CN113343558A - 一种基于模糊神经网络的钻井参数优化方法 - Google Patents

一种基于模糊神经网络的钻井参数优化方法 Download PDF

Info

Publication number
CN113343558A
CN113343558A CN202110544351.9A CN202110544351A CN113343558A CN 113343558 A CN113343558 A CN 113343558A CN 202110544351 A CN202110544351 A CN 202110544351A CN 113343558 A CN113343558 A CN 113343558A
Authority
CN
China
Prior art keywords
neural network
drilling
fuzzy neural
fuzzy
model
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.)
Pending
Application number
CN202110544351.9A
Other languages
English (en)
Inventor
杨莉
鹿卓慧
张帅
刘添翼
白丽丽
孙文峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202110544351.9A priority Critical patent/CN113343558A/zh
Publication of CN113343558A publication Critical patent/CN113343558A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

本发明适用钻井工程技术领域，提供一种基于模糊神经网络的钻井参数优化方法，包括以下步骤：采集钻井参数信息数据，并对参数信息数据缺失值进行插补处理；确认重要特征，重新构建数据集；将数据集分成训练集和测试集；模型预处理，建立初始化隶属度函数；优化隶属度函数，建立模糊神经网络的钻速预测模型，测试验证钻速预测模型；本发明通过随机森林算法提取主控因素，排除掉影响较小的因素，提升模型运算速度；通过训练学习来得到该区域的一套完整的模糊规则表，从而解决参数之间耦合关联对模型拟合效果不佳的问题。

