利用改进的PSO-RBF算法建立钻速子模型，并与现有的单层RBF神经网络算法和双层RBF神经网络算法进行对比，对比结果图如图7-9和表5所示。由以上图表可知，所提方法在钻速子模型方面的预测精度和泛化能力均优于其他方法。
表5钻速子模型各预测指标表
(5)基于建立的钻速子模型，建立钻速模型架构。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种复杂地质钻进过程双层智能钻速建模系统，其特征在于，包括：
样本数据集的获取模块，所述样本数据集的获取模块包括样本参数确定单元和第一运算模块；所述样本参数确定单元用于通过复杂地质钻进过程机理分析，确定影响钻速的参数为地震层速度、地层深度、地震声波时间、比钻压、转速、比水功率、泥浆密度等；所述第一运算模块用于运用分段三次埃尔米特插值方法将地震声波时间数据和地层深度进行对应补齐，获得样本数据集；
地层可钻性子模型建立模块，用于采用Nadaboost-ELM算法建立地层可钻性子模型，并使用样本数据集对该子模型预测方法进行仿真验证；
相关性分析模块，用于基于Pearson相关性分析方法确定与钻速相关性较强的参数，并将与钻速相关性较强的参数作为钻速子模型的输入参数；
钻速子模型建立模块，用于根据钻速子模型输入参数，运用改进的PSO-RBF算法建立钻速子模型，形成复杂地质钻进过程双层智能钻速建模架构；并使用样本数据集对该子模型预测方法进行仿真验证。
2.根据权利要求1所述的一种复杂地质钻进过程双层智能钻速建模系统，其特征在于，所述地层可钻性子模型建立模块包括：
参数读取单元，用于读取样本数据集中地层深度、地层可钻性、地震层速度、比钻压、转速、比水功率、泥浆密度、机械钻速、地震声波时间这9个参数；第二运算单元，用于对参数读取单元读取的参数作为地层可钻性子模型的输入，使用Nadaboost-ELM算法输出地层可钻性参数，地层可钻性参数地层可钻性、地层深度、比钻压、转速、比水功率、泥浆密度这6个参数，根据输出参数建立地层可钻性子模型。
3.根据权利要求1所述的一种复杂地质钻进过程双层智能钻速建模系统，其特征在于，所述相关性分析模块包括：
第三运算单元，用于根据Pearson相关性系数的公式：
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mo>&Sigma;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>&Sigma;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msqrt>
<mrow>
<mi>N</mi>
<mo>&Sigma;</mo>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mo>&Sigma;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<mi>N</mi>
<mo>&Sigma;</mo>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mo>&Sigma;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
得到每个输入参数与钻速之间的相关性系数；
其中，N是数据集的个数，xi是输入参数，yi是钻速，r是每个输入参数与钻速之间的Pearson相关性系数；
与钻速相关性较强的输入参数确定单元，用于根据Pearson相关性系数的公式对地层可钻性、地层深度、比钻压、转速、比水功率、泥浆密度这6个参数进行Pearson相关性分析，得到地层可钻性、地层深度、比钻压、转速、泥浆密度这5个参数与钻速具有较高的相关性。
4.根据权利要求1所述的一种复杂地质钻进过程双层智能钻速建模系统，其特征在于，所述钻速子模型建立模块包括：
样本数据集预处理单元，用于对样本数据集的归一化处理；
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中，xnorm是归一化后的数据集，x是真实的数据集，xmin是数据集中最小的数据，xmax是数据集中最大的数据；
第四运算单元，用于根据下面三个公式计算隐含层和输出层之间的权值；
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>c</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>h</mi>
<msub>
<mi>c</mi>
<msup>
<mi>max</mi>
<mn>2</mn>
</msup>
</msub>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，R是隐含层的激活函数，||xi-ci||2是欧拉范数，xi是输入参数，ci是RBF函数的中心，σi是RBF函数的方差，cmax是RBF函数中心之间的最远距离，h是聚类中心的数量，wi是隐含层和输出层之间的权值；
第五运算单元，用于根据下面的公式计算总目标输出，即钻速；
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>2...</mn>
<mi>h</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>h</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，y是总目标输出，即钻速，s是第二运算单元中Nadaboost-ELM算法的输出，即地层可钻性，其他参数之前均有提到；
第六运算单元，用于对改进的PSO-RBF算法建立钻速子模型；通过改进的PSO算法优化RBF神经网络的Spread参数能够得到最优的模型性能参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710391742.5A CN107193055B (zh) | 2017-05-27 | 2017-05-27 | 一种复杂地质钻进过程双层智能钻速建模系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710391742.5A CN107193055B (zh) | 2017-05-27 | 2017-05-27 | 一种复杂地质钻进过程双层智能钻速建模系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107193055A true CN107193055A (zh) | 2017-09-22 |
