專利名稱:一種基于神經(jīng)網(wǎng)絡的鉆井測斜儀方位角誤差補償方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種鉆井測斜儀,特別涉及一種鉆井測斜儀系統(tǒng)誤差補償方法,屬于慣性技術(shù)應用領(lǐng)域,適用于定向鉆井、井跡測量等。
背景技術(shù):
陀螺測斜儀就是能在油田生產(chǎn)中起著開窗側(cè)鉆、測量井跡的一種儀器,該儀器可在井下通過陀螺測量出待開窗的方位,這樣可在舊井、老井下按實際油層方向?qū)嶋H開窗,使舊井、老井得到二次開發(fā),不但節(jié)約了開支,而且也大大節(jié)省了人力物力。當前應用較為廣泛的鉆井測斜儀由一個雙自由度的撓性陀螺和兩個石英加速度計所組成,采用陀螺羅盤的工作方式,由加速度計的輸出計算出井孔傾斜角和工具面角,在此基礎(chǔ)上,再根據(jù)陀螺的輸出可計算出方位角。在組成鉆井測斜儀前對陀螺和加速度計都進行建模、測試與標定工作,提高慣性器件的測量精度從而提高鉆井測斜儀輸出傾斜角、工具面角和方位角的精度。在實際應用時為工程實現(xiàn)方便采用了較簡單的慣性器件模型,忽略了慣性器件輸出誤差中的高階項,在測斜儀安裝時會引入安裝誤差,這些都會引起測斜儀輸出傾斜角、工具面角和方位角的系統(tǒng)誤差。特別是在傾斜角、方位角和工具面角變化時,方位角的計算誤差是不同的。當測斜儀的機械安裝與電氣調(diào)試完成后此部分系統(tǒng)誤差基本確定,且重復性較好。為補償這部分系統(tǒng)誤差,目前方法通常采用查表法,即事先通過試驗建立測斜儀系統(tǒng)誤差表,把實際輸出數(shù)據(jù)與表中數(shù)據(jù)比對,得到此時輸出數(shù)據(jù)對應的系統(tǒng)誤差,然后把查表得到的系統(tǒng)誤差補償?shù)?。目前,測斜儀系統(tǒng)誤差表建立的方法是通過工裝夾具把陀螺測斜儀固定在位置轉(zhuǎn)臺上,把工具面角固定。在某一傾斜角下不變的情況,轉(zhuǎn)動方位角,根據(jù)精度要求在360度范圍內(nèi)均勻選取一些方位角做為測試點,得出不同測試點的方位角誤差,在不同傾斜角下重復進行以上試驗。最終建立起測斜儀傾斜角、方位角與方位角誤差的對應關(guān)系,形成表格。建立誤差表格時是選取一些離散的測試點,實際補償時采用插值的方法。測試點選取過多會增加建表的時間,測試點選取太少又會影響補償?shù)木取D壳安捎玫牟楸矸ê雎粤斯ぞ呙娼菍Ψ轿唤堑挠绊?,如果把測斜儀傾斜角、方位角與工具面角同時變化的情況下方位角的輸出建立表格,一是建立表格的工作量將會很大,二是在三變量的情況下插值算法的實現(xiàn)有一定困難,補償精度不高。
發(fā)明內(nèi)容
本發(fā)明的目的克服現(xiàn)有技術(shù)的不足,提出一種基于神經(jīng)網(wǎng)絡的鉆井測斜儀方位角誤差補償方法,在整個測量范圍內(nèi)實現(xiàn)對鉆井測斜儀方位角誤差的補償,輸出準確和高精度的鉆井測斜儀方位角。
本發(fā)明的技術(shù)解決方案是一種基于神經(jīng)網(wǎng)絡的鉆井測斜儀方位角誤差補償方法,其特征在于利用神經(jīng)網(wǎng)絡的非線性映射功能,選擇三輸入單輸出的深層前向神經(jīng)網(wǎng)絡,建立鉆井測斜儀輸出的傾斜角、工具面角和初步計算的方位角同真實方位角間的映射關(guān)系,主要實現(xiàn)步驟有(1)根據(jù)鉆井測斜儀方位角輸出信號的特點確定神經(jīng)網(wǎng)絡的結(jié)構(gòu)模型,建立神經(jīng)網(wǎng)絡模型時以鉆井測斜儀輸出的傾斜角、工具面角和初步計算的方位角做為神經(jīng)網(wǎng)絡的輸入量,真實方位角為輸出量來構(gòu)建三輸入單輸出的神經(jīng)網(wǎng)絡系統(tǒng),即選擇由輸入層、隱層1、隱層2和輸出層組成的四層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡;神經(jīng)網(wǎng)絡理論證明可以用一個三層前向網(wǎng)絡來逼近任意一個非線性映射,但對于比較復雜的函數(shù)用深層前向網(wǎng)絡時會取得更好的效果。因此,本發(fā)明選擇四層(即輸入層、隱層1、隱層2、輸出層)結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡。對于鉆井測斜儀來說,鉆井測斜儀的傾斜角、方位角和工具面角對方位角的計算都有影響,會產(chǎn)生方位角計算誤差。因此,選擇初步計算的的傾斜角、方位角和工具面角作為神經(jīng)網(wǎng)絡的輸入,修正補償后的方位角作為神經(jīng)網(wǎng)絡的輸出,即神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)為3,輸出層節(jié)點數(shù)為1,隱層1節(jié)點數(shù)可選為4~8,隱層2節(jié)點數(shù)可選為4~8。
(2)獲取神經(jīng)網(wǎng)絡的訓練樣本,模擬鉆井測斜儀的傾斜角、工具面角和方位角是在三軸位置轉(zhuǎn)臺上進行的,通過三軸位置轉(zhuǎn)臺繞其三個轉(zhuǎn)動軸的轉(zhuǎn)動來模擬鉆井測斜儀的傾斜角、工具面角和方位角,同時采集測斜儀輸出的原始數(shù)據(jù)并計算出傾斜角和初步計算方位角,形成神經(jīng)網(wǎng)絡的學習樣本。
采用人工神經(jīng)網(wǎng)絡解決實際問題時,主要的工作是收集樣本數(shù)據(jù)。本發(fā)明中學習樣本的獲取是在三軸位置轉(zhuǎn)臺上進行的。通過三軸位置轉(zhuǎn)臺繞其三個轉(zhuǎn)動軸的轉(zhuǎn)動來模擬鉆井測斜儀的傾斜角、工具面角和方位角。測試點選取規(guī)則為傾斜角測試點的選取規(guī)則是在0~75度范圍內(nèi)選取,在接近于零時取樣點密,角度接近75度時時測試取樣點間隔增大,如在10度以內(nèi)取的間隔小,大于10度以10度的間隔選取;方位角的測試點的選取原則是在0~360度范圍內(nèi)均勻選取,取樣間隔根據(jù)精度和實驗時間的要求選??;工具面角的測試點的選取原則是在0~360度范圍內(nèi)均勻選取,取樣間隔根據(jù)精度和實驗時間的要求選取。
(3)進行神經(jīng)網(wǎng)絡訓練,得到最優(yōu)的神經(jīng)網(wǎng)絡模型參數(shù)。
采用步驟(1)得到的神經(jīng)網(wǎng)絡模型和步驟(2)得到的學習樣本訓練神經(jīng)網(wǎng)絡并得到最優(yōu)權(quán)值。
(4)根據(jù)傾斜角、初步計算的方位角、工具面角來計算真實方位角。
本發(fā)明的原理是本發(fā)明針對采用陀螺羅經(jīng)法的鉆井測斜儀,慣性測量部分由一個雙軸動力調(diào)諧速率陀螺、兩個石英加速度計和相應的電子線路組成。其中陀螺用來敏感地球角速度分量、加速度用來敏感重力分量。通過陀螺和加速度的輸出值來計算鉆井測斜儀也就是井管的方位角、傾斜角和工具面角。在表示井管的方位角、傾斜角和工具面角時采用地理坐標系XYZ(東北天)和測斜儀坐標系xyz,其中x軸、y軸是兩軸陀螺和兩軸加速度計的敏感軸。測斜儀坐標系xyz同測量井管的姿態(tài)是一致的,因此xyz坐標系相對XYZ坐標系的姿態(tài)便是井管的姿態(tài),由此得到井管的軌跡。xyz坐標系相對XYZ坐標系的關(guān)系如圖3所示,XYZ是東北天地理坐標系坐標軸,xyz測斜儀坐標系坐標軸。x1y1z1和x2y2z2是坐標系轉(zhuǎn)換過程中的坐標系。圖3中A為方位角、I為傾斜角、T為工具面角,A&、I&、T&分別為相應的角速度矢量。坐標系旋轉(zhuǎn)的順序為先按Z軸順時針旋轉(zhuǎn)到坐標系x1y1z1,,旋轉(zhuǎn)角為方位角A,然后按坐標系x1y1z1的y1軸旋轉(zhuǎn)傾斜角I到坐標系x2y2z2,最后按x2y2z2坐標系的z2軸旋轉(zhuǎn)測斜儀到坐標系xyz地球自轉(zhuǎn)角速度和重力加速度在東北天坐標系下的投影分量為ω=
T(1)a=
T(2)式中Ω是地球自轉(zhuǎn)角速度,φ是測量點的緯度,g是測量點的重力加速度。