Description

一种基于模糊神经网络的钻井参数优化方法
技术领域
本发明属于钻井工程技术领域，尤其涉及一种基于模糊神经网络的钻井参数优化方法。
背景技术
随着石油天然气等不可再生资源的需求日益增多，开采力度也不断加大，为保证高效，合理的收集更深地层的可利用能源，需要工程师在开采设备和开采技术上同步提升水平。钻井工艺技术的先进性作为开采能源的技术保障，随着钻井工程日趋复杂，更多的技术优化方法为石油与天然气行业带来了选择的机会。实时钻速是评价钻井效率的指标，影响钻速的因素有很多，例如钻压、转速等可控参数，这些参数对地层的岩石成分、地层不同深度以及地层温度有着不同的选择，合理的选择参数取值对于钻速有着质的改变，优选钻井参数成为保障钻井效率的重要因素，但由于钻井过程中的不确定性因素，使得一般模型在钻井工程中很难建立，又因各个环节存在较为复杂的耦合关系，从而导致模型预测结果与实际钻速值相差较大。因此钻井参数组合的优选是解决钻井效率和降低成本的前提。目前解决方法从传统数学模型转化为人工智能算法，例如bp神经网络、支持向量机等，但仍无法较好的解决参数耦合带来的问题。
发明内容
本发明实施例的目的在于提供一种基于模糊神经网络的钻井参数优化方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明实施例提供了一种基于模糊神经网络算法的钻井参数优化方法，包括以下步骤：
(1)采集钻井参数信息数据，并对参数信息数据缺失值进行插补处理；
(2)确认重要特征，重新构建数据集；
(3)将数据集分成训练集和测试集；
(4)模型预处理，建立初始化隶属度函数；
(5)优化隶属度函数，建立模糊神经网络的预测模型，测试验证预测模型。
作为本发明进一步的方案：在步骤(1)中，所述采集钻井参数信息数据包括钻头类型，钻头直径、纯钻进时间、钻压、转速、排量、立管压力、密度等特征。
作为本发明进一步的方案：在步骤(2)中，利用随机森林算法对每个特征的重要性做出排序。
作为本发明进一步的方案：收集重要性程度大于0.1的特征。
作为本发明进一步的方案：在步骤(3)中，将数据集按照井的数量划分比例为8：2的训练集和测试集。
作为本发明进一步的方案：在步骤(4)中，采用k-means算法对每个参数分为n个聚类点来表示模糊隶属度的中心值，从而建立初始化的隶属度函数。
作为本发明进一步的方案：在步骤(5)中，通过训练不断优化隶属度函数，建立模糊规则表，并通过测试集拟合效果验证模糊规则表的正确性以及是否能够满足预测要求。
综上所述，由于采用了上述技术方案，具有以下有益效果：
本发明实施例提供了一种基于模糊神经网络的钻井参数优化方法，本发明实施例通过随机森林算法提取主控因素，排除掉影响较小的因素，提升模型运算速度；对模型进行预处理，采用聚类算法将同一维度相似度高的数据划分为一类，作为模糊语言值的初始范围，以便于更好的训练；通过模糊控制思想解决数据之间耦合性关联问题，同时利用神经网络的学习机制将关联性以模糊规则表的形式表达出来。
附图说明
图1为钻井参数优化流程图。
图2为模糊神经网络示意图。
图3为模糊神经网络训练集误差图
图4为模糊神经网络测试集拟合效果图。
具体实施方式
为了使本发明实施例的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。
现有钻井参数由传统数学模型转化为人工智能算法得出，例如bp神经网络、支持向量机等，但仍无法较好的解决参数耦合带来的问题；本发明实施例通过随机森林算法提取主控因素，排除掉影响较小的因素，提升模型运算速度；通过模糊控制思想解决数据之间耦合性关联问题。
一种基于模糊神经网络的钻井参数优化方法，包括以下步骤：
(1)采集钻井参数信息数据，并对参数信息数据缺失值进行插补处理
结合顺北油气田钻井作业现场提供的数据，共包括钻头直径、纯钻进时间、每米折旧率、钻压、转速、排量、立管压力、密度、漏斗黏度、含沙量、API滤矢量、钻头压降、环空压耗、射流冲击力、喷射速度、钻头水功率、钻头比水功率、钻杆最低上返速度、钻链最低上返速度、泵功率利用率、平均机械钻速共21组特征，对于数据部分缺失采用缺失值插补补零处理，利用随机森林算法对中间值缺失不敏感的优点，即部分为零的异常数据对整体数据预处理无太大影响。
(2)确认重要特征，重新构建数据集
通过随机森林对特征重要性进行排序，选择重要程度大于0.1的6组特征，分别为钻压、转速、排量、立管压力、钻头直径以及纯钻进时间，由于其重要程度相对明显，即影响钻井效率关系较高，因此作为模型输入所考虑的因素。
(3)将数据集分成训练集和测试集
将数据集按照井的数量划分比例为8：2的训练集和测试集。
(4)模型预处理，建立初始化隶属度函数；