| CN107193055B CN107193055B (zh) | 2019-10-18 |
Family
ID=59874981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710391742.5A Active CN107193055B (zh) | 2017-05-27 | 2017-05-27 | 一种复杂地质钻进过程双层智能钻速建模系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107193055B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
| CN110397402A (zh) * | 2018-04-23 | 2019-11-01 | 中国石油天然气股份有限公司 | 钻井方法及装置 |
| CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
| CN111749675A (zh) * | 2020-05-25 | 2020-10-09 | 中国地质大学（武汉） | 一种基于级联模型算法的地层可钻性预测方法及系统 |
| CN112214730A (zh) * | 2020-10-15 | 2021-01-12 | 武汉理工大学 | 一种岩石可钻性可爆性判定方法和系统 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
| CN113494286A (zh) * | 2021-07-28 | 2021-10-12 | 中国地质大学（武汉） | 一种地质钻进过程钻速智能动态预测方法及系统 |
| CN114370264A (zh) * | 2022-01-11 | 2022-04-19 | 中国石油大学(北京) | 机械钻速确定、钻井参数优化方法、装置及电子设备 |
| CN115049646A (zh) * | 2022-08-12 | 2022-09-13 | 山东九商工程机械有限公司 | 一种用于煤矿用钻进机器人设备的智能控制方法 |
| CN115929193A (zh) * | 2022-10-21 | 2023-04-07 | 徐州徐工基础工程机械有限公司 | 一种复合电源电动旋挖钻机及其动力头多模式控制方法 |
| CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6424919B1 (en) * | 2000-06-26 | 2002-07-23 | Smith International, Inc. | Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network |
| WO2006089258A1 (en) * | 2005-02-19 | 2006-08-24 | Baker Hughes Incorporated | Use of the dynamic downhole measurements as lithology indicators |
| CN102691497A (zh) * | 2012-05-28 | 2012-09-26 | 中国石油大学(北京) | 一种预测不同井底压差下岩石可钻性级值的方法 |
| CN202544844U (zh) * | 2012-03-16 | 2012-11-21 | 中国石油天然气集团公司 | 测定岩石可钻性及钻井参数敏感性的试验仪 |
| CN104806226A (zh) * | 2015-04-30 | 2015-07-29 | 北京四利通控制技术股份有限公司 | 智能钻井专家系统 |
| CN104933946A (zh) * | 2015-01-22 | 2015-09-23 | 中国石油技术开发公司 | 一种陆地钻机安装操作模拟系统的钻机模型 |
-
2017
- 2017-05-27 CN CN201710391742.5A patent/CN107193055B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6424919B1 (en) * | 2000-06-26 | 2002-07-23 | Smith International, Inc. | Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network |
| WO2006089258A1 (en) * | 2005-02-19 | 2006-08-24 | Baker Hughes Incorporated | Use of the dynamic downhole measurements as lithology indicators |
| CN202544844U (zh) * | 2012-03-16 | 2012-11-21 | 中国石油天然气集团公司 | 测定岩石可钻性及钻井参数敏感性的试验仪 |
| CN102691497A (zh) * | 2012-05-28 | 2012-09-26 | 中国石油大学(北京) | 一种预测不同井底压差下岩石可钻性级值的方法 |
| CN104933946A (zh) * | 2015-01-22 | 2015-09-23 | 中国石油技术开发公司 | 一种陆地钻机安装操作模拟系统的钻机模型 |
| CN104806226A (zh) * | 2015-04-30 | 2015-07-29 | 北京四利通控制技术股份有限公司 | 智能钻井专家系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李士斌 等: ""岩石可钻性级值模型及计算"", 《大庆石油学院学报》 * |
| 韩丽丽: ""基于粒子群优化相关向量机的岩层可钻性预测"", 《探矿工程(岩土钻掘工程)》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
| CN110397402A (zh) * | 2018-04-23 | 2019-11-01 | 中国石油天然气股份有限公司 | 钻井方法及装置 |
| CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
| CN111749675A (zh) * | 2020-05-25 | 2020-10-09 | 中国地质大学（武汉） | 一种基于级联模型算法的地层可钻性预测方法及系统 |
| CN112214730B (zh) * | 2020-10-15 | 2024-02-02 | 武汉理工大学 | 一种岩石可钻性可爆性判定方法和系统 |
