CN115688578A - 一种基于粒子群优化lstm神经网络模型的机械钻速预测方法 - Google Patents

Abstract

本发明属于石油钻井参数预测技术领域，公开了一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，包括S1、采集钻井过程中测井数据和录井数据；S2、使用皮尔逊相关系数法对测井数据和录井数据进行相关性分析，筛选出输入参数并进行归一化处理；S3、构建包括输入层、隐藏层、输出层的LSTM神经网络预测模型；S4、通过PSO算法对LSTM神经网络预测模型进行优化；S5、用优化后的模型进行实例训练和预测，采用R²、RMSE、MAPE指标对模型性能进行评价；本发明采用LSTM神经网络模型与PSO算法结合的方式，克服传统物理模型在钻井后进行钻井分析导致预测滞后的问题；以及单一智能模型依据经验选取参数而导致的机械钻速预测模型训练时间久、预测精度低的问题。

Description

一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法

技术领域

本发明涉及石油钻井参数预测技术领域，具体为一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法。

背景技术

机械钻速是反映所用的碎岩方法、所钻的岩石性质、所用的钻进工艺和技术状况的一个指标，通常以单位纯钻进时间内所钻开的进尺来表示，钻速越大则钻井效率越高，就能更快钻达油层。因此，机械钻速预测是石油钻井参数设计、钻井提速工具优选和钻井周期预测的核心。

目前，机械钻速预测多采用收集已钻井在各深度处的测井、录井数据以及实际机械钻速，通过理论公式、统计或经典机器学习等方法，来预测目标井眼在相应深度处的机械钻速。关于机械钻速预测主要经历了三个阶段：第一阶段为上世纪五六十年代到上世纪九十年代，通过构建物理模型的方法得到钻速方程，其基于现场数据和相关因素回归构建物理模型，该阶段的方法只能在钻井后进行钻井分析，难以满足现场实钻数据的应用需求，严重影响了钻井工程一体化高效钻井方案的调整和优化；第二阶段为二十世纪末至二十一世纪初，在计算机上模拟钻头破岩过程，定量确定了机械钻速等信息，然后用计算机仿真方法预测出了冲旋钻井机械钻速；虽然计算机仿真方法可以简化问题，节省人力物力，减少现场数据，但仿真方法建立的模型参数需要实验进行验证，模型本身也存在误差，难以用计算机模型来准确预测机械钻速；第三阶段就是目前所处的阶段，随着人工智能技术的发展，智能算法的高效性和预测的准确性被挖掘，越来越多的学者将智能算法用于机械钻速预测，并验证了智能算法在机械钻速预测中的可行性，但目前机械钻速预测多为单一的智能算法，模型参数值设置较随意，预测精度不高，对预测的精度任需进一步的提高。

深度学习中的长短期记忆(LSTM)神经网络模型预测精度高，且能有效克服现有方法中过拟合等问题，粒子群优化(PSO)算法具有设计简单、全局搜索能力强、收敛速度快等特点，常用于解决各类复杂优化问题。鉴于此，本发明提出一种基于粒子群优化LSTM神经网络预测模型的机械钻速预测方法，可以更准确地获取未钻地层的机械钻速数据，有助于钻井工程师和决策者提前获得钻井信息，以便于更好的规划钻井作业、缩短钻井周期。

发明内容

本发明意在提供一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，以解决现有技术钻速预测的智能算法单一，模型参数值设置随意，得到的预测精度不高的问题。