由于模糊神经网络第二层语言值变量随机选择隶属度函数中心值和宽度会导致信息丢失，平均取值会造成重要信息的错误判断，可能影响模型的精确度，因此对隶属度函数做初始化处理，采用k-means聚类算法对数据进行划分，将相似度高的数据划分为一类，从而得到隶属度函数的中心值，再利用公式：
Figure BDA0003072961480000041
得到隶属度函数宽度σi初始化取值，式中Ci表示第i个隶属度函数中心值，从而可建立初始化的隶属度函数。
(5)优化隶属度函数，建立模糊神经网络的预测模型，测试验证预测模型
模糊神经网络建模：基于模糊神经网络的钻井参数优化方法，模糊神经网络模型如图2所示，其网络模型共4层，通过上述分析，选择钻压、转速、排量、立管压力、钻头直径以及纯钻进时间这6个特征作为模型输入，输入层节点数共6个。第二层为模糊化层，利用不同语言值变量(即高斯函数)将输入进行模糊化处理，每个特征值分别对应5个语言值变量，因此第二层节点数为30个。第三层为模糊推理层，用来匹配模糊规则的前件，并计算规则的适用度，采用取小运算，即：
Figure BDA0003072961480000042
式中
Figure BDA0003072961480000043
表示每个输入量对应各自隶属度函数，因此第三层的节点数为15625个。第四层为清晰化层，将模糊值转化为清晰值并输出，即：
Figure BDA0003072961480000044
式中ω表示连接权重，模型通过上一时刻的输入值来得到该时刻的机械钻速值，因此第四层输出节点数为1。
模型训练：模型采用小批梯度下降法来进行训练，学习率调整为0.2，迭代100次后训练误差降到0.0199，通过该地区其它井的数据进行验证。
实验最后得到的拟合误差为0.5094，训练集误差及测试集拟合效果图如图3所示。对钻井参数耦合关系表达具有解释性。
综上所述：本发明实施例提供了一种基于模糊神经网络的钻井参数优化方法，本发明实施例通过随机森林算法提取主控因素，排除掉影响较小的因素，提升模型运算速度；通过对模型进行预处理，采用聚类算法将同一维度相似度高的数据划分为一类，作为模糊语言值的初始范围，以便于更好的训练；通过训练学习来得到该区域的一套完整的模糊规则表，从而解决参数之间耦合关联对模型拟合效果不佳的问题。
对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明实施例内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于模糊神经网络算法的钻井参数优化方法，其特征在于，包括以下步骤：
（1）采集钻井参数信息数据，并对参数信息数据缺失值进行插补处理；
（2）确认重要特征，重新构建数据集；
（3）将数据集分成训练集和测试集；
（4）模型预处理，建立初始化隶属度函数；
（5）优化隶属度函数，建立模糊神经网络的预测模型，测试验证预测模型。
2.如权利要求1所述的一种基于模糊神经网络算法的钻井参数优化方法，其特征在于，在步骤（1）中，所述采集钻井参数信息数据包括钻头类型，钻头直径、纯钻进时间、钻压、转速、排量、立管压力、密度等特征。
3.如权利要求2所述的一种基于模糊神经网络算法的钻井参数优化方法，其特征在于，在步骤（2）中，利用随机森林算法对每个特征的重要性做出排序。
4.如权利要求3所述的一种基于模糊神经网络算法的钻井参数优化方法，其特征在于，收集重要性程度大于0.1的特征。
5.如权利要求1所述的一种基于模糊神经网络算法的钻井参数优化方法，其特征在于，在步骤（3）中，将数据集按照井的数量划分比例为8：2的训练集和测试集。
6.如权利要求1所述的一种基于模糊神经网络算法的钻井参数优化方法，其特征在于，在步骤（4）中，采用k-means算法对每个参数分为n个聚类点来表示模糊隶属度的中心值，从而建立初始化的隶属度函数。
7.如权利要求1所述的一种基于模糊神经网络算法的钻井参数优化方法，其特征在于，在步骤（5）中，通过训练不断优化隶属度函数，建立模糊规则表，并通过测试集拟合效果验证模糊规则表的正确性以及是否能够满足预测要求。
CN202110544351.9A 2021-05-19 2021-05-19 一种基于模糊神经网络的钻井参数优化方法 Pending CN113343558A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110544351.9A CN113343558A (zh) 2021-05-19 2021-05-19 一种基于模糊神经网络的钻井参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110544351.9A CN113343558A (zh) 2021-05-19 2021-05-19 一种基于模糊神经网络的钻井参数优化方法

Publications (1)

Publication Number Publication Date
CN113343558A true CN113343558A (zh) 2021-09-03

Family

ID=77469491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110544351.9A Pending CN113343558A (zh) 2021-05-19 2021-05-19 一种基于模糊神经网络的钻井参数优化方法

Country Status (1)

Country Link
CN (1) CN113343558A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689055A (zh) * 2021-10-22 2021-11-23 西南石油大学 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法
CN113886989A (zh) * 2021-10-08 2022-01-04 长江大学 一种基于机器学习的石油钻井的参数优化方法及系统
CN115907236A (zh) * 2023-02-17 2023-04-04 西南石油大学 基于改进决策树的井下复杂情况预测方法
CN116070767A (zh) * 2023-02-14 2023-05-05 西南石油大学 一种基于胶囊神经网络的钻井液漏失层位预测方法
CN116822328A (zh) * 2023-05-11 2023-09-29 中南大学 一种矿山采空区地表沉陷预计参数的确定方法
CN117211969A (zh) * 2023-10-17 2023-12-12 江苏省无锡探矿机械总厂有限公司 液压钻机节能控制方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608846A (en) * 1993-01-25 1997-03-04 Omron Corporation Fuzzy rule generator
JP2007323401A (ja) * 2006-06-01 2007-12-13 Kagawa Univ データ処理装置，データ復元装置，データ処理方法及びデータ復元方法
CN101334893A (zh) * 2008-08-01 2008-12-31 天津大学 基于模糊神经网络的融合图像质量综合评价方法
CN102128022A (zh) * 2010-12-30 2011-07-20 中国电子科技集团公司第二十二研究所 钻井工程预警方法及系统
CN103106544A (zh) * 2013-02-01 2013-05-15 东南大学 一种基于t-s型模糊神经网络的光伏发电预测系统
CN108255854A (zh) * 2016-12-29 2018-07-06 南京南瑞继保电气有限公司 基于粒子群优化的模糊神经网络数据挖掘方法
CN108284442A (zh) * 2017-01-24 2018-07-17 中国北方车辆研究所 一种基于模糊神经网络的机械臂柔性关节控制方法
CN109272037A (zh) * 2018-09-17 2019-01-25 江南大学 一种应用于红外火焰识别的自组织ts型模糊网络建模方法
CN110807557A (zh) * 2019-11-06 2020-02-18 中法渤海地质服务有限公司 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法
CN111985796A (zh) * 2020-08-07 2020-11-24 华中科技大学 基于随机森林和智能算法预测混凝土结构耐久性的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608846A (en) * 1993-01-25 1997-03-04 Omron Corporation Fuzzy rule generator
JP2007323401A (ja) * 2006-06-01 2007-12-13 Kagawa Univ データ処理装置，データ復元装置，データ処理方法及びデータ復元方法
CN101334893A (zh) * 2008-08-01 2008-12-31 天津大学 基于模糊神经网络的融合图像质量综合评价方法
CN102128022A (zh) * 2010-12-30 2011-07-20 中国电子科技集团公司第二十二研究所 钻井工程预警方法及系统
CN103106544A (zh) * 2013-02-01 2013-05-15 东南大学 一种基于t-s型模糊神经网络的光伏发电预测系统
CN108255854A (zh) * 2016-12-29 2018-07-06 南京南瑞继保电气有限公司 基于粒子群优化的模糊神经网络数据挖掘方法
CN108284442A (zh) * 2017-01-24 2018-07-17 中国北方车辆研究所 一种基于模糊神经网络的机械臂柔性关节控制方法
CN109272037A (zh) * 2018-09-17 2019-01-25 江南大学 一种应用于红外火焰识别的自组织ts型模糊网络建模方法
CN110807557A (zh) * 2019-11-06 2020-02-18 中法渤海地质服务有限公司 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法
CN111985796A (zh) * 2020-08-07 2020-11-24 华中科技大学 基于随机森林和智能算法预测混凝土结构耐久性的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHI-HUANG LU 等: "Generalized predictive control using recurrent fuzzy neural networks for industrial processes", 《JOURNAL OF PROCESS CONTROL》 *
LI YANG 等: "Fuzzy Neural Network for Studying Coupling between Drilling Parameters", 《ACS OMEGA 2021》 *
刘彪 等: "基于改进的主成分分析法的钻头优选评价模型", 《石油机械》 *
张辉 等: "基于改进灰色聚类的钻头优选新方法及其应用", 《石油机械》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886989A (zh) * 2021-10-08 2022-01-04 长江大学 一种基于机器学习的石油钻井的参数优化方法及系统
CN113886989B (zh) * 2021-10-08 2024-03-29 长江大学 一种基于机器学习的石油钻井的参数优化方法及系统
CN113689055A (zh) * 2021-10-22 2021-11-23 西南石油大学 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法
CN113689055B (zh) * 2021-10-22 2022-01-18 西南石油大学 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法
US11649714B1 (en) 2021-10-22 2023-05-16 Southwest Petroleum University Method for predicting and optimizing rate of penetration (ROP) for oil and gas drilling based on bayesian optimization
CN116070767A (zh) * 2023-02-14 2023-05-05 西南石油大学 一种基于胶囊神经网络的钻井液漏失层位预测方法
CN116070767B (zh) * 2023-02-14 2024-04-02 西南石油大学 一种基于胶囊神经网络的钻井液漏失层位预测方法
CN115907236A (zh) * 2023-02-17 2023-04-04 西南石油大学 基于改进决策树的井下复杂情况预测方法
CN115907236B (zh) * 2023-02-17 2023-11-03 西南石油大学 基于改进决策树的井下复杂情况预测方法
CN116822328A (zh) * 2023-05-11 2023-09-29 中南大学 一种矿山采空区地表沉陷预计参数的确定方法
CN117211969A (zh) * 2023-10-17 2023-12-12 江苏省无锡探矿机械总厂有限公司 液压钻机节能控制方法及系统
CN117211969B (zh) * 2023-10-17 2024-03-29 江苏省无锡探矿机械总厂有限公司 液压钻机节能控制方法及系统

Similar Documents

Publication Publication Date Title
CN113343558A (zh) 一种基于模糊神经网络的钻井参数优化方法
CN108388921B (zh) 一种基于随机森林的溢流漏失实时识别方法
CN109635461B (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
CN110619353B (zh) 一种基于深度学习的多尺度测井曲线自动识别方法
CN110346831B (zh) 一种基于随机森林算法的智能化地震流体识别方法
CN113723838A (zh) 基于卷积神经网络的随钻安全风险智能识别方法
CN112529341B (zh) 一种基于朴素贝叶斯算法的钻井漏失机率预测方法
CN106529667A (zh) 一种大数据环境下基于模糊深度学习的测井相识别与分析方法
CN105045091B (zh) 基于模糊神经控制系统的疏浚工艺智能决策分析方法
CN109034647A (zh) 一种致密油气藏体积压裂水平井重复压裂选井的方法
CN115906675B (zh) 基于时序多目标预测模型的井位及注采参数联合优化方法
CN107122860A (zh) 基于网格搜索和极限学习机的冲击地压危险等级预测方法
CN103324954A (zh) 一种基于树结构的图像分类方法及其系统
CN109063403B (zh) 一种滑溜水压裂优化设计方法
CN108280289B (zh) 基于局部加权c4.5算法的冲击地压危险等级预测方法
CN114117881A (zh) 一种出砂风险预测方法及系统
CN110633868A (zh) 遗传算法优化神经网络进行探井试油层油气性质预测方法
CN112800590B (zh) 一种机器学习辅助的两相流油藏随机建模的网格粗化方法
CN116663203B (zh) 钻进参数优化方法及装置
CN113989291A (zh) 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法
CN116401965B (zh) 基于随钻测试数据的岩土强度参数约束随机场模拟方法
Tang et al. Prediction of casing damage in unconsolidated sandstone reservoirs using machine learning algorithms
CN111539616A (zh) 一种基于混合型特征选择的新钻井潜力评价方法
CN114168782B (zh) 一种基于三元组网络的深度哈希图像检索方法
CN109594967A (zh) 一种基于录井大数据的卡钻事故检测预警方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210903

RJ01 Rejection of invention patent application after publication