| CN112214730A (zh) * | 2020-10-15 | 2021-01-12 | 武汉理工大学 | 一种岩石可钻性可爆性判定方法和系统 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
| CN113494286A (zh) * | 2021-07-28 | 2021-10-12 | 中国地质大学（武汉） | 一种地质钻进过程钻速智能动态预测方法及系统 |
| CN113494286B (zh) * | 2021-07-28 | 2023-02-28 | 中国地质大学（武汉） | 一种地质钻进过程钻速智能动态预测方法及系统 |
| CN114370264B (zh) * | 2022-01-11 | 2023-12-15 | 中国石油大学(北京) | 机械钻速确定、钻井参数优化方法、装置及电子设备 |
| CN114370264A (zh) * | 2022-01-11 | 2022-04-19 | 中国石油大学(北京) | 机械钻速确定、钻井参数优化方法、装置及电子设备 |
| CN115049646A (zh) * | 2022-08-12 | 2022-09-13 | 山东九商工程机械有限公司 | 一种用于煤矿用钻进机器人设备的智能控制方法 |
| CN115929193A (zh) * | 2022-10-21 | 2023-04-07 | 徐州徐工基础工程机械有限公司 | 一种复合电源电动旋挖钻机及其动力头多模式控制方法 |
| CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
| CN117211758B (zh) * | 2023-11-07 | 2024-04-02 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107193055B (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107193055A (zh) | 一种复杂地质钻进过程双层智能钻速建模系统 | |
| CN107100611A (zh) | 一种地质勘探钻进过程双层智能钻速建模方法 | |
| CN104750896B (zh) | 一种缝洞型碳酸盐岩油藏数值模拟方法 | |
| CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
| US11409015B2 (en) | Methods and systems for generating graph neural networks for reservoir grid models | |
| CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
| Tang et al. | Well control optimization of waterflooding oilfield based on deep neural network | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| Wei et al. | Characterization of saturation and pressure distribution based on deep learning for a typical carbonate reservoir in the Middle East | |
| Guoqiang et al. | Construction of well logging knowledge graph and intelligent identification method of hydrocarbon-bearing formation | |
| US11525352B2 (en) | Method and system to automate formation top selection using well logs | |
| US11970935B2 (en) | Tracer tracking for control of flow control devices on injection wells | |
| Suarez et al. | Fracturing-to-Production Simulation Approach for Completion Optimization in the Vaca Muerta Shale | |
| CN107526104A (zh) | 基于多机多核的裂缝介质地震波场数值模拟方法 | |
| US11585192B2 (en) | Method and system for reactively defining valve settings | |
| CN110309597A (zh) | 基于构型界面的阻流带模型确定方法、装置及存储介质 | |
| CN104182558A (zh) | 一种缝洞野外露头水驱油数值模拟方法 | |
| Jun | Streamline numerical well test interpretation: theory and method | |
| Mao et al. | Development of geosteering system based on GWO–SVM model | |
| An et al. | A Novel Workflow for Optimizing Well Placement Under Geomechanical Constraints: A Case Study | |
| CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN115903026B (zh) | 复合砂体构型解析方法、设备及介质 | |
| Peng et al. | Geological Modeling Technology and Application Based on Seismic Interpretation Results under the Background of Artificial Intelligence | |
| Huang et al. | [Retracted] Prediction and Optimization of Stability Parameters of Borehole Sensor for Deep Water Drilling Based on Genetic Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |