东海深部地层岩石可钻性预测方法研究
发布时间：2021-01-14 08:10
东海深部地层中部分井PDC钻头与地层性质匹配性不足,导致机械钻速低、钻头磨损严重等问题发生。以室内岩心微钻实验数据为依据,首先建立了测井参数预测岩石可钻性的非线性多元回归模型,同时利用多种人工神经网络方法对岩石可钻性进行了预测,结果表明非线性多元回归模型预测岩石可钻性与常规BP神经网络、级联BP神经网络、径向基RBF神经网络、BP-RBF双级联神经网络模型预测结果均具有较高可信度,但BP-RBF双级联神经网络模型预测效果最好,更适合于东海深部地层岩石可钻性预测。本文研究结果可为东海深部地层岩石可钻性预测及钻头选型提供借鉴。
【文章来源】：中国海上油气. 2020,32(02)北大核心
【文章页数】：8 页
【部分图文】：
图１＿常规ＢＰ神经网络岩石可钻性模型示意图??Ｆｉｇ．?１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ??
?４?４９１．?９８??４．?６１??４．?６６??０．?９８??４．?６５??０．?８３??１４＃??４?６０９．?０９??４．?０９??４．?１５??１．?４４??４．?１０??０．?１８??４?６１１．?５０??４．?１８??４．?００??４．?４０??４．?１９??０．?２２??平均相对误差??５．?１４??２．?５２??２．?２级联ＢＰ神经网络预测可钻性??为了提高神经网络预测的稳定性，考虑在输人??■与输出层之间增加连接权值。级联ＢＰ神经网络??模型姐圏２所示，??图２级联ＢＰ神经网络岩石可钻性预测模型示意图??Ｆｉｇ．?２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ??ｂａｓｅｄ?ｏｎ?ｃａｓｃａｄｅ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??采用级联ＢＰ神经调络程序对表１样本数据进??行学习，方法同上述常规ＢＰ神经网络建立方法，建??立一万个级联ＢＰ神经网络并优眩最终优选的级??联ＢＰ神经网络的数学模型见表４。??利用多元随狗模型和级联ＢＰ神经网络分别对??费石可钻性进行了興｜３裣验，其预测结果见表：５。??预测的可钻性级值与实＃值之间相关系数ｉ？?＝?Ｑ．?９８１??８，平均相对误差为２．?５３％，与常规ＢＰ神经网络接??近，但相比常规ＢＰ神盈网络，标准误差＝?０．１３６??７＜０．?１６４３，最大相对误差不超过１０％，，残差平方和??ｍ６７￥＜￡Ｋ?６７４?６５稳定性相比常规ＢＰ神蓋网??續有一■隹握升ａ??２．?３径向基ＲＢＦ神经网络预测可钻性??尽管在神经网络的实豚应用中，ＢＰ神经柯络占??多数ｙ但其也有难以克服的局
第３２卷第２期??李乾等：东海深部地层岩石可钻性预测方法研究??１３１??输出层??输入层??笔者采用广义径向基神经网络对表１数据进行??学习，设置误差容限为０．０１，扩散因子５，最大神经??元个数２６。构建的径向基神经网络模型如图３所??示。建立的数学模型见表６。??图３径向基ＲＢＦ神经网络岩石可钻性预测模型示意图??Ｆｉｇ．?３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ??ｂａｓｅｄ?ｏｎ?ｒａｄｉａｌ?ｂａｓｉｓ?ｆｕｎｃｔｉｏｎ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??表６径向基神经网络岩石可钻性预测模型数据??Ｔａｂｌｅ?６?Ｄａｔａ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌ?ａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ?ｐｒｅｄｉｃｔｉｏｎ??ｍｏｄｅｌ?ｂａｓｅｄ?ｏｎ?ＲＢＦ?ｒａｄｉａｌ?ｂａｓｉｓ?ｆｕｎｃｔｉｏｎ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??原始数据??连接权重｛２，１｝??声波时差／??密度／??（ｇ＊ｃｍ－３）??电阻率／??（０＊ｍ）??神经元??节点??岩石可??钻性级值??７９．?７５??２．?２５??１５．?６１??１??＿?５３．?２６６?４??６７．?３６??２．?５３??４０．?１４??２??－２．?２１９?１??６５．?３６??２．?５０??３２．?２２??３??３．?１１２?８??６３．?８５??２．?５３??２４．?９９??４??－１．?９４２?４??６５．?０３??２．?５２??１８．?２４??５??１．?４５７?９??６６．?２２??２．?５５??２６．?３２??６??５．?２２７?２??６５．?４３??
