本發(fā)明涉及石油勘探領(lǐng)域，尤其涉及一種預(yù)測(cè)地層破裂壓力的方法。

背景技術(shù)：

在石油勘探鉆井作業(yè)中，地層產(chǎn)生水力裂縫時(shí)的井底流體壓力稱為地層破裂壓力。地層破裂壓力的預(yù)測(cè)在石油勘探中具有重要的意義。例如在鉆井初期，就需要參考相關(guān)數(shù)據(jù)進(jìn)行套管柱的設(shè)計(jì)，制定固井、壓裂等方案。在鉆井過程中，鉆井液的選擇與使用、井下測(cè)試與井下故障的控制等都需要對(duì)地層破裂壓力進(jìn)行準(zhǔn)確地預(yù)測(cè)。預(yù)測(cè)上的誤差將可能導(dǎo)致地層被壓裂、鉆井液漏失，進(jìn)而造成成本浪費(fèi)，甚至發(fā)生井涌、井噴等鉆井事故。

目前，地層破裂壓力的預(yù)測(cè)方法主要分為兩種：一種是地層壓裂試驗(yàn)的方法，該方法的主要問題在于一般只能用來測(cè)定套管鞋處的地層破裂壓力，且僅限于某些特定的深度，難以獲取連續(xù)地層破裂壓力梯度剖面。另一種是利用測(cè)井?dāng)?shù)據(jù)獲取連續(xù)的巖石力學(xué)參數(shù)剖面進(jìn)而求得地層破裂壓力的方法，這類方法目前比較常用的模型有Eaton法和黃榮樽法，但兩種方法在實(shí)際應(yīng)用中都存在一定程度的缺陷。其中，Eaton法考慮參數(shù)較少，適合用來構(gòu)造運(yùn)動(dòng)較少的連續(xù)沉積盆地。而黃榮樽法則需要巖石三軸應(yīng)力實(shí)驗(yàn)和現(xiàn)場(chǎng)地層破裂壓力實(shí)驗(yàn)數(shù)據(jù)作為支撐才能達(dá)到理想效果。另外，這兩種方法都是建立在某些特定的假設(shè)條件下，例如忽視了巖石抗張強(qiáng)度對(duì)破裂壓力的影響。

綜上，亟需一種更有效更準(zhǔn)確的方法進(jìn)行地層破裂壓力的預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題之一是需要提供一種更有效更準(zhǔn)確的方法進(jìn)行地層破裂壓力的預(yù)測(cè)。

為了解決上述技術(shù)問題，本申請(qǐng)的實(shí)施例首先提供了一種預(yù)測(cè)地層破裂壓力的方法，包括，根據(jù)影響地層破裂的地質(zhì)因素選取樣本數(shù)據(jù)，并對(duì)所述樣本數(shù) 據(jù)進(jìn)行預(yù)處理；建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并初始化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值和閾值；基于遺傳算法對(duì)所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值和閾值進(jìn)行優(yōu)化，并利用優(yōu)化的結(jié)果對(duì)所述權(quán)值和閾值重新賦值；利用重新賦值的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)所述樣本數(shù)據(jù)進(jìn)行訓(xùn)練，并利用訓(xùn)練結(jié)果對(duì)所述權(quán)值和閾值重新賦值；利用重新賦值的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)地層破裂壓力進(jìn)行預(yù)測(cè)。

優(yōu)選地，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入層包括地層深度、巖石密度以及地層孔隙壓力這三個(gè)輸入節(jié)點(diǎn)；所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸出層包括地層破裂壓力這個(gè)輸出節(jié)點(diǎn)。

優(yōu)選地，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型包括一個(gè)隱含層，所述隱含層具有7個(gè)隱含節(jié)點(diǎn)。

優(yōu)選地，在基于遺傳算法對(duì)所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值和閾值進(jìn)行優(yōu)化的步驟中具體包括：步驟一、對(duì)種群中的每個(gè)個(gè)體進(jìn)行編碼；步驟二、初始化種群的規(guī)模、選擇概率、交叉概率以及變異概率；步驟三、計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度，并根據(jù)所述適應(yīng)度與所述選擇概率選取多個(gè)個(gè)體；步驟四、根據(jù)所述交叉概率以及變異概率對(duì)所述多個(gè)個(gè)體進(jìn)行交叉以及變異，并將產(chǎn)生的新的個(gè)體加入種群；步驟五、重復(fù)執(zhí)行步驟三與步驟四直至找到滿意的個(gè)體。