为了实现上述目的，本发明提供如下技术方案：

一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，包括以下步骤：

S1、采集钻井过程中测井数据和录井数据；

S2、使用皮尔逊相关系数法对步骤S1采集的测井数据和录井数据进行相关性分析，筛选出输入参数并进行归一化处理；

S3、构建包括输入层、隐藏层、输出层的长短期记忆神经网络预测模型；

S4、通过粒子群优化算法对步骤S3得到的长短期记忆神经网络预测模型进行优化；

S5、用步骤S4优化后的模型进行实例训练和预测，采用R²、RMSE、MAPE指标对模型性能进行评价。

进一步地，在S2中，使用皮尔逊相关系数衡量各参数之间的相关性，X和Y变量之间的皮尔逊相关系数表达式为：

式中，r为相关系数，取值范围是[-1,1]，r的值为正表示两参数呈正相关，值为负表示两参数呈负相关；

数据归一化处理使每个维度的数据分布相似，以避免不一致的梯度下降问题，有利于调整学习率，加快最优解的搜索，对相关性分析筛选后的输入参数进行最大最小归一化处理，其表达式为：

式中，x_i为原始数据；x_min为数据中的最小值；x_max为数据中的最大值；y_i为归一化处理后的数据，y_i的取值范围是(0,1)。

进一步地，在S3中，长短期记忆由多个单元结构构成，每个长短期记忆单元内部结构主要包括遗忘门f_t、输入门i_t和输出门o_t；遗忘门f_t是长短期记忆神经网络预测模型中的第一步，用于决定需要从细胞状态中抛弃的不重要的信息；输入门i_t用于决定在单元状态中需要存储的新信息，在原有单元状态的基础上遗忘前面决定遗忘的，再加上决定存储的，即为决定的输入；输出门o_t决定要输出的内容；其中，关于遗忘门f_t、输入门i_t和输出门o_t的相关计算如下：

计算遗忘门f_t，它可以选择性忘记前一时间步的信息，该步骤由sigmoid层实现，其表示为：

f_t＝sigmoid(W_f·[h_t-1,x_t]+b_f)

式中，f_t表示遗忘门，x_t表示t时刻的输入，h_t-1表示t时刻的短期记忆；sigmoid为激活函数，其输出范围是[0,1]，0表示“完全忘记所有信息”，1表示“完全保留所有信息”；

计算输入门i_t，它决定当前时间步存储哪些信息，该步骤由sigmoid层和tanh层实现，sigmoid层决定更新信息其表示为：

i_t＝sigmoid(W_i·[h_t-1,x_t]+b_i)

经过上述步骤后，前一单元状态c_t-1将更新为c_t，其表示为：

式中，c_t为更新后的长期记忆；

为逐点乘积；i_t为输入门；

计算输出门o_t，它确定当前状态的输出；先运行sigmoid层，得到输出单元，然后将单元状态放入tanh，将其乘以sigmoid门的输出，如此便只输出选择的部分，计算过程表示为：

o_t＝sigmoid(W_o·[h_t-1,x_t]+b_o)

式中，o_t为输出门；h_t为当前单元状态的输出值。

进一步地，在S4中，粒子群优化算法先初始化粒子群的各项参数，再进行迭代计算，获得优化后的长短期记忆的参数；粒子群优化算法的表达式为：

式中，w为惯性权重，用于控制粒子在局部最优和全局最优中的权重分配；c₁和c₂为加速因子，用以调整飞行的步长，一般取非负值；r₁和r₂的值是[0,1]之间的随机数；

分别对应该时刻下粒子的速度、下粒子的位移、位置局部最优解和全局最优解。

进一步地，在S5中，R²、RMSE、MAPE指标是对模型性能进行评价的指标；其中，R²越大，越接近1，RMSE越小，MAPE越小，表明模型预测效果越好，R²、RMSE、MAPE的表达式分别为：

式中，R²为决定系数，RMSE为均方根误差，MAPE为平均绝对百分比误差RMS；n表示数据集的样本数量；x_i(pre)为机械钻速预测值，

表示原始值的平均值；x_i(raw)为机械钻速原始值。

技术方案的有益效果是：

本发明一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，通过采用LSTM神经网络模型与PSO算法结合的方式，能够克服传统物理模型在钻井后进行钻井分析导致预测滞后的问题；以及单一智能模型依据经验选取参数而导致的机械钻速预测模型训练时间久、预测精度低的问题。提高机械钻速的预测精度，有助于钻井工程师和决策者提前获得钻井信息，以便于更好的规划钻井作业、缩短钻井周期。