經(jīng)過坐標系旋轉(zhuǎn)后,在測斜儀坐標系的角速度和加速度分量為ωxωyωz=Ωcosφ(sinAcosIcosT+cosAsinT)-ΩsinφsinIcosTΩcosφ(-sinAcosIsinT+cosAcosT)+ΩsinφsinIsinTΩcosφsinAsinI+ΩsinφcosIT---(3)]]>axayaz=gsinIcosT-gsinIsinT-gcosIT---(4)]]>由(1)、(2)、(3)、(4)式可算得工具面角T、傾斜角I、方位角A為T=-arctanayax---(5)]]>I=arcsina2x+a2yg---(6)]]>A=arctanωxcosT-ωysinT+ΩsinφsinI(ωxsinT+ωycosT)cosI---(7)]]>以目前加速度的精度,由其計算的工具面角T、傾斜角I的誤差比較小。方位角的計算式中包括了工具面角T、傾斜角I和在x軸y軸上的角速度分量,方位角的計算誤差是它們共同作用的結(jié)果。當陀螺有誤差和系統(tǒng)有安裝誤差時,不同姿態(tài)下引起測斜儀方位角計算誤差不同,且有很好的重復性。因此,事先通過試驗找到其誤差的模型,并對測斜儀的方位角進行補償,可以提高方位角的精度。從式(7)可見當傾斜角I接近于90度附近時系統(tǒng)計算誤差會比較大,因此在采用陀螺羅盤方式時對傾斜角I進行限制,一般取傾斜角I小于75度。
本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于(1)本發(fā)明克服了建表法中把傾斜角、初步計算的方位角、工具面角做為輸入變量時插值算法精度下降的缺點,實現(xiàn)了鉆井測斜儀傾斜角、初步計算的方位角、工具面角到方位角的映射,達到對計算方位角誤差補償?shù)男Ч?br>
(2)傾斜角測試點的分段選擇方法充分反映了鉆井測斜儀方位角計算誤差的特點,形成的學習樣本更有針對性,即加快了神經(jīng)網(wǎng)絡的訓練速度,又提高了其計算精度。在達到相同精度的情況下,應用神經(jīng)網(wǎng)絡方法可比查表法采取更少的測試點數(shù),從而提高了效率。
圖1為本發(fā)明的神經(jīng)網(wǎng)絡的示意圖;圖2為本發(fā)明獲取神經(jīng)網(wǎng)絡學習樣本的流程圖;圖3為本發(fā)明的測斜儀坐標系與地理系間的位置關(guān)系圖。
具體實施例方式針對以上提出的技術(shù)方案,采取以下幾個步驟實現(xiàn)本發(fā)明(1)建立神經(jīng)網(wǎng)絡模型本發(fā)明取鉆井測斜儀的傾斜角、工具面角和初步計算的方位角作為神經(jīng)網(wǎng)絡的輸入變量,真實方位角作為神經(jīng)網(wǎng)絡的輸出變量,選取四層(即輸入層、隱層1、隱層2、輸出層)結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)為3,輸出層節(jié)點數(shù)為1??紤]到鉆井測斜儀的傾斜與方位對方位角的影響比較復雜,隱層1節(jié)點數(shù)選為8,隱層2節(jié)點數(shù)選為8,神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示,其中X1、X2、X3是神經(jīng)網(wǎng)絡的輸入變量分別對應鉆井測斜儀輸出的傾斜角、工具面角和初步計算的方位角,Y對應校正后的方位角,是神經(jīng)網(wǎng)絡的輸出變量。
(2)確定鉆井測斜儀的傾斜角和方位角的測試點鉆井測斜儀測試點的選取即要覆蓋鉆井測斜儀的測量范圍又要反映出鉆井測斜儀輸出數(shù)據(jù)的特點。傾斜角的測試點在0~75度范圍內(nèi)取樣,取樣點為3度、5度、10度、15度、25度、35度、45度、55度、65度、75度。方位角的測試點在0~360度范圍內(nèi)均勻取樣,取樣間隔視精度要求而定。由于神經(jīng)網(wǎng)絡具有泛化能力,取樣間隔可比查表法放寬,本發(fā)明中取樣間隔為30度。工具面角的測試點在0~360度范圍內(nèi)均勻取樣,取樣間隔為30度。
(3)獲取神經(jīng)網(wǎng)絡學習樣本在(2)所確定測試點處采集鉆井測斜儀輸出的傾斜角、初步計算方位角和工具面角作為學習樣本的輸入值,三軸位置轉(zhuǎn)臺模擬的方位角作為學習樣本的期望輸出值。具體操作是先把傾斜角、方位角、工具面角轉(zhuǎn)到零位,然后順序轉(zhuǎn)動傾斜角、方位角、工具面角,轉(zhuǎn)遍全部測試點,同時采集測斜儀輸出數(shù)據(jù),形成覆蓋整個測量范圍的神經(jīng)網(wǎng)絡的學習樣本。學習樣本獲取流程如圖2所示,測試點個數(shù)Ni(i=1,2,3)分別表示傾斜角、方位角、工具面角的測試點個數(shù),可根據(jù)系統(tǒng)精度要求確定。
(4)進行神經(jīng)網(wǎng)絡訓練,得到最優(yōu)的神經(jīng)網(wǎng)絡模型參數(shù)在前面(1)、(2)、(3)步確定的神經(jīng)網(wǎng)絡模型和學習樣本的基礎(chǔ)上,采用BP算法對網(wǎng)絡進行訓練。在訓練過程中,首先給出一組模型參數(shù),以此參數(shù)計算神經(jīng)網(wǎng)絡的輸出,再對神經(jīng)網(wǎng)絡的輸出和真實值進行比較得到計算誤差。然后根據(jù)誤差,按BP算法修改模型參數(shù),使網(wǎng)絡朝向能正確響應的方向不斷發(fā)展,直到網(wǎng)絡的輸出與期望的輸出之差在允許的范圍之內(nèi)。此時的模型參數(shù)便是最優(yōu)的網(wǎng)絡模型參數(shù),也就是神經(jīng)元間的連接權(quán)值及神經(jīng)元的閾值。權(quán)值修改過程如下。
定義誤差函數(shù)為ep=12(tp-yp)2,]]>其中tp是神經(jīng)網(wǎng)絡的期望輸出值,yp是神經(jīng)網(wǎng)絡計算值。按ΔW=-ηδepδW]]>去修改神經(jīng)元間連接權(quán)值,最終達到ep最小,確定此時參數(shù)為最優(yōu)參數(shù)。
(5)根據(jù)傾斜角、工具面角和初步計算的方位角來計算真實方位角由A=arctanωxcosT-ωysinT+ΩsinφsinI(ωxsinT+ωycosT)cosI]]>式可見,方位角的計算式中包括了工具面角T、傾斜角I和在x軸y軸上的角速度分量,方位角的計算誤差是它們共同作用的結(jié)果。當陀螺有誤差和系統(tǒng)有安裝誤差時,不同姿態(tài)下引起測斜儀方位角計算誤差不同,且有很好的重復性。
在第(4)步中得到了最優(yōu)參數(shù),也就是建立了初步計算出的工具面角、傾斜角、方位角與真實方位角間的非線性映射關(guān)系,即向神經(jīng)網(wǎng)絡輸入初步計算出的工具面角、傾斜角、方位角,神經(jīng)網(wǎng)絡便會輸出真實方位角。
在計算中,前一層神經(jīng)元的輸出作為下一層神經(jīng)元的輸入。設神經(jīng)網(wǎng)絡輸入信號初步計算出的工具面角、傾斜角、方位角分別為x1,x2,x3,輸出信號為y。下面是由x1,x2,x3求出y的過程。
第一隱層神經(jīng)元輸入為I1i=Σj=1nw1i,jxj+θ1j(i=1,2,L m1)---(8)]]>上式中n是輸入神經(jīng)元的個數(shù),在此n=3,m1是輸入神經(jīng)元的個數(shù),在此m1=8,w1i,j為第一隱層神經(jīng)元i與輸入神經(jīng)元間的連接權(quán)值,θ1j為第一隱層神經(jīng)元的閾值。
第一隱層神經(jīng)元輸出為O1i=f(I1i)(9)第二隱層中共有m2個神經(jīng)元,各神經(jīng)元的輸入是I2i=Σj=1m1w2i,jxj+θ2j(i=1,2,L m2)---(10)]]>上式中m2=8,w2i,j為第二隱層神經(jīng)元與第一隱層神經(jīng)元間的連接權(quán)值,θ2j為第二隱層神經(jīng)元的閾值。
第二隱層神經(jīng)元輸出為O2i=f(I2i) (11)取輸出神經(jīng)元的閾值為零,取線性函數(shù)為輸出層神經(jīng)元的激發(fā)函數(shù),則輸出神經(jīng)元的輸出(也就是整個網(wǎng)絡的輸出)為y=Σi=1m2viO2i---(12)]]>上式中vi為輸出神經(jīng)元與第二隱層神經(jīng)元的連接權(quán)值,由式(12)求出的y便是補償后真實的方位角。
權(quán)利要求
1.一種基于神經(jīng)網(wǎng)絡的鉆井測斜儀方位角誤差補償方法,其特征在于利用神經(jīng)網(wǎng)絡的非線性映射功能,選擇三輸入單輸出的深層前向神經(jīng)網(wǎng)絡,建立鉆井測斜儀輸出的傾斜角、工具面角和初步計算的方位角同真實方位角間的映射關(guān)系,主要實現(xiàn)步驟有(1)根據(jù)鉆井測斜儀方位角輸出信號的特點確定神經(jīng)網(wǎng)絡的結(jié)構(gòu)模型,建立神經(jīng)網(wǎng)絡模型時以鉆井測斜儀輸出的傾斜角、工具面角和初步計算的方位角做為神經(jīng)網(wǎng)絡的輸入量,真實方位角為輸出量來構(gòu)建三輸入單輸出的神經(jīng)網(wǎng)絡系統(tǒng),即選擇由輸入層、隱層1、隱層2和輸出層組成的四層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡;(2)獲取神經(jīng)網(wǎng)絡的訓練樣本,模擬鉆井測斜儀的傾斜角、工具面角和方位角是在三軸位置轉(zhuǎn)臺上進行的,通過三軸位置轉(zhuǎn)臺繞其三個轉(zhuǎn)動軸的轉(zhuǎn)動來模擬鉆井測斜儀的傾斜角、工具面角和方位角;(3)進行神經(jīng)網(wǎng)絡訓練,得到最優(yōu)的神經(jīng)網(wǎng)絡模型參數(shù);(4)根據(jù)傾斜角、初步計算的方位角、工具面角來計算真實方位角。
2.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的鉆井測斜儀方位角誤差補償方法,其特征在于所述步驟(1)中選擇四層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡的輸入層節(jié)點為3,隱層1節(jié)點為4~8,隱層2節(jié)點為4~8,輸出層節(jié)點為1。
3.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的鉆井測斜儀方位角誤差補償方法,其特征在于所述步驟(2)中鉆井測斜儀的傾斜角、工具面角和方位角測試點的選取規(guī)則為傾斜角的測試點在0~75度范圍內(nèi)取樣;方位角的測試點在0~360度范圍內(nèi)均勻取樣;工具面角的測試點在0~360度范圍內(nèi)均勻取樣。
全文摘要
一種基于神經(jīng)網(wǎng)絡的鉆井測斜儀方位角誤差補償方法,包括有如下四個基本步驟1)根據(jù)鉆井測斜方位角輸出信號的特點確定神經(jīng)網(wǎng)絡的結(jié)構(gòu)模型;2)獲取神經(jīng)網(wǎng)絡的訓練樣本;3)進行神經(jīng)網(wǎng)絡訓練,得到最優(yōu)的神經(jīng)網(wǎng)絡模型參數(shù);4)根據(jù)傾斜角、初步計算的方位角、工具面角來計算真實方位角。神經(jīng)網(wǎng)絡具有分布并行處理,非線性映射,魯棒容錯和泛化能力強等特性,使得它在智能信息處理方面有廣泛的應用。訓練后的神經(jīng)網(wǎng)絡能很高精度地逼近鉆井測斜儀系統(tǒng)輸入與輸出間的非線性關(guān)系且具有很強的泛化能力,能在整個測量范圍內(nèi)補償鉆井測斜儀的系統(tǒng)誤差。本發(fā)明對計算的方位角進行較正,克服了不同方位角、傾斜角、工具面角帶來的系統(tǒng)測量誤差,輸出準確的方位角。本發(fā)明的方法也可用于其它傳感器輸出信號的建模與補償。
文檔編號E21B47/02GK1888384SQ20061008886
公開日2007年1月3日 申請日期2006年7月21日 優(yōu)先權(quán)日2006年7月21日
發(fā)明者酈吉臣, 房建成, 張延順, 李紅, 王群威, 俞文伯, 劉百奇, 楊勝, 李金濤 申請人:北京航空航天大學