本文编号：2976545
【文章来源】：中国海上油气. 2020,32(02)北大核心
【文章页数】：8 页
【部分图文】：
图１＿常规ＢＰ神经网络岩石可钻性模型示意图??Ｆｉｇ．?１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ??
?４?４９１．?９８??４．?６１??４．?６６??０．?９８??４．?６５??０．?８３??１４＃??４?６０９．?０９??４．?０９??４．?１５??１．?４４??４．?１０??０．?１８??４?６１１．?５０??４．?１８??４．?００??４．?４０??４．?１９??０．?２２??平均相对误差??５．?１４??２．?５２??２．?２级联ＢＰ神经网络预测可钻性??为了提高神经网络预测的稳定性，考虑在输人??■与输出层之间增加连接权值。级联ＢＰ神经网络??模型姐圏２所示，??图２级联ＢＰ神经网络岩石可钻性预测模型示意图??Ｆｉｇ．?２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ??ｂａｓｅｄ?ｏｎ?ｃａｓｃａｄｅ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??采用级联ＢＰ神经调络程序对表１样本数据进??行学习，方法同上述常规ＢＰ神经网络建立方法，建??立一万个级联ＢＰ神经网络并优眩最终优选的级??联ＢＰ神经网络的数学模型见表４。??利用多元随狗模型和级联ＢＰ神经网络分别对??费石可钻性进行了興｜３裣验，其预测结果见表：５。??预测的可钻性级值与实＃值之间相关系数ｉ？?＝?Ｑ．?９８１??８，平均相对误差为２．?５３％，与常规ＢＰ神经网络接??近，但相比常规ＢＰ神盈网络，标准误差＝?０．１３６??７＜０．?１６４３，最大相对误差不超过１０％，，残差平方和??ｍ６７￥＜￡Ｋ?６７４?６５稳定性相比常规ＢＰ神蓋网??續有一■隹握升ａ??２．?３径向基ＲＢＦ神经网络预测可钻性??尽管在神经网络的实豚应用中，ＢＰ神经柯络占??多数ｙ但其也有难以克服的局
第３２卷第２期??李乾等：东海深部地层岩石可钻性预测方法研究??１３１??输出层??输入层??笔者采用广义径向基神经网络对表１数据进行??学习，设置误差容限为０．０１，扩散因子５，最大神经??元个数２６。构建的径向基神经网络模型如图３所??示。建立的数学模型见表６。??图３径向基ＲＢＦ神经网络岩石可钻性预测模型示意图??Ｆｉｇ．?３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ??ｂａｓｅｄ?ｏｎ?ｒａｄｉａｌ?ｂａｓｉｓ?ｆｕｎｃｔｉｏｎ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??表６径向基神经网络岩石可钻性预测模型数据??Ｔａｂｌｅ?６?Ｄａｔａ?ｏｆ?ｒｏｃｋ?ｄｒｉｌｌ?ａｂｉｌｉｔｙ?ｇｒａｄｅ?ｖａｌｕｅ?ｐｒｅｄｉｃｔｉｏｎ??ｍｏｄｅｌ?ｂａｓｅｄ?ｏｎ?ＲＢＦ?ｒａｄｉａｌ?ｂａｓｉｓ?ｆｕｎｃｔｉｏｎ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??原始数据??连接权重｛２，１｝??声波时差／??密度／??（ｇ＊ｃｍ－３）??电阻率／??（０＊ｍ）??神经元??节点??岩石可??钻性级值??７９．?７５??２．?２５??１５．?６１??１??＿?５３．?２６６?４??６７．?３６??２．?５３??４０．?１４??２??－２．?２１９?１??６５．?３６??２．?５０??３２．?２２??３??３．?１１２?８??６３．?８５??２．?５３??２４．?９９??４??－１．?９４２?４??６５．?０３??２．?５２??１８．?２４??５??１．?４５７?９??６６．?２２??２．?５５??２６．?３２??６??５．?２２７?２??６５．?４３??
本文编号：2976545
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/2976545.html