附图说明

图1为本发明一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法的流程图；

图2为本发明一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法S3中LSTM神经网络模型的示意图；

图3为本发明一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法S4中PSO算法的流程图；

图4为本发明实施例中利用PSO优化前后LSTM模型预测性能评估结果示意图；

图5为本发明实施例中PSO优化前后LSTM模型预测值与原始值分布情况的箱线图；

图6为本发明实施例中对机械钻速的预测结果图；

其中，(a)为PSO优化前LSTM模型对机械钻速的预测结果；(b)为PSO优化后PSO-LSTM模型对机械钻速的预测结果。

具体实施方式

下面结合附图和实施方式对本发明作进一步的详细说明：

如图1至图3所示，一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，包括以下步骤：

S1、采集钻井过程中测井数据和录井数据；

S2、使用皮尔逊相关系数法对步骤S1采集的测井数据和录井数据进行相关性分析，筛选出输入参数并进行归一化处理；其中，在皮尔逊相关系数衡量各参数之间的相关性中，X和Y变量之间的皮尔逊相关系数表达式为：

式中，r为相关系数，取值范围是[-1,1]，r的值为正表示两参数呈正相关，值为负表示两参数呈负相关；

数据归一化处理使每个维度的数据分布相似，以避免不一致的梯度下降问题，有利于调整学习率，加快最优解的搜索，对相关性分析筛选后的输入参数进行最大最小归一化处理，其表达式为：

式中，x_i为原始数据；x_min为数据中的最小值；x_max为数据中的最大值；y_i为归一化处理后的数据，y_i的取值范围是(0,1)；

S3、构建包括输入层、隐藏层、输出层的长短期记忆神经网络预测模型；该神经预测模型的长短期记忆由多个单元结构构成，每个长短期记忆单元内部结构主要包括遗忘门f_t、输入门i_t和输出门o_t；遗忘门f_t是长短期记忆神经网络预测模型中的第一步，用于决定需要从细胞状态中抛弃的不重要的信息；输入门i_t用于决定在单元状态中需要存储的新信息，在原有单元状态的基础上遗忘前面决定遗忘的，再加上决定存储的，即为决定的输入；输出门o_t决定要输出的内容；其中，关于遗忘门f_t、输入门i_t和输出门o_t的相关计算如下：

计算遗忘门f_t，它可以选择性忘记前一时间步的信息，该步骤由sigmoid层实现，其表示为：

f_t＝sigmoid(W_f·[h_t-1,x_t]+b_f)

式中，f_t表示遗忘门，x_t表示t时刻的输入，h_t-1表示t时刻的短期记忆；sigmoid为激活函数，其输出范围是[0,1]，0表示“完全忘记所有信息”，1表示“完全保留所有信息”；

计算输入门i_t，它决定当前时间步存储哪些信息，该步骤由sigmoid层和tanh层实现，sigmoid层决定更新信息其表示为：

i_t＝sigmoid(W_i·[h_t-1,x_t]+b_i)

经过上述步骤后，前一单元状态c_t-1将更新为c_t，其表示为：

式中，c_t为更新后的长期记忆；

为逐点乘积；i_t为输入门；

计算输出门o_t，它确定当前状态的输出；先运行sigmoid层，得到输出单元，然后将单元状态放入tanh，将其乘以sigmoid门的输出，如此便只输出选择的部分，计算过程表示为：

o_t＝sigmoid(W_o·[h_t-1,x_t]+b_o)

式中，o_t为输出门；h_t为当前单元状态的输出值；

S4、通过粒子群优化算法对步骤S3得到的长短期记忆神经网络预测模型进行优化；其中，使用粒子群优化算法先初始化粒子群的各项参数，再进行迭代计算，获得优化后的长短期记忆的参数；粒子群优化算法的表达式为：

式中，w为惯性权重，用于控制粒子在局部最优和全局最优中的权重分配；c₁和c₂为加速因子，用以调整飞行的步长，一般取非负值；r₁和r₂的值是[0,1]之间的随机数；

