CN113468793B - 一种丛式井平台位置优选方法、系统及存储介质 - Google Patents
一种丛式井平台位置优选方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113468793B CN113468793B CN202110834204.5A CN202110834204A CN113468793B CN 113468793 B CN113468793 B CN 113468793B CN 202110834204 A CN202110834204 A CN 202110834204A CN 113468793 B CN113468793 B CN 113468793B
- Authority
- CN
- China
- Prior art keywords
- iteration
- particle
- platform position
- footage
- global
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 239000002245 particle Substances 0.000 claims abstract description 109
- 238000005553 drilling Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011549 displacement method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种丛式井平台位置优选方法、系统及存储介质。所述方法包括如下步骤：S1、确定目标油气田的井数n、靶点坐标、靶点垂深以及受限区的边界范围；S2、利用粒子群算法对平台位置进行T轮迭代，T为最大迭代次数，依次记录每轮迭代的整个粒子群的全局最优平台位置g和最小总进尺gbest，T轮迭代后的g和gbest就是考虑受限区影响的钻井总进尺最小的平台位置及相应总进尺数。本发明能够考虑受限区对海上油气田开发过程中平台位置优选的影响，突破了现有方法未考虑受限区的缺陷，为海上油气田开发降低钻井进尺和成本提供了保障。
Description
技术领域
本发明涉及一种丛式井平台位置优选方法、系统及存储介质，属于石油工程人工智能应用技术领域。
背景技术
在海上油气田开发过程中，用海矛盾突出是面临的一大难题，以渤海油田为例，受国防、航道、渔业、环保等多方面因素的影响，平台位置选址受到较大限制，无法在航道、军事区等“受限区”的海面上部署平台位置，而只能在受限区之外的海域进行位置优选。因此，如何在受限区之外优选出钻井进尺最小的平台位置是亟需解决的问题。
根据出发点不同，丛式井平台位置的优选方法包括：最小总进尺法、最小总水平位移法、难度权重法等。①“最小总进尺法”优选出过各靶点井总进尺之和最小的位置，但平台位置多位于靶区中心，钻井难度较大，且很可能位于受限区。②“最小总水平位移法”优选出平面上距各靶点水平位移之和最小的位置，但只能表征靶点的平面距离和最小，无法显示深度的影响。③“难度权重法”方法在考虑总进尺的基础上权衡钻井难度，采取主观手选平台位置的方式进行选择，但无法保证总进尺最小。上述方法，均未考虑受限区的约束影响，所选平台位置很可能位于受限区中，导致实际钻井作业无法实施。
发明内容
本发明的目的是提供一种丛式井平台位置优选方法，适用于解决受限区约束下海上油气田开发过程中，钻井总进尺最小的平台位置优选问题。
本发明所提供的丛式井平台位置优选方法，包括如下步骤：
S1、确定目标油气田的井数n、靶点坐标、靶点垂深以及受限区的边界范围；
S2、利用粒子群算法对平台位置进行T轮迭代，T表示最大迭代次数，依次记录每轮迭代的整个粒子群的全局最优平台位置g和最小总进尺gbest，T轮迭代后的全局最优平台位置g和最终全局最小总进尺gbest，即为确定的全局最优平台位置和全局最小总进尺。
具体地，步骤S2包括如下步骤：
S21、预设粒子个数N(代表N个平台位置)、最大迭代次数T、学习因子C1与C2、惯性权重最大值Wmax和惯性权重最小值Wmin、速度最大值Vmax和速度最小值Vmin；
S22、对每个粒子的位置x(i,j)进行初始化，其中，i表示第i个粒子，j＝1或2，x(i,1)表示粒子的东西坐标，x(i,2)表示粒子的南北坐标，初始阶段，粒子的位置在油田扩大范围内且受限区外随机分布；
S23、对N个粒子的速度v(i,j)进行初始化，初始速度介于Vmin和Vmax之间，速度为正时表示对x(i,j)进行增大，速度为负时表示对x(i,j)进行减小；
S24、计算每个粒子的初始最优位置p(i,j)和初始最小总进尺pbest(i)，初始最优位置p(i,j)即为步骤S22中的初始位置x(i,j)，初始最小总进尺pbest(i)为各位置对应的钻井总进尺，N个位置对应N个钻井总进尺；
S25、计算初始阶段，整个粒子群的全局最优平台位置g和全局最小总进尺gbest：
从第1个粒子至第N个粒子进行遍历，选取全部粒子中最小的总进尺pbest(i)作为初始全局最小总进尺gbest，对应的平台位置p(i,j)作为初始全局最优位置g；
S26、进行第一轮迭代，更新N个粒子的位置x(i,j)，得到x(i,j)新，重新计算每个粒子的总进尺pbest(i)，选其中的最小值作为第一轮迭代后的全局最小总进尺gbest，所对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优平台位置g；
S27、依照步骤S26的迭代方法进行第2至第T轮迭代，依次记录每轮迭代的全局最优平台位置g和全局最小总进尺gbest，T轮迭代后的全局最优平台位置g和最终全局最小总进尺gbest即为确定的全局最优平台位置和全局最小总进尺。
具体地，步骤S21中，粒子个数N为2×m，最大迭代次数T为10×m，学习因子C1＝C2＝1.5，推荐惯性权重最大值Wmax＝0.9，最小值Wmin＝0.4，速度最大值Vmax＝1，最小值Vmin＝-1；
其中，m表示油田区域的面积，km2。
具体地，步骤S24中，第i个粒子的初始最小总进尺pbest(i)按照下述得到：
式中，n表示井的数量，i＝1～n；dep(s)表示第s口井的进尺，包含直井段、造斜段、稳斜段等。
具体地，步骤S22中，每个粒子的初始位置是在油田区域扩大10倍后的范围内随机分布的(称为“扩大范围”)，该倍数可根据实际情况调节。
具体地，步骤S26中，位置x(i,j)的更新方法包括如下步骤：
首先计算动态惯性权重w：
w＝Wmax-(Wmax-Wmin)×k/T
式中，k代表第k轮迭代；
对粒子的速度v(i,j)进行更新，公式如下：
v(i,j)新＝w×v(i,j)+C1×rand×[p(i,j)-x(i,j)]+C2×rand×[g-x(i,j)]
其中，C1，C2为学习因子，v(i,j)＝rand×(Vmax-Vmin)+Vmin；
若得到的v(i,j)新不在Vmin～Vmax之间，则进行规则化处理：
然后对粒子的位置x(i,j)进行更新，公式如下：
x(i,j)新＝x(i,j)+vx(i,j)
若得到的x(i,j)新不在扩大范围内且受限区外，则进行规则化处理：
其中，Xmin、Xman、Ymin、Ymax分别为扩大范围的西、东、南、北坐标边界。
具体地，步骤S27中，粒子群更新位置后，若全局最小总进尺gbest小于上一轮的全局最小总进尺gbest，记录对应的平台位置g，经T轮迭代得到最终的全局最优平台位置g和最终全局最小总进尺gbest。
本发明方法确定的最终全局最优平台位置g代表在考虑受限区的影响后，平台选在该位置处，钻井总进尺最小。
本发明还提供了一种用于优选丛式井平台位置的系统，包括处理器和存储计算机程序的存储器；所述处理器被配置成执行所述计算机程序以实现本发明丛式井平台位置优选方法。
本发明还进一步提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，当所述计算机程序被处理器执行时实现本发明丛式井平台位置优选方法。
本发明考虑受限区对海上油气田开发过程中平台位置优选的影响，基于粒子群算法，提出的受限区以外最小总进尺平台位置优选方法，突破了现有最小总进尺平台位置优选方法未考虑受限区的缺陷(现有方法计算的平台位置很可能在受限区内)，为海上油气田开发降低钻井进尺和成本提供了保障。
附图说明
图1为本发明一实施例中丛式井平台位置优选方法的示意图(二维，初始)。
图2为本发明一实施例中丛式井平台位置优选方法的示意图(三维，结果)。
具体实施方式
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
本发明考虑受限区对海上油气田开发过程中平台位置优选的影响，基于粒子群算法，提出的受限区约束下丛式井平台位置优选方法，突破了现有最小总进尺平台位置优选方法未考虑受限区的缺陷(现有方法计算的平台位置很可能在受限区内)，为海上油气田开发降低钻井进尺和成本提供了保障。
本发明基于粒子群算法模拟鸟群觅食飞行路线，通过学习个体经验和群体经验，二者协同迭代寻找最优解，算法易编程实现，输入靶点坐标及受限区边界后，运行程序，即可得到受限区约束下钻井总进尺最小的平台位置。