優(yōu)選地，根據(jù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值和閾值對(duì)所述原始種群中的個(gè)體進(jìn)行編碼。

優(yōu)選地，采用二進(jìn)制對(duì)所述原始種群中的個(gè)體進(jìn)行編碼，所述編碼長(zhǎng)度為29。

優(yōu)選地，每個(gè)個(gè)體的選擇概率根據(jù)如下表達(dá)式得到：

$p_i=\frac{f_i}{\underset{i=1}{\overset{N}{\Σ}}{f}_i}$

式中，p_i表示個(gè)體i的選擇概率，N表示種群中個(gè)體的數(shù)目，f_i為種群中個(gè)體i的適應(yīng)度。

優(yōu)選地，適應(yīng)度根據(jù)如下表達(dá)式得到：

$f_i=k\left(\underset{j=1}{\overset{n}{\Σ}}abs\right(y_j-o_j\left)\right)$

式中，n為BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)的個(gè)數(shù)，y_j為第j個(gè)輸出節(jié)點(diǎn)的樣本數(shù)據(jù)的實(shí)際值，o_j為利用BP神經(jīng)網(wǎng)絡(luò)得到的第j個(gè)輸出節(jié)點(diǎn)的預(yù)測(cè)輸出值，k為系 數(shù)，abs為取絕對(duì)值。

優(yōu)選地，在利用重新賦值的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)所述樣本數(shù)據(jù)進(jìn)行訓(xùn)練的步驟中具體包括：步驟一、將樣本數(shù)據(jù)輸入到所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到預(yù)測(cè)的輸出值；步驟二、根據(jù)預(yù)測(cè)的輸出值與期望的輸出值得到全局誤差；步驟三、基于所述全局誤差調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值與閾值；步驟四、重復(fù)執(zhí)行步驟一、二、三直至全局誤差滿足預(yù)設(shè)的精度指標(biāo)。

優(yōu)選地，全局誤差根據(jù)如下表達(dá)式得到：

$E^{\′}=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{(y_j-o_j)}^2$

式中，E′表示全局誤差，N表示種群中個(gè)體的數(shù)目，為n為BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)的個(gè)數(shù)，y_j為樣本數(shù)據(jù)的實(shí)際值，o_j為利用BP神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)輸出值。

與現(xiàn)有技術(shù)相比，上述方案中的一個(gè)或多個(gè)實(shí)施例可以具有如下優(yōu)點(diǎn)或有益效果：

通過構(gòu)造基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)地層破裂壓力進(jìn)行預(yù)測(cè)，解決了現(xiàn)有預(yù)測(cè)方法預(yù)測(cè)精度不高的問題，該方法不受地質(zhì)構(gòu)造條件的影響，且易于實(shí)施，具有很好的適用性和可靠性。

本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)，和特征在某種程度上將在隨后的說明書中進(jìn)行闡述，并且在某種程度上，基于對(duì)下文的考察研究對(duì)本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可以從本發(fā)明的實(shí)踐中得到教導(dǎo)。本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)可以通過下面的說明書，權(quán)利要求書，以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

附圖說明

附圖用來提供對(duì)本申請(qǐng)的技術(shù)方案或現(xiàn)有技術(shù)的進(jìn)一步理解，并且構(gòu)成說明書的一部分。其中，表達(dá)本申請(qǐng)實(shí)施例的附圖與本申請(qǐng)的實(shí)施例一起用于解釋本申請(qǐng)的技術(shù)方案，但并不構(gòu)成對(duì)本申請(qǐng)技術(shù)方案的限制。

圖1為本申請(qǐng)實(shí)施例的預(yù)測(cè)地層破裂壓力的方法的流程示意圖；

圖2為本申請(qǐng)實(shí)施例所采集的樣本數(shù)據(jù)的示意圖；

圖3為本申請(qǐng)實(shí)施例的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)示意圖；

圖4為本申請(qǐng)實(shí)施例的利用遺傳算法對(duì)權(quán)值和閾值進(jìn)行優(yōu)化的流程示意圖；

圖5為本申請(qǐng)實(shí)施例的利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練的流程示意圖；

圖6(a)-(b)為本申請(qǐng)一示例所采集的樣本數(shù)據(jù)的示意圖；

圖7(a)-(c)為利用本申請(qǐng)實(shí)施例的方法進(jìn)行預(yù)測(cè)與利用現(xiàn)有技術(shù)進(jìn)行預(yù)測(cè)的結(jié)果的對(duì)比示意圖。

具體實(shí)施方式

以下將結(jié)合附圖及實(shí)施例來詳細(xì)說明本發(fā)明的實(shí)施方式，借此對(duì)本發(fā)明如何應(yīng)用技術(shù)手段來解決技術(shù)問題，并達(dá)成相應(yīng)技術(shù)效果的實(shí)現(xiàn)過程能充分理解并據(jù)以實(shí)施。本申請(qǐng)實(shí)施例以及實(shí)施例中的各個(gè)特征，在不相沖突前提下可以相互結(jié)合，所形成的技術(shù)方案均在本發(fā)明的保護(hù)范圍之內(nèi)。

影響地層破裂壓力的因素主要包括上覆巖層壓力、地層孔隙壓力、巖石抗拉強(qiáng)度、泊松比和構(gòu)造應(yīng)力等。其中，上覆巖層壓力主要受巖石密度和地層深度的影響，泊松比代表了地下巖體的固有彈性，是地層巖石塑性的主要指標(biāo)，一般情況下地層破裂壓力隨著泊松比的增大而增大，而巖石泊松比很大程度上也由巖石密度決定。巖石抗拉強(qiáng)度和構(gòu)造應(yīng)力對(duì)地層破裂壓力的影響相比其它的因素更小，而且這兩個(gè)參數(shù)實(shí)際上都很難獲得。因此，綜合考慮以上各影響因素，選取地層深度、地層孔隙壓力和巖石密度作為樣本數(shù)據(jù)，并基于數(shù)據(jù)挖掘技術(shù)對(duì)地層破裂壓力進(jìn)行預(yù)測(cè)。

具體的，利用BP神經(jīng)網(wǎng)絡(luò)建立地層破裂壓力預(yù)測(cè)模型，并引入遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值和閾值，本申請(qǐng)實(shí)施例的方法可以提高預(yù)測(cè)精度和學(xué)習(xí)效率，同時(shí)可以獲得連續(xù)的沿井深方向的地層破裂壓力曲線，達(dá)到有效指導(dǎo)鉆井設(shè)計(jì)和施工、保證鉆井安全的目的。

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。BP神經(jīng)網(wǎng)絡(luò)具有非常強(qiáng)的非線性映射能力、泛化能力和容錯(cuò)能力。但同時(shí)BP神經(jīng)網(wǎng)絡(luò)也存在著一些缺陷，例如BP神經(jīng)網(wǎng)絡(luò)的初始連接的權(quán)值和閾值不易選擇，若選擇不合適則對(duì)網(wǎng)絡(luò)訓(xùn)練的結(jié)果影響很大，因此大大限制了BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍，降低了BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用效果。因此，在本申請(qǐng)的實(shí)施例中，引入遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始連接的權(quán)值和閾值進(jìn)行優(yōu)化。遺傳算法是一類由生物界的進(jìn)化規(guī)律演化而來的搜索方 法，具有不依賴于問題本身、不易陷入局部最優(yōu)解等特點(diǎn)。具體的，基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)地層破裂壓力的流程的示意圖如圖1所示，該方法包括以下步驟：

步驟S110、根據(jù)影響地層破裂的地質(zhì)因素選取樣本數(shù)據(jù)，并對(duì)所述樣本數(shù)據(jù)進(jìn)行預(yù)處理。步驟S120、建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并初始化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值和閾值。步驟S130、基于遺傳算法對(duì)所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值和閾值進(jìn)行優(yōu)化，并利用優(yōu)化的結(jié)果對(duì)所述權(quán)值和閾值重新賦值。步驟S140、利用重新賦值的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)所述樣本數(shù)據(jù)進(jìn)行訓(xùn)練，并利用訓(xùn)練結(jié)果對(duì)所述權(quán)值和閾值重新賦值。步驟S150、利用重新賦值的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)地層破裂壓力進(jìn)行預(yù)測(cè)。