分别对应该时刻下粒子的速度、下粒子的位移、位置局部最优解和全局最优解；

S5、用步骤S4优化后的模型进行实例训练和预测，采用R²、RMSE、MAPE指标对模型性能进行评价；其中，R²越大，越接近1，RMSE越小，MAPE越小，表明模型预测效果越好，R²、RMSE、MAPE的表达式分别为：

式中，R²为决定系数，RMSE为均方根误差，MAPE为平均绝对百分比误差RMS；n表示数据集的样本数量；x_i(pre)为机械钻速预测值，

表示原始值的平均值；x_i(raw)为机械钻速原始值。

具体实施例

为了验证本发明提供的基于粒子群优化LSTM神经网络模型的机械钻速预测方法的优越性，以吐哈油田胜北区块所采集的测井数据和录井数据为例，利用皮尔逊相关系数衡量各参数之间的相关性筛选出辅助变量，并采用PSO算法对LSTM的参数进行寻优，建立出机械钻速的预测模型进行验证。

验证过程中，共采集了共1853组数据，其中有13个变量；测井数据包括井深、声波时差、自然伽玛、地层密度、地层孔隙压力和井径；录井数据包括钻时、钻压、钻头转速、排量、泵压、钻井液密度和机械钻速，这些数据的统计信息见表1：

表1原始采集数据统计信息表

接着用皮尔逊相关系数衡量各参数之间的相关性筛选出辅助变量，确定了8个变量作为最终的模型输入变量，其中筛选出的变量有：井深、自然伽玛、地层密度、地层孔隙压力、井径、钻时、排量和钻井液密度共8个，在后续训练中作为模型的输入。

然后利用PSO算法优化前后的LSTM模型用于该井的机械钻速预测，前1800组已钻测井数据作为训练集进行训练，对后20米深度步长的机械钻速进行预测。本实施例对模型性能进行评价的指标是决定系数(R²)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)，R²越大(接近1)，RMSE越小，MAPE越小，表明模型预测效果越好，PSO算法优化前后的LSTM模型的性能评价指标见表2：

表2优化前后模型性能评价指标对比

模型类型	R<sup>2</sup>	RMSE	MAPE/％
				LSTM	0.948	1.151	57.075
PSO-LSTM	0.978	0.287	12.862

如图4所示，PSO算法优化前后的LSTM模型的误差对比，PSO优化后的LSTM模型的R²、RMSE和MAPE的值分别为0.978、0.287和12.862，相较于优化前，其R²更大，RMSE和MAPE较小，说明粒子群优化后的LSTM模型预测效果更好，显示出组合模型的优越性。

如图5所示，PSO优化前后两LSTM模型的预测值与原始值分布箱线图，可以看出，PSO-LSTM模型预测值在整体上更接近原始值，预测值更为集中，预测情况更为稳定。

如图6所示，(a)、(b)分别显示了LSTM和PSO-LSTM两模型的机械钻速预测结果，其中两模型训练集预测结果与原始数据走势一致，基于PSO-LSTM的机械钻速预测结果与原始数据吻合程度较高，尤其在后期，机械钻速预测值与原始值基本重合，表明优化后的LSTM模型预测精度较高。

由本实施例可知，本发明提出的一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，使用该方法解决了单一智能模型依据经验选取参数而导致的机械钻速预测模型训练时间久、预测精度低的问题，可以准确预测机械钻速，有助于钻井工程师和决策者提前获得钻井信息，从而更好的规划钻井作业、缩短钻井周期。

以上所述的仅是本发明的实施例，方案中公知的具体技术方案或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (5)