为实现上述目的，本发明采取以下技术方案：
1)确定目标油气田的井数n、靶点坐标、靶点垂深以及受限区的边界范围。
2)预设粒子个数N(代表N个平台位置)、最大迭代次数T、学习因子C1与C2、惯性权重最大值Wmax和惯性权重最小值Wmin、速度最大值Vmax和速度最小值Vmin。
3)对N个粒子的位置x(i,j)进行初始化，其中i表示第i个粒子，j＝1或2，x(i,1)表示粒子的东西坐标，x(i,2)表示粒子的南北坐标，初始阶段，粒子的位置在油田扩大范围内且受限区外是随机分布的；
对N个粒子的速度v(i,j)进行初始化，初始速度介于Vmin和Vmax之间，速度为正表示对x(i,j)进行增大，为负表示对x(i,j)进行减小。
4)计算每个粒子的初始最优位置p(i,j)和初始最小总进尺pbest(i)，每个粒子的初始最优位置p(i,j)为第3步骤的初始位置x(i,j)，初始最小总进尺pbest(i)为各位置对应的钻井总进尺，pbest(i)计算公式见后。
5)计算初始阶段，整个粒子群的全局最优平台位置g和全局最小总进尺gbest：
从第1个粒子至第N个粒子进行遍历，选取全部粒子中最小的总进尺pbest(i)作为初始全局最小总进尺gbest，对应的平台位置p(i,j)作为初始全局最优位置g。
6)进行第一轮迭代(共进行T轮)，更新全部N个粒子的位置x(i,j)，得到x(i,j)新，利用步骤4)重新计算每个粒子的总进尺pbest(i)，选其中的最小值作为第一轮迭代后的全局最小总进尺gbest，所对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优平台位置g，位置x(ij)的更新步骤见后。
7)然后进行第2至T轮迭代，依次记录每轮迭代的全局最优平台位置g和全局最小总进尺gbest，T轮迭代后的g和gbest就是最终的全局最优平台位置和全局最小总进尺。
上述的方法中，步骤2)中，设置粒子个数N＝2×m，最大迭代次数T＝10×m，学习因子C1＝C2＝1.5，推荐惯性权重最大值Wmax＝0.9和最小值Wmin＝0.4，速度最大值Vmax＝1和最小值Vmin＝-1。
其中，m表示油田区域的面积，km2。
上述步骤中参数设置由固定值和函数值两类组成，其中学习因子C1与C2、惯性权重最大值Wmax和最小值Wmin、速度最大值Vmax和最小值Vmin为固定值；粒子个数N、最大迭代次数T不是固定值，而是随着油田面积变化的函数，这样取值既能保证算法运行，又能保证结果精度。
在以往的粒子群算法中，对粒子个数N、最大迭代次数T的取值是固定值，但这种取值方法可能会导致粒子个数不足以覆盖油田面积和迭代次数不够，使算法无法收敛，因此本发明中采用函数值方式，保证程序能正常运行。此外，速度最大值和最小值取前述固定值时，计算收敛速度较快、精度较高。
上述的方法中，步骤3-4)中每个粒子的初始位置是在油田区域扩大10倍的范围内(称为“扩大范围”)且受限区外是随机分布的，该倍数可根据实际情况调节。
上述的方法中，步骤4)中，第i个粒子的对应的钻井总进尺pbest(i)如下：
式中，n为井的数量；i＝1～n；dep(s)代表第s口井的进尺，包含直井段、造斜段、稳斜段等。
上述的方法中，步骤6)中，粒子位置x(i,j)的更新步骤如下：
首先计算动态惯性权重w：
w＝Wmax-(Wmax-Wmin)×k/T
式中，k代表第k轮迭代；
对粒子的速度v(i,j)进行更新，公式如下：
v(i,j)新＝w×v(i,j)+C1×rand×[p(i,j)-x(i,j)]+C2×rand×[g-x(i,j)]
其中，C1，C2为学习因子，v(i,j)＝rand×(Vmax-Vmin)+Vmin；
若得到的v(i,j)新不在Vmin到Vmax之间，则进行规则化处理：
然后对粒子的位置x(i,j)进行更新，公式如下：
x(i,j)新＝x(i,j)+vx(i,j)
若得到的x(i,j)新不在扩大范围内且受限区外，则进行规则化处理：
其中，Xmin、Xman、Ymin、Ymax分别为扩大范围的西、东、南、北坐标边界。
更新位置后的粒子群，若全局最小总进尺gbest小于上一轮的全局最小总进尺gbest，则记录其对应的全局最优平台位置g。经T轮迭代后，得到最终全局最优平台位置g和最终全局最小总进尺gbest。
步骤6)中，通过计算动态惯性权重w来更新速度v(i,j)，如v(i,j)新＝w×v(i,j)+C1×rand×[p(i,j)-x(i,j)]+C2×rand×[g-x(i,j)]，公式中第一项为历史惯性，第二项为个体经验，第三项为群体经验。在本步骤中综合学习了个体经验和群体经验来获得新速度，容错性更强。而且惯性权重w是随着迭代轮次变化的动态值，能在每一轮迭代中提供合适的惯性权重，能防止静态值可能引起的程序无法收敛的现象。