根據(jù)影響地層破裂的地質(zhì)因素采集樣本數(shù)據(jù)，并對(duì)采集到的樣本數(shù)據(jù)進(jìn)行預(yù)處理。樣本數(shù)據(jù)的預(yù)處理主要包括剔除異常點(diǎn)以及將數(shù)據(jù)進(jìn)行歸一化等。舉例而言，實(shí)際中待預(yù)測(cè)區(qū)域的主要地質(zhì)情況為，地層包括阿圖什組、帕卡布拉克組、安居安組和克孜洛依組等4個(gè)層位，巖性組成主要包括砂巖、泥巖和白云巖等。另外，待預(yù)測(cè)區(qū)域的壓力系統(tǒng)復(fù)雜，多處層位易漏，復(fù)雜情況多。采用本申請(qǐng)實(shí)施例的預(yù)測(cè)模型對(duì)地層破裂壓力進(jìn)行預(yù)測(cè)時(shí)，所采集的樣本數(shù)據(jù)的地層深度范圍為750～3600m，如圖2所示。樣本數(shù)據(jù)中的巖石密度由密度測(cè)井得到，地層孔隙壓力可以利用測(cè)井?dāng)?shù)據(jù)根據(jù)等效深度法和有效應(yīng)力法計(jì)算得到。將所選擇的樣本數(shù)據(jù)進(jìn)行多次現(xiàn)場(chǎng)驗(yàn)證，并與鄰井?dāng)?shù)據(jù)進(jìn)行比對(duì)，以保證樣本數(shù)據(jù)具有較高的準(zhǔn)確性。

剔除異常點(diǎn)指的是在進(jìn)行數(shù)據(jù)預(yù)處理時(shí)把訓(xùn)練數(shù)據(jù)中的一些不符合事實(shí)規(guī)律的個(gè)別數(shù)據(jù)點(diǎn)移除，以保證整個(gè)數(shù)據(jù)系列的準(zhǔn)確性和質(zhì)量。由于不同數(shù)據(jù)項(xiàng)合理性的評(píng)價(jià)標(biāo)準(zhǔn)不同，因此移除的標(biāo)準(zhǔn)也不同。數(shù)據(jù)挖掘中常用的剔除異常點(diǎn)的方法包括萊因達(dá)準(zhǔn)則、格拉布斯準(zhǔn)則、狄克遜準(zhǔn)則等，上述方法均是利用數(shù)據(jù)樣本的統(tǒng)計(jì)規(guī)律性對(duì)數(shù)據(jù)進(jìn)行篩選。在本申請(qǐng)的實(shí)施例中，還可以利用曲線圖直接將異常點(diǎn)剔除。如圖2所示，將明顯偏離數(shù)據(jù)曲線的點(diǎn)作為異常點(diǎn)移除。

歸一化處理指的是將具有一定含義的絕對(duì)值變成某種相對(duì)值關(guān)系，是一種無量綱處理，歸一化處理可以縮小量值，簡(jiǎn)化計(jì)算，消除變量間的單位與數(shù)量級(jí)的不同，統(tǒng)一評(píng)價(jià)標(biāo)準(zhǔn)，從而歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性，加快訓(xùn)練網(wǎng)絡(luò)的收斂性。在本申請(qǐng)的實(shí)施例中，根據(jù)以下表達(dá)式對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理：

$y=\frac{x-x_{min}}{x_{\max }-x_{min}}---\left(1\right)$

式中，x_min和x_max分別為樣本數(shù)據(jù)的最小值和最大值。

接下來，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并初始化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值和閾值。根據(jù)前面的分析可知，BP神經(jīng)網(wǎng)絡(luò)的輸入層需要具有3個(gè)輸入節(jié)點(diǎn)，分別為地層深度、地層孔隙壓力以及巖石密度，輸出層需要具有1個(gè)輸出節(jié)點(diǎn)，即地層破裂壓力。進(jìn)一步地，在輸入層與輸出層之間構(gòu)建一層隱含層，包含7個(gè)隱含節(jié)點(diǎn)，如圖3所示。一般性神經(jīng)網(wǎng)絡(luò)模型建立一層隱含層即可以滿足訓(xùn)練要求，而沒有必要多增加隱含層來增加計(jì)算的復(fù)雜性。在本申請(qǐng)的實(shí)施例中，隱含節(jié)點(diǎn)個(gè)數(shù)可以根據(jù)2*N_輸入+1來確定，N_輸入表示輸入層的節(jié)點(diǎn)的個(gè)數(shù)。

圖3為本申請(qǐng)實(shí)施例的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)示意圖。如圖所示，w_ik表示輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)之間的連接權(quán)值，w_kj表示隱含層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)之間的連接權(quán)值，b_k表示隱含層節(jié)點(diǎn)的閾值，b_j表示輸出層節(jié)點(diǎn)的閾值，其中，i的取值范圍為[1,3]，k的取值范圍為[1,7]，j的取值為1。因此該神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有21個(gè)權(quán)值和8個(gè)閾值。確定了各權(quán)值和閾值的值，再進(jìn)一步確定BP神經(jīng)網(wǎng)絡(luò)各層的傳遞函數(shù)，就可以確定BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)有多種，舉例而言，log-sigmoid型函數(shù)的輸入值可以取任意值，輸出值在0和1之間。tan-sigmoid型函數(shù)的輸入值可以取任意值，輸出值在-1到+1之間。線性傳遞函數(shù)purelin的輸入值和輸出值均可以取任意值。其中后兩種傳遞函數(shù)應(yīng)用廣泛。在本申請(qǐng)的實(shí)施例中，利用matlab語(yǔ)言的工具箱隨機(jī)選取。

通常情況下，隨機(jī)確定BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，但這種隨機(jī)取值的誤差較大，難以得到理想的預(yù)測(cè)結(jié)果，因此，在本申請(qǐng)的實(shí)施例中，利用遺傳算法進(jìn)行優(yōu)化。

圖4為本申請(qǐng)實(shí)施例的利用遺傳算法對(duì)權(quán)值和閾值進(jìn)行優(yōu)化的流程示意圖，采用遺傳算法對(duì)權(quán)值和閾值進(jìn)行優(yōu)化的具體步驟包括：步驟S410、步驟一、對(duì)種群中的每個(gè)個(gè)體進(jìn)行編碼。步驟S420、初始化種群的規(guī)模、選擇概率、交叉概率以及變異概率。步驟S430、計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度，并根據(jù)所述適應(yīng)度與所述選擇概率選取多個(gè)個(gè)體。步驟S440、根據(jù)所述交叉概率以及變異概率對(duì)所述多個(gè)個(gè)體進(jìn)行交叉以及變異，并將產(chǎn)生的新的個(gè)體加入種群。步驟S450、重復(fù)執(zhí)行步驟S430與步驟S440直至找到滿意的個(gè)體。

具體的，以權(quán)值和閾值組成的整體作為種群中的一個(gè)個(gè)體，并對(duì)個(gè)體進(jìn)行 編碼。在本申請(qǐng)的實(shí)施例中，采用二進(jìn)制編碼，將每個(gè)權(quán)值和閾值計(jì)為一位，即將種群中的每個(gè)個(gè)體編碼為長(zhǎng)度為29的二進(jìn)制數(shù)。

對(duì)原始種群進(jìn)行初始化，使種群中的每個(gè)個(gè)體都具有上述的編碼形式。種群的初始化包括初始化初始種群的規(guī)模、選擇概率、交叉概率以及變異概率。其中，初始種群的規(guī)模一般根據(jù)函數(shù)隨機(jī)確定。

常用的選擇方式主要包括比例選擇方式和聯(lián)賽選擇方式。在比例選擇方式中，各個(gè)個(gè)體被選擇的概率與個(gè)體的適應(yīng)度值成比例，即個(gè)體的適應(yīng)度值越大，其被選擇的概率就越高。在聯(lián)賽選擇方式中，將上一代種群中的個(gè)體和本次遺傳操作產(chǎn)生的所有新個(gè)體放到一起，按適應(yīng)度值從大到小的順序排隊(duì)，然后取排在前面的多個(gè)個(gè)體組成新一代群體。

在本申請(qǐng)的實(shí)施例中，采用的是比例選擇方式，每個(gè)個(gè)體被選擇的概率如表達(dá)式(2)所示：

$p_i=\frac{f_i}{\underset{i=1}{\overset{N}{\Σ}}{f}_i}---\left(2\right)$

式中，N表示種群中個(gè)體的數(shù)目，f_i為種群中個(gè)體i的適應(yīng)度，適應(yīng)度用于評(píng)價(jià)個(gè)體的優(yōu)劣程度，適應(yīng)度越大個(gè)體越好，反之適應(yīng)度越小則個(gè)體越差；根據(jù)適應(yīng)度的大小對(duì)個(gè)體進(jìn)行選擇，以保證適應(yīng)性能好的個(gè)體有更多的機(jī)會(huì)繁殖后代，使優(yōu)良特性得以遺傳。適應(yīng)度f(wàn)_i可以根據(jù)表達(dá)式(3)計(jì)算得到：