1.一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，其特征在于，包括以下步骤：

S1、采集钻井过程中测井数据和录井数据；

S2、使用皮尔逊相关系数法对步骤S1采集的测井数据和录井数据进行相关性分析，筛选出输入参数并进行归一化处理；

S3、构建包括输入层、隐藏层、输出层的长短期记忆神经网络预测模型；

S4、通过粒子群优化算法对步骤S3得到的长短期记忆神经网络预测模型进行优化；

S5、用步骤S4优化后的模型进行实例训练和预测，采用R²、RMSE、MAPE指标对模型性能进行评价。

2.根据权利要求1所述的一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，其特征在于：在S2中，使用皮尔逊相关系数衡量各参数之间的相关性，X和Y变量之间的皮尔逊相关系数表达式为：

式中，r为相关系数，取值范围是[-1,1]，r的值为正表示两参数呈正相关，值为负表示两参数呈负相关；

数据归一化处理使每个维度的数据分布相似，以避免不一致的梯度下降问题，有利于调整学习率，加快最优解的搜索，对相关性分析筛选后的输入参数进行最大最小归一化处理，其表达式为：

式中，x_i为原始数据；x_min为数据中的最小值；x_max为数据中的最大值；y_i为归一化处理后的数据，y_i的取值范围是(0,1)。

3.根据权利要求1所述的一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，其特征在于：在S3中，长短期记忆由多个单元结构构成，每个长短期记忆单元内部结构主要包括遗忘门f_t、输入门i_t和输出门o_t；遗忘门f_t是长短期记忆神经网络预测模型中的第一步，用于决定需要从细胞状态中抛弃的不重要的信息；输入门i_t用于决定在单元状态中需要存储的新信息，在原有单元状态的基础上遗忘前面决定遗忘的，再加上决定存储的，即为决定的输入；输出门o_t决定要输出的内容；其中，关于遗忘门f_t、输入门i_t和输出门o_t的相关计算如下：

计算遗忘门f_t，它可以选择性忘记前一时间步的信息，该步骤由sigmoid层实现，其表示为：

f_t＝sigmoid(W_f·[h_t-1,x_t]+b_f)

式中，f_t表示遗忘门，x_t表示t时刻的输入，h_t-1表示t时刻的短期记忆；sigmoid为激活函数，其输出范围是[0,1]，0表示“完全忘记所有信息”，1表示“完全保留所有信息”；

计算输入门i_t，它决定当前时间步存储哪些信息，该步骤由sigmoid层和tanh层实现，sigmoid层决定更新信息其表示为：

i_t＝sigmoid(W_i·[h_t-1,x_t]+b_i)

经过上述步骤后，前一单元状态c_t-1将更新为c_t，其表示为：

式中，c_t为更新后的长期记忆；

为逐点乘积；i_t为输入门；

计算输出门o_t，它确定当前状态的输出；先运行sigmoid层，得到输出单元，然后将单元状态放入tanh，将其乘以sigmoid门的输出，如此便只输出选择的部分，计算过程表示为：

o_t＝sigmoid(W_o·[h_t-1,x_t]+b_o)

式中，o_t为输出门；h_t为当前单元状态的输出值。

4.根据权利要求1所述的一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，其特征在于：在S4中，粒子群优化算法先初始化粒子群的各项参数，再进行迭代计算，获得优化后的长短期记忆的参数；粒子群优化算法的表达式为：

式中，w为惯性权重，用于控制粒子在局部最优和全局最优中的权重分配；c₁和c₂为加速因子，用以调整飞行的步长，一般取非负值；r₁和r₂的值是[0,1]之间的随机数；

分别对应该时刻下粒子的速度、下粒子的位移、位置局部最优解和全局最优解。

5.根据权利要求1所述的一种基于粒子群优化LSTM神经网络模型的机械钻速预测方法，其特征在于：在S5中，R²、RMSE、MAPE指标是对模型性能进行评价的指标；其中，R²越大，越接近1，RMSE越小，MAPE越小，表明模型预测效果越好，R²、RMSE、MAPE的表达式分别为：

式中，R²为决定系数，RMSE为均方根误差，MAPE为平均绝对百分比误差RMS；n表示数据集的样本数量；x_i(pre)为机械钻速预测值，

表示原始值的平均值；x_i(raw)为机械钻速原始值。

Images