步骤6-7)中，得到v(i,j)新后进一步计算x(i,j)新，利用更新位置后的粒子群计算全局最小总进尺，若全局最小总进尺gbest小于上一轮的全局最小总进尺gbest，则记录其对应的全局最优平台位置g。经T轮迭代后，得到最终的全局最优平台位置g，和最终全局最小总进尺gbest。
最终全局最优平台位置g表示在考虑受限区的影响后，平台选在该位置处，钻井总进尺最小，总进尺为gbest。经实际验证，上述参数(含固定值、函数值)的设置能够保证程序运行稳定，收敛速度快。
下面以某一油气田为例，说明本发明方法的优选过程：
1)确定目标油气田的井数为16口定向井，靶点坐标、靶点垂深如表1中所示。
本例中，受限区类型为航道区，航道边界即为受限区边界。相对位置如图1所示。
表1定向井的靶点坐标、靶点垂深
2)油田区域面积约30km2，因此设置粒子个数N＝60，最大迭代次数T＝300，学习因子C1＝C2＝1.5，惯性权重最大值Wmax＝0.9和最小值Wmin＝0.4，速度最大值Vmax＝1和最小值Vmin＝-1。
3)对60个粒子的位置x(i,j)进行初始化，如表2所示，x(i,1)表示第i个粒子的东西坐标，x(i,2)表示第i个粒子的南北坐标，初始阶段，粒子的位置在油田扩大范围内且受限区外是随机分布。如图1所示。
表2粒子位置初始化
| 粒子编号i | 东西坐标x(i,1) | 南北坐标x(i,2) |
| 1 | 387125 | 4352260 |
| 2 | 385082 | 4345976 |
| 3 | 394274 | 4353569 |
| … | … | … |
| 60 | 392595 | 4353149 |
对60个粒子的速度v(i,j)进行初始化，初始速度介于Vmin和Vmax之间。
4)计算每个粒子的初始最优平台位置p(i,j)和初始最小总进尺pbest(i)。
每个粒子的初始最优平台位置p(i,j)即为第3步骤的初始平台位置x(i,j)，将全部16口井的进尺累加，得到每个粒子对应的初始最小总进尺pbest(i)，如表3所示。
表3每个粒子的初始最优平台位置和初始最小总进尺
5)计算初始阶段，整个粒子群的全局最优平台位置g和全局最小总进尺gbest。
从第1个粒子至第60个粒子进行遍历，选取60个粒子中最小的pbest(i)作为初始全局最小总进尺gbest，对应的粒子位置x(i,j)作为初始全局最优平台位置g。
本算例中，初始全局最小总进尺gbest＝91633m，对应的初始全局最优平台位置如表4所示。
表4粒子群的初始全局最优平台位置和初始全局最小总进尺
| 粒子编号i | 东西坐标 | 南北坐标 | 初始全局最小总进尺/m |
| 29 | 393522 | 4355331 | 91633 |
6)进行第一轮迭代(共进行T＝300轮)，在第一轮迭代中，对粒子群位置进行更新。假如粒子位置超出了“扩大范围”或者进入了受限区，则根据实施方式中的步骤6)做出相应调整，得到粒子群的新位置x(i,j)新都位于扩大范围内且受限区外。根据60个粒子的新位置，利用步骤4)重新计算每个粒子的pbest(i)，如表5所示。
表5第1轮迭代后，每个粒子的新位置和最小总进尺
| 粒子编号i | 东西坐标 | 南北坐标 | 最小总进尺/m |
| 1 | 392954 | 4350239 | 107121 |
| 2 | 392785 | 4350047 | 157172 |
| 3 | 393452 | 4350363 | 93654 |
| … | … | … | |
| 60 | 392624 | 4353156 | 134339 |
选其中的最小值作为第一轮迭代后的全局最小总进尺gbest，对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优平台位置g。
本算例中，第一轮迭代后全局最小总进尺gbest＝84509/m。对应的全局最优平台位置如表6所示。
表6第1轮迭代后，粒子群的全局最优平台位置和全局最小总进尺
| 粒子编号i | 东西坐标 | 南北坐标 | 全局最小总进尺/m |
| 29 | 393499 | 4355672 | 84509 |
7)然后进行第2至300轮迭代，依次记录每轮迭代的全局最优平台位置g和全局最小总进尺gbest，300轮迭代后的g和gbest就是最终的全局最优平台位置和全局最小总进尺。本算例中最终的全局优平台位置和最小总进尺如表7所示。
表7第300轮迭代后，粒子群的全局最优平台位置和全局最小总进尺
