本發(fā)明屬于復(fù)雜地質(zhì)鉆進(jìn)過(guò)程智能控制領(lǐng)域，尤其涉及一種復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模系統(tǒng)。

背景技術(shù)：

資源能源安全是國(guó)家安全的重要組成部分，也是國(guó)家經(jīng)濟(jì)可持續(xù)發(fā)展的關(guān)鍵之一。保障資源能源安全應(yīng)立足于國(guó)內(nèi)。隨著淺層礦產(chǎn)資源的日益枯竭、深部成礦理論的發(fā)展以及國(guó)內(nèi)外大量深部礦產(chǎn)資源的探明使得深部地質(zhì)勘探和開(kāi)發(fā)成為必然。復(fù)雜地質(zhì)鉆進(jìn)過(guò)程是穿越多種復(fù)雜地層抵達(dá)目標(biāo)區(qū)域并獲取完整巖心的過(guò)程。深部復(fù)雜地質(zhì)鉆進(jìn)過(guò)程存在風(fēng)險(xiǎn)大、成本高，資源難以轉(zhuǎn)化為現(xiàn)實(shí)生產(chǎn)力等問(wèn)題，而預(yù)測(cè)鉆速并優(yōu)化操作參數(shù)能夠有效的解決上述問(wèn)題。因此，建立鉆速模型是智能控制的前提，同時(shí)也是實(shí)現(xiàn)復(fù)雜地質(zhì)鉆進(jìn)過(guò)程安全高效目標(biāo)的重要基礎(chǔ)。

鉆速是指鉆進(jìn)系統(tǒng)每小時(shí)的進(jìn)尺量，它是決定鉆進(jìn)效率的最重要的參數(shù)。鉆速主要受地層屬性參數(shù)和鉆進(jìn)工藝參數(shù)兩類參數(shù)的影響，地層屬性參數(shù)可分為地震參數(shù)和測(cè)井參數(shù)兩類，而地層可鉆性是一種反映地層屬性的地層特征參數(shù)，鉆進(jìn)工藝參數(shù)又可分為錄井參數(shù)和鉆井參數(shù)兩類。這五類參數(shù)都對(duì)鉆速具有重要影響，同時(shí)，它們之間具有非線性、強(qiáng)耦合等特點(diǎn)。

地層可鉆性對(duì)鉆速具有直接而重要的影響，除了鉆井參數(shù)和錄井參數(shù)對(duì)鉆速產(chǎn)生直接影響外，其他參數(shù)大多通過(guò)地層可鉆性這一個(gè)地層特征參數(shù)來(lái)影響鉆速，但是地層可鉆性在實(shí)際生產(chǎn)中難以檢測(cè)。復(fù)雜地質(zhì)鉆進(jìn)過(guò)程的特點(diǎn)決定了地層特征參數(shù)、地震參數(shù)、測(cè)井參數(shù)、錄井參數(shù)和鉆井參數(shù)對(duì)鉆速的影響方式和途徑并不相同，如果將所有的參數(shù)作為同等地位的輸入建立鉆速模型將會(huì)導(dǎo)致模型的解釋性較差，難以清晰地反映出各種參數(shù)對(duì)鉆速的影響。

目前，鉆速建模研究都是將地層可鉆性等反應(yīng)地層屬性的參數(shù)及其他參數(shù)一起作為鉆速模型的輸入，建立單層鉆速模型，建立單層鉆速模型的方法主要有兩類。一類是利用傳統(tǒng)統(tǒng)計(jì)回歸的方法建立鉆速模型；一類是利用神經(jīng)網(wǎng)絡(luò)、支持向量回歸等智能方法建立鉆速模型。上述方法是將地層可鉆性這一直接影響鉆速的關(guān)鍵參數(shù)與鉆速分開(kāi)描述，沒(méi)有形成統(tǒng)一架構(gòu)，從而導(dǎo)致鉆速模型的解釋性較差的問(wèn)題。因此，融合多種形式的子模型進(jìn)行多層次、多模型、多種智能建模方法協(xié)同描述是實(shí)現(xiàn)鉆速建模的一種新途徑；同時(shí)，在雙層建模的思想下每層均采用智能建模方法解決了使用傳統(tǒng)非線性回歸或單一智能建模方法導(dǎo)致模型精度和泛化能力較差的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提出一種復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模系統(tǒng)，通過(guò)融合分層、優(yōu)化和智能建模的思想，建立了地質(zhì)勘探中復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速模型架構(gòu)，能夠有效提高鉆速模型的精度和泛化能力，為地質(zhì)勘探中復(fù)雜地質(zhì)鉆進(jìn)過(guò)程智能控制打下了良好的基礎(chǔ)。

