基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

摘要：

机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键.由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制.为了实现对钻速的高精度预测,对现有BP(back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测.在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能.将BP神经网络与遗传优化算法(genetic algo-rithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率BP神经网络.研究利用XX8-1-2 井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3 种不同的改进后神经网络的预测结果.实验结果表明:优化后的PSO-BP神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的ROP预测.

关键词：钻速(ROP)预测、BP神经网络、附加动量法、自适应学习率、遗传算法(GA)、粒子群算法(PSO)

所属期刊栏目：23

分类号：TE19(石油、天然气地质与勘探)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;中国石油-西南石油大学创新联合体科技合作项目

在线出版日期：2023-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：10264-10272