结果表明：在航道受限区约束下，平台位置选在(393348，4350337)位置处，钻井总进尺最小，为71596m。如图1和2所示。
本发明基于的粒子群算法属于人工智能仿生算法，通过模拟鸟群的觅食行为，综合考虑个体经验和群体经验，迭代寻找最优解，搜索速度快，算法编程后运行稳定，结果可靠。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化与修改，均应属于本发明保护的范围。而且需要说明的是，本发明的各组成部分并不仅限于上述整体应用，本发明的说明书中描述的各技术特征可以根据实际需要选择一项单独采用或选择多项组合使用，因此本发明当然地涵盖了与本案发明点有关的其他组合及具体应用。
Claims (5)
1.一种丛式井平台位置优选方法，包括如下步骤：
S1、确定目标油气田的井数n、靶点坐标、靶点垂深以及受限区的边界范围；
S2、利用粒子群算法对平台位置进行T轮迭代，T表示最大迭代次数，依次记录每轮迭代的整个粒子群的全局最优平台位置g和最小总进尺gbest，T轮迭代后的全局最优平台位置g和最终全局最小总进尺gbest，即为确定的全局最优平台位置和全局最小总进尺；
步骤S2包括如下步骤：
S21、预设粒子个数N、最大迭代次数T、学习因子C1与C2、惯性权重最大值Wmax和惯性权重最小值Wmin、速度最大值Vmax和速度最小值Vmin；
S22、对每个粒子的位置x(i,j)进行初始化，其中，i表示第i个粒子，j＝1或2，x(i,1)表示粒子的东西坐标，x(i,2)表示粒子的南北坐标，初始阶段，粒子的位置在油田扩大范围内且受限区外随机分布；
S23、对N个粒子的速度v(i,j)进行初始化，初始速度介于Vmin和Vmax之间，速度为正时表示对x(i,j)进行增大，速度为负时表示对x(i,j)进行减小；
S24、计算每个粒子的初始最优位置p(i,j)和初始最小总进尺pbest(i)，初始最优位置p(i,j)即为步骤S22中的初始位置x(i,j)，初始最小总进尺pbest(i)为各位置对应的钻井总进尺，N个位置对应N个钻井总进尺；
步骤S24中，第i个粒子的初始最小总进尺pbest(i)按照下述得到：
式中，n表示井的数量，i＝1～n；dep(s)表示第s口井的进尺，包含直井段、造斜段、稳斜段等；
S25、计算初始阶段，整个粒子群的全局最优平台位置g和全局最小总进尺gbest：
从第1个粒子至第N个粒子进行遍历，选取全部粒子中最小的总进尺pbest(i)作为初始全局最小总进尺gbest，对应的平台位置p(i,j)作为初始全局最优位置g；
S26、进行第一轮迭代，更新N个粒子的位置x(i,j)，得到x(i,j)新，重新计算每个粒子的总进尺pbest(i)，选其中的最小值作为第一轮迭代后的全局最小总进尺gbest，所对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优平台位置g；
步骤S26中，位置x(i,j)的更新方法包括如下步骤：
首先计算动态惯性权重w：
w＝Wmax-(Wmax-Wmin)×k/T
式中，k代表第k轮迭代；
对粒子的速度v(i,j)进行更新，公式如下：
v(i,j)新＝w×v(i,j)+C1×rand×[p(i,j)-x(i,j)]+C2×rand×[g-x(i,j)]
其中，C1，C2为学习因子，v(i,j)＝rand×(Vmax-Vmin)+Vmin；
若得到的v(i,j)新不在Vmin～Vmax之间，则进行规则化处理：
然后对粒子的位置x(i,j)进行更新，公式如下：
x(i,j)新＝x(i,j)+vx(i,j)
若得到的x(i,j)新不在扩大范围内且受限区外，则进行规则化处理：
其中，Xmin、Xman、Ymin、Ymax分别为扩大范围的西、东、南、北坐标边界；
S27、依照步骤S26的迭代方法进行第2至第T轮迭代，依次记录每轮迭代的全局最优平台位置g和全局最小总进尺gbest，T轮迭代后的全局最优平台位置g和最终全局最小总进尺gbest即为确定的全局最优平台位置和全局最小总进尺。
2.根据权利要求1所述的优选方法，其特征在于：步骤S21中，粒子个数N为2×m，最大迭代次数T为10×m，学习因子C1＝C2＝1.5，推荐惯性权重最大值Wmax＝0.9，最小值Wmin＝0.4，速度最大值Vmax＝1，最小值Vmin＝-1；
其中，m表示油田区域的面积，km2。
3.根据权利要求1或2所述的优选方法，其特征在于：步骤S27中，粒子群更新位置后，若全局最小总进尺gbest小于上一轮的全局最小总进尺gbest，记录对应的平台位置g，经T轮迭代得到最终的全局最优平台位置g和最终全局最小总进尺gbest。