$f_i=k\left(\underset{j=1}{\overset{n}{\Σ}}abs\right(y_j-o_j\left)\right)---\left(3\right)$

式中，n為BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)的個(gè)數(shù)，y_j為第j個(gè)輸出節(jié)點(diǎn)的樣本數(shù)據(jù)的實(shí)際值，o_j為利用BP神經(jīng)網(wǎng)絡(luò)得到的第j個(gè)輸出節(jié)點(diǎn)的預(yù)測(cè)輸出值，k為系數(shù)，一般取0.1-0.9，abs為取絕對(duì)值。

可以使用集成工具隨機(jī)選定上述各值，舉例而言，初始種群的規(guī)模為50、選擇概率在0.1-0.9任取、交叉概率P_c在0.9-0.97之間任取，變異概率P_m在0.1-0.001之間任取。

基于選擇概率從種群中選擇一定數(shù)量的個(gè)體進(jìn)行交叉操作，其中適應(yīng)度值較大的個(gè)體被選擇的機(jī)會(huì)更大。對(duì)于選出的個(gè)體，以交叉概率P_c對(duì)個(gè)體G_i和G_i+1進(jìn)行交叉操作，并將產(chǎn)生的新個(gè)體G′_i和G′_i+1插入到種群中。利用變異概率P_m使個(gè)體G_j突變成新的個(gè)體G′_j并插入到種群中。沒有進(jìn)行交叉操作的個(gè)體直接 進(jìn)行復(fù)制并插入到種群中。

對(duì)加入新個(gè)體后的種群再次計(jì)算適應(yīng)度值，然后再重復(fù)上述的選擇、交叉、變異等操作。當(dāng)達(dá)到預(yù)設(shè)的次數(shù)后停止迭代或找到滿意的個(gè)體后停止迭代。使經(jīng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的輸出值與期望的輸出值之間的差值小于預(yù)設(shè)值的個(gè)體為滿意的個(gè)體。將利用遺傳算法優(yōu)化得到的滿意的個(gè)體作為優(yōu)選的初始權(quán)值和閾值，帶入已經(jīng)建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。再利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，一邊迭代一邊繼續(xù)優(yōu)化權(quán)值和閾值，如圖5所示。

圖5為本申請(qǐng)實(shí)施例的利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練的流程示意圖，主要包括以下步驟：步驟S510、將樣本數(shù)據(jù)輸入到所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到預(yù)測(cè)的輸出值；步驟S520、根據(jù)預(yù)測(cè)的輸出值與期望的輸出值得到全局誤差；步驟S530、基于所述全局誤差調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值與閾值；步驟S540、重復(fù)執(zhí)行步驟S510、S520、S530直至全局誤差滿足預(yù)設(shè)的精度指標(biāo)。

具體的，將一個(gè)樣本數(shù)據(jù)帶入到BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，通過計(jì)算可以得到一個(gè)預(yù)測(cè)的輸出值。需要注意的是，在上述樣本數(shù)據(jù)向前傳遞的過程中，各層之間的連接權(quán)值保持相對(duì)的穩(wěn)定，且每一層節(jié)點(diǎn)的狀態(tài)僅影響與其相連接的下一層節(jié)點(diǎn)。接下來將預(yù)測(cè)的輸出值與樣本數(shù)據(jù)中的與該輸入的樣本數(shù)據(jù)對(duì)應(yīng)的實(shí)際輸出值，亦即期望的輸出值相比較，根據(jù)表達(dá)式(4)得到訓(xùn)練誤差：