為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明所采用的技術(shù)方案是：一種復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模系統(tǒng)，包括：

樣本數(shù)據(jù)集的獲取模塊，用于通過(guò)復(fù)雜地質(zhì)鉆進(jìn)過(guò)程機(jī)理分析，確定影響鉆速的參數(shù)為地震層速度、地層深度、地震聲波時(shí)間、比鉆壓、轉(zhuǎn)速、比水功率、泥漿密度等；運(yùn)用分段三次埃爾米特插值方法將地震聲波時(shí)間數(shù)據(jù)和地層深度進(jìn)行對(duì)應(yīng)補(bǔ)齊，獲得樣本數(shù)據(jù)集；

地層可鉆性子模型建立模塊，用于采用nadaboost-elm算法建立地層可鉆性子模型，并使用樣本數(shù)據(jù)集對(duì)該子模型預(yù)測(cè)方法進(jìn)行仿真驗(yàn)證；

相關(guān)性分析模塊，用于基于pearson相關(guān)性分析方法確定與鉆速相關(guān)性較強(qiáng)的參數(shù)，并將與鉆速相關(guān)性較強(qiáng)的參數(shù)作為鉆速子模型的輸入?yún)?shù)；

鉆速子模型建立模塊，用于根據(jù)鉆速子模型輸入?yún)?shù)，運(yùn)用改進(jìn)的pso-rbf算法建立鉆速子模型，形成復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模架構(gòu)；并使用樣本數(shù)據(jù)集對(duì)該子模型預(yù)測(cè)方法進(jìn)行仿真驗(yàn)證。

進(jìn)一步地，所述地層可鉆性子模型建立模塊包括：

參數(shù)選定單元，用于在樣本數(shù)據(jù)集中對(duì)地震層速度、地層深度、地震聲波時(shí)間、比鉆壓、轉(zhuǎn)速這5個(gè)參數(shù)的選定；

第二運(yùn)算單元，用于對(duì)參數(shù)選定單元選定的參數(shù)作為地層可鉆性子模型的輸入，使用nadaboost-elm算法輸出地層可鉆性參數(shù)，根據(jù)輸出參數(shù)建立地層可鉆性子模型。

進(jìn)一步地，所述相關(guān)性分析模塊包括：

第三運(yùn)算單元，用于根據(jù)pearson相關(guān)性系數(shù)的公式：

得到每個(gè)輸入?yún)?shù)與鉆速之間的相關(guān)性系數(shù)；

其中，n是數(shù)據(jù)集的個(gè)數(shù)，xi是輸入?yún)?shù)，yi是鉆速，r是每個(gè)輸入?yún)?shù)與鉆速之間的pearson相關(guān)性系數(shù)；

與鉆速相關(guān)性較強(qiáng)的輸入?yún)?shù)確定單元，用于根據(jù)pearson相關(guān)性系數(shù)的公式對(duì)地震層速度、地層深度、比鉆壓、轉(zhuǎn)速、比水功率、泥漿密度這6個(gè)參數(shù)進(jìn)行pearson相關(guān)性分析，得到地震層速度、地層深度、比鉆壓、轉(zhuǎn)速、泥漿密度這5個(gè)參數(shù)與鉆速具有較高的相關(guān)性。

進(jìn)一步地，所述鉆速子模型建立模塊包括：

樣本數(shù)據(jù)集預(yù)處理單元，用于對(duì)樣本數(shù)據(jù)集的歸一化處理；

其中，xnorm是歸一化后的數(shù)據(jù)集，x是真實(shí)的數(shù)據(jù)集，xmin是數(shù)據(jù)集中最小的數(shù)據(jù)，xmax是數(shù)據(jù)集中最大的數(shù)據(jù)；

第四運(yùn)算單元，用于根據(jù)下面三個(gè)公式計(jì)算隱含層和輸出層之間的權(quán)值；

其中，r是隱含層的激活函數(shù)，||xi-ci||²是歐拉范數(shù)，xi是輸入?yún)?shù)，ci是rbf函數(shù)的中心，σi是rbf函數(shù)的方差，cmax是rbf函數(shù)中心之間的最遠(yuǎn)距離，h是聚類中心的數(shù)量，wi是隱含層和輸出層之間的權(quán)值；

第五運(yùn)算單元，用于根據(jù)下面的公式計(jì)算總目標(biāo)輸出，即鉆速；

其中，y是總目標(biāo)輸出，即鉆速，s是第二運(yùn)算單元中nadaboost-elm算法的輸出，即地層可鉆性，其他參數(shù)之前均有提到；

第六運(yùn)算單元，用于對(duì)改進(jìn)的pso-rbf算法建立鉆速子模型；通過(guò)改進(jìn)的pso算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的spread參數(shù)能夠得到最優(yōu)的模型性能參數(shù)。

本發(fā)明基于其技術(shù)方案所具有的有益效果在于：

(1)本發(fā)明通過(guò)對(duì)鉆進(jìn)過(guò)程進(jìn)行機(jī)理分析，確定影響鉆速的各類參數(shù)，基于分段三次埃爾米特插值方法將部分缺失的數(shù)據(jù)補(bǔ)齊并獲得樣本數(shù)據(jù)集，能夠?yàn)楹竺娴慕９ぷ鞯於己玫幕A(chǔ)；

(2)在獲得樣本數(shù)據(jù)集的基礎(chǔ)上，采用nadaboost-elm算法建立地層可鉆性子模型，能夠通過(guò)融合多種地層可鉆性子模型獲得更優(yōu)的預(yù)測(cè)效果；

(3在建立地層可鉆性子模型的基礎(chǔ)上，基于pearson相關(guān)性分析方法確定與鉆速相關(guān)性較強(qiáng)的參數(shù)，作為鉆速子模型的輸入?yún)?shù)，可以有效克服模型輸入?yún)?shù)之間的耦合問(wèn)題；

(4)基于得到的鉆速子模型輸入?yún)?shù)，運(yùn)用改進(jìn)的pso-rbf算法建立鉆速子模型，并使用樣本數(shù)據(jù)集記性該子模型預(yù)測(cè)方法的仿真驗(yàn)證，有利于本發(fā)明在實(shí)際生產(chǎn)中應(yīng)用。

附圖說(shuō)明

圖1是本發(fā)明的復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模系統(tǒng)的框架圖。

圖2是復(fù)雜地質(zhì)鉆進(jìn)過(guò)程。

圖3是測(cè)量和插值的地震聲波時(shí)間對(duì)比圖。

圖4是隨spead參數(shù)變化的地層可鉆性子模型均方根誤差圖。

圖5是隨隱含層節(jié)點(diǎn)數(shù)變化的地層可鉆性子模型均方根誤差圖。

圖6是不同建模方法的地層可鉆性結(jié)果圖。

圖7是不同建模方法的鉆速結(jié)果圖。

圖8是隨迭代次數(shù)變化的改進(jìn)的pso-rbf算法均方根誤差圖。

圖9是本發(fā)明的復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模的鉆速模型架構(gòu)圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地描述。

實(shí)施例一

本發(fā)明的實(shí)施例提供了一種復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模系統(tǒng)，能夠有效提高鉆速模型的精度和泛化能力，為復(fù)雜地質(zhì)鉆進(jìn)過(guò)程智能控制打下了良好的基礎(chǔ)。請(qǐng)參閱圖1，本發(fā)明的復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模系統(tǒng)包括：

樣本數(shù)據(jù)集的獲取模塊100，用于通過(guò)對(duì)復(fù)雜地質(zhì)鉆進(jìn)過(guò)程的特點(diǎn)(請(qǐng)參考圖2)進(jìn)行分析，確定影響鉆速的過(guò)程參數(shù)，運(yùn)用分段三次埃爾米特插值計(jì)算方法將部分缺失的地震聲波時(shí)間數(shù)據(jù)和地層深度進(jìn)行對(duì)應(yīng)補(bǔ)齊，并獲得樣品數(shù)據(jù)集；所述樣本數(shù)據(jù)集的獲取模塊100包括：

樣本參數(shù)確定單元110，用于通過(guò)復(fù)雜地質(zhì)鉆進(jìn)過(guò)程機(jī)理分析，確定影響鉆速的參數(shù)，包括地震層速度、地層深度、地震聲波時(shí)間、比鉆壓、轉(zhuǎn)速、比水功率、泥漿密度等；

第一運(yùn)算單元120，用于通過(guò)分段三次埃爾米特插值計(jì)算的方法，對(duì)影響鉆速的樣本數(shù)據(jù)進(jìn)行對(duì)缺失數(shù)據(jù)補(bǔ)齊，獲得樣本數(shù)據(jù)集，樣本數(shù)據(jù)集包括地層深度、地層可鉆性、地震層速度、比鉆壓、轉(zhuǎn)速、比水功率、泥漿密度、機(jī)械鉆速、地震聲波時(shí)間這9個(gè)參數(shù)。

地層可鉆性子模型建立模塊200，用于基于樣本數(shù)據(jù)集的獲取模塊100獲得樣本數(shù)據(jù)集的基礎(chǔ)上，將地震層速度、地層深度、地震聲波時(shí)間、比鉆壓、轉(zhuǎn)速這5個(gè)參數(shù)作為地層可鉆性子模型的輸入，使用nadaboost-elm算法建立地層可鉆性子模型；所述地層可鉆性子模型建立模塊200包括：

參數(shù)選定單元210，用于在樣本數(shù)據(jù)集中對(duì)地震層速度、地層深度、地震聲波時(shí)間、比鉆壓、轉(zhuǎn)速這5個(gè)參數(shù)的選定；

第二運(yùn)算單元220，用于對(duì)參數(shù)選定單元選定的參數(shù)作為地層可鉆性子模型的輸入，使用nadaboost-elm算法輸出地層可鉆性參數(shù)，根據(jù)輸出參數(shù)建立地層可鉆性子模型。

相關(guān)性分析模塊300，用于在所述地層可鉆性子模型建立模塊200建立地層可鉆性子模型的基礎(chǔ)上，基于pearson相關(guān)性分析方法確定與鉆速相關(guān)性較強(qiáng)的參數(shù)，作為鉆速子模型的輸入?yún)?shù)；所述相關(guān)性分析模塊300包括：

第三運(yùn)算單元310，用于根據(jù)pearson相關(guān)性系數(shù)的公式：

得到每個(gè)輸入?yún)?shù)與鉆速之間的相關(guān)性系數(shù)；

其中，n是數(shù)據(jù)集的個(gè)數(shù)，xi是輸入?yún)?shù)，yi是鉆速，r是每個(gè)輸入?yún)?shù)與鉆速之間的pearson相關(guān)性系數(shù)；

與鉆速相關(guān)性較強(qiáng)的輸入?yún)?shù)確定單元320，用于根據(jù)pearson相關(guān)性系數(shù)的公式對(duì)地震層速度、地層深度、比鉆壓、轉(zhuǎn)速、比水功率、泥漿密度這6個(gè)參數(shù)進(jìn)行pearson相關(guān)性分析，得到地震層速度、地層深度、比鉆壓、轉(zhuǎn)速、泥漿密度這5個(gè)參數(shù)與鉆速具有較高的相關(guān)性。

鉆速子模型建立模塊400，用于根據(jù)地層可鉆性子模型建立模塊200得到的基于鉆速子模型輸入?yún)?shù)，運(yùn)用改進(jìn)的pso-rbf算法建立鉆速子模型，并使用樣本數(shù)據(jù)集進(jìn)行該子模型預(yù)測(cè)方法的仿真驗(yàn)證；所述鉆速子模型建立模塊包括：

樣本數(shù)據(jù)集預(yù)處理單元410，用于對(duì)樣本數(shù)據(jù)集的歸一化處理；

其中，xnorm是歸一化后的數(shù)據(jù)集，x是真實(shí)的數(shù)據(jù)集，xmin是數(shù)據(jù)集中最小的數(shù)據(jù)，xmax是數(shù)據(jù)集中最大的數(shù)據(jù)；

第四運(yùn)算單元420，用于根據(jù)下面三個(gè)公式計(jì)算隱含層和輸出層之間的權(quán)值；

其中，r是隱含層的激活函數(shù)，||xi-ci||²是歐拉范數(shù)，xi是輸入?yún)?shù)，ci是rbf函數(shù)的中心，σi是rbf函數(shù)的方差，cmax是rbf函數(shù)中心之間的最遠(yuǎn)距離，h是聚類中心的數(shù)量，wi是隱含層和輸出層之間的權(quán)值；

第五運(yùn)算單元430，用于根據(jù)下面的公式計(jì)算總目標(biāo)輸出，即鉆速；

其中，y是總目標(biāo)輸出，即鉆速，s是第二運(yùn)算單元中nadaboost-elm算法的輸出，即地層可鉆性，其他參數(shù)之前均有提到；

第六運(yùn)算單元440，用于對(duì)改進(jìn)的pso-rbf算法建立鉆速子模型；通過(guò)改進(jìn)的pso算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的spread參數(shù)能夠得到最優(yōu)的模型性能參數(shù)。

基于上述四個(gè)模塊形成復(fù)雜地質(zhì)鉆進(jìn)過(guò)程雙層智能鉆速建模架構(gòu)。

實(shí)施例二

某地區(qū)各鉆進(jìn)參數(shù)、地層深度和地震聲波時(shí)間參數(shù)見(jiàn)表1和表2。通過(guò)表1和表2數(shù)據(jù)對(duì)本發(fā)明的效果進(jìn)行仿真驗(yàn)證，請(qǐng)參見(jiàn)圖9，其為上述建模系統(tǒng)運(yùn)用到某地的具體實(shí)施例，包括以下具體步驟：

(1)原始數(shù)據(jù)為表1和表2，基于分段三次埃爾米特插值方法將表2中的地震聲波時(shí)間數(shù)據(jù)和地層深度進(jìn)行對(duì)應(yīng)補(bǔ)齊，得到如圖3所示的測(cè)量和插值的地震聲波時(shí)間對(duì)比圖，樣本數(shù)據(jù)集由地層深度、地層可鉆性、地震層速度、比鉆壓、轉(zhuǎn)速、比水功率、泥漿密度、機(jī)械鉆速、地震聲波時(shí)間這9個(gè)參數(shù)共22組數(shù)據(jù)組成。

表1某地區(qū)各鉆進(jìn)參數(shù)表

表2某地區(qū)地層深度和地震聲波時(shí)間參數(shù)表

(2)基于步驟(1)得到的9個(gè)參數(shù)22組數(shù)據(jù)的樣本數(shù)據(jù)集，將前16組數(shù)據(jù)作為訓(xùn)練集，后6組數(shù)據(jù)作為預(yù)測(cè)集。利用nadaboost-elm(nae)算法建立地層可鉆性子模型，并與現(xiàn)有的rbf神經(jīng)網(wǎng)絡(luò)(rbf)算法進(jìn)行對(duì)比，對(duì)比結(jié)果如圖4-6和表3所示。由以上圖表可知，所提方法在地層可鉆性子模型方面的預(yù)測(cè)精度和泛化能力均優(yōu)于其他方法。

表3地層可鉆性子模型各預(yù)測(cè)指標(biāo)表

(3)基于步驟(1)得到的9個(gè)參數(shù)22組數(shù)據(jù)的樣本數(shù)據(jù)集，進(jìn)行pearson相關(guān)性分析，得到如表4所示的各鉆進(jìn)參數(shù)pearson相關(guān)性系數(shù)表。確定了鉆速子模型的輸入?yún)?shù)為地層可鉆性、地層深度、比鉆壓、轉(zhuǎn)速、泥漿密度這5個(gè)參數(shù)。

表4各鉆進(jìn)參數(shù)pearson相關(guān)性系數(shù)表

(4)基于步驟(1)得到的9個(gè)參數(shù)22組數(shù)據(jù)的樣本數(shù)據(jù)集，將前16組數(shù)據(jù)作為訓(xùn)練集，后6組數(shù)據(jù)作為預(yù)測(cè)集。利用改進(jìn)的pso-rbf算法建立鉆速子模型，并與現(xiàn)有的單層rbf神經(jīng)網(wǎng)絡(luò)算法和雙層rbf神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比，對(duì)比結(jié)果圖如圖7-9和表5所示。由以上圖表可知，所提方法在鉆速子模型方面的預(yù)測(cè)精度和泛化能力均優(yōu)于其他方法。

表5鉆速子模型各預(yù)測(cè)指標(biāo)表

(5)基于建立的鉆速子模型，建立鉆速模型架構(gòu)。

在不沖突的情況下，本文中上述實(shí)施例及實(shí)施例中的特征可以相互結(jié)合。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。