4.一种用于优选丛式井平台位置的系统，包括处理器和存储有计算机程序的存储器；所述处理器被配置成执行所述计算机程序以实现如权利要求1-3中任一项所述的丛式井平台位置优选方法。
5.一种计算机存储介质，其特征在于：所述计算机存储介质上存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的丛式井平台位置优选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110834204.5A CN113468793B (zh) | 2021-07-21 | 2021-07-21 | 一种丛式井平台位置优选方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110834204.5A CN113468793B (zh) | 2021-07-21 | 2021-07-21 | 一种丛式井平台位置优选方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113468793A CN113468793A (zh) | 2021-10-01 |
| CN113468793B true CN113468793B (zh) | 2024-05-24 |
Family
ID=77881975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110834204.5A Active CN113468793B (zh) | 2021-07-21 | 2021-07-21 | 一种丛式井平台位置优选方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113468793B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105067641A (zh) * | 2015-07-16 | 2015-11-18 | 东华大学 | 基于模板粒子群寻优的复杂体异物的微波检测系统 |
| CN109902360A (zh) * | 2018-08-16 | 2019-06-18 | 清能艾科（深圳）能源技术有限公司 | 在钻井现场作业中优化工程参数的方法、装置及机器设备 |
| US10689954B1 (en) * | 2019-04-24 | 2020-06-23 | Dagang Oil Field Company Of Cnpc | Research method of trajectory design and on-site tracking and adjustment of shale oil horizontal well |
| CN112819201A (zh) * | 2021-01-04 | 2021-05-18 | 中国石油天然气股份有限公司 | 确定丛式井布局方式的方法、装置及计算机设备 |
| CN113139695A (zh) * | 2021-05-11 | 2021-07-20 | 中海石油(中国)有限公司 | 海上热采与增产期甲板分配方法、计算机装置及存储介质 |
-
2021
- 2021-07-21 CN CN202110834204.5A patent/CN113468793B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105067641A (zh) * | 2015-07-16 | 2015-11-18 | 东华大学 | 基于模板粒子群寻优的复杂体异物的微波检测系统 |
| CN109902360A (zh) * | 2018-08-16 | 2019-06-18 | 清能艾科（深圳）能源技术有限公司 | 在钻井现场作业中优化工程参数的方法、装置及机器设备 |
| US10689954B1 (en) * | 2019-04-24 | 2020-06-23 | Dagang Oil Field Company Of Cnpc | Research method of trajectory design and on-site tracking and adjustment of shale oil horizontal well |
| CN112819201A (zh) * | 2021-01-04 | 2021-05-18 | 中国石油天然气股份有限公司 | 确定丛式井布局方式的方法、装置及计算机设备 |