$E=\frac{1}{2}\underset{j=1}{\overset{n}{\Σ}}{(y_j-o_j)}^2---\left(4\right)$

式中，n為BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)的個(gè)數(shù)，y_j為樣本數(shù)據(jù)的實(shí)際值，o_j為利用BP神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)輸出值。若上述計(jì)算結(jié)果不能滿足預(yù)設(shè)的精度指標(biāo)的要求，則基于訓(xùn)練誤差調(diào)整BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的權(quán)值與閾值。具體的，沿訓(xùn)練誤差下降最快的方向調(diào)整權(quán)值和閾值，使訓(xùn)練誤差逐漸減小，在本申請(qǐng)的實(shí)施例中，采用累積誤差調(diào)整權(quán)值的算法使全局誤差變小。全局誤差E′由表達(dá)式(5)來定義：

$E^{\′}=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{(y_j-o_j)}^2---\left(5\right)$

利用樣本數(shù)據(jù)進(jìn)行反復(fù)迭代，當(dāng)全局誤差小于預(yù)設(shè)的精度指標(biāo)時(shí)，例如0.00001，停止迭代，此時(shí)獲得了一個(gè)匹配度較高的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。將樣本數(shù)據(jù)重新帶入上述模型，可以預(yù)測(cè)得到準(zhǔn)確度較高的地層破裂壓力。

舉例而言，利用本申請(qǐng)實(shí)施例的方法對(duì)圖6(a)和(b)所示的樣本數(shù)據(jù)的地層破裂壓力進(jìn)行預(yù)測(cè)。具體的，圖6(a)中的三組數(shù)據(jù)從左至右分別為帕卡布拉克組、安居安組以及克孜洛依組的地層孔隙壓力數(shù)據(jù)，圖6(b)中的三組數(shù)據(jù)從左至右分別為帕卡布拉克組、安居安組以及克孜洛依組的巖石密度數(shù)據(jù)。為了進(jìn)一步保證預(yù)測(cè)模型的有效性，還可以將樣本數(shù)據(jù)的90％用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，剩余的10％用于預(yù)測(cè)模型的驗(yàn)證。例如以帕卡布拉克組、安居安組和克孜洛依組井段數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以阿圖什組井段數(shù)據(jù)進(jìn)行預(yù)測(cè)模型的驗(yàn)證。

圖7(a)-(c)為采用本申請(qǐng)實(shí)施例的方法進(jìn)行預(yù)測(cè)得到的結(jié)果與采用現(xiàn)有的Eaton法進(jìn)行預(yù)測(cè)得到的結(jié)果的對(duì)比的示意圖。其中，圖7(a)為帕卡布拉克組的預(yù)測(cè)結(jié)果的對(duì)比圖，圖7(b)為安居安組的預(yù)測(cè)結(jié)果的對(duì)比圖，圖7(c)為克孜洛依組的預(yù)測(cè)結(jié)果的對(duì)比圖。進(jìn)一步地在圖中，圓點(diǎn)表示的是采集到的實(shí)際的地層破裂壓力值，三角形點(diǎn)表示的是采用本申請(qǐng)實(shí)施例的方法進(jìn)行預(yù)測(cè)得到的地層破裂壓力值，正方形點(diǎn)表示的是采用Eaton法進(jìn)行預(yù)測(cè)得到的地層破裂壓力值。

從圖中可以看出，采用本申請(qǐng)實(shí)施例的方法進(jìn)行預(yù)測(cè)的預(yù)測(cè)結(jié)果與實(shí)際地層破裂壓力的符合性很高，預(yù)測(cè)誤差為3.5％左右。而Eaton法的預(yù)測(cè)結(jié)果則相對(duì)偏高，預(yù)測(cè)誤差10％左右。因此，本申請(qǐng)實(shí)施例的預(yù)測(cè)方法比常規(guī)預(yù)測(cè)方法更為準(zhǔn)確，而且其結(jié)果不受地質(zhì)構(gòu)造條件的影響，且所用到的數(shù)據(jù)都很容易得到，適用性更為廣泛。

雖然本發(fā)明所揭露的實(shí)施方式如上，但所述的內(nèi)容只是為了便于理解本發(fā)明而采用的實(shí)施方式，并非用以限定本發(fā)明。任何本發(fā)明所屬技術(shù)領(lǐng)域內(nèi)的技術(shù)人員，在不脫離本發(fā)明所揭露的精神和范圍的前提下，可以在實(shí)施的形式上及細(xì)節(jié)上作任何的修改與變化，但本發(fā)明的專利保護(hù)范圍，仍須以所附的權(quán)利要求書所界定的范圍為準(zhǔn)。