| CN113139695A (zh) * | 2021-05-11 | 2021-07-20 | 中海石油(中国)有限公司 | 海上热采与增产期甲板分配方法、计算机装置及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 丛式井平台布置优化研究及应用;周春晓等;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20151215;第16-56页 * |
| 基于改进自适应遗传算法的钻井参数优化设计;伊鹏等;石油机械;20100210;第38卷(第02期);第30-33页 * |
| 基于粒子群算法的PDC钻头钻井参数优化;周春晓等;中国石油和化工标准与质量;20110901;第31卷(第09期);第160-161页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113468793A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112230678B (zh) | 基于粒子群算法的三维无人机路径规划方法及规划系统 | |
| Ali et al. | Cooperative path planning of multiple UAVs by using max–min ant colony optimization along with cauchy mutant operator | |
| CN107392388A (zh) | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 | |
| CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
| CN115077556B (zh) | 一种基于多维度地图的无人车野战路径规划方法 | |
| CN110096069B (zh) | 基于nsga ii超幅宽成像卫星编队构型的优化方法 | |
| CN109917815A (zh) | 基于全局最优头脑风暴算法的无人机三维路径设计方法 | |
| Yafei et al. | An improved UAV path planning method based on RRT-APF hybrid strategy | |
| CN110488859A (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
| CN107194040B (zh) | 基于双向水流的水质监测网络多目标优化部署方法 | |
| CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
| CN113688560A (zh) | 面向多星单侦察目标的轨道机动优化方法 | |
| CN108919818A (zh) | 基于混沌种群变异pio的航天器姿态轨道协同规划方法 | |
| CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
| CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
| CN114077256A (zh) | 一种水上无人船路径规划方法 | |
| Qing et al. | Aircraft route optimization using genetic algorithms | |
| CN106127295A (zh) | 一种基于自适应布谷鸟与烟花混合算法的压力容器优化设计方法 | |
| CN113468793B (zh) | 一种丛式井平台位置优选方法、系统及存储介质 | |
| CN116700329A (zh) | 一种基于改进萤火虫算法的无人机航迹规划方法 | |
| CN106950833B (zh) | 基于改进pio算法的卫星姿态动态规划方法 | |
| CN111928853A (zh) | 复杂环境下空基平台快速航路规划方法 | |
| CN111964682A (zh) | 适应未知动态空间的快速路径规划方法、装置及存储介质 | |
| CN115600776A (zh) | 一种基于自适应q学习的地面单元协同路径规划方法 | |
| CN112827174B (zh) | 一种分布式多机器人目标搜索方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |