基于Bayesian多分支巖石可鉆性值估計

沙林秀,邵小華,張奇志,李 琳

(1.西安石油大學(xué)陜西省鉆機控制重點實驗室,陜西西安710065;2.大慶鉆井集團鉆井一公司,黑龍江大慶710072)

基于Bayesian多分支巖石可鉆性值估計

沙林秀1,邵小華2,張奇志1,李 琳1

(1.西安石油大學(xué)陜西省鉆機控制重點實驗室,陜西西安710065;2.大慶鉆井集團鉆井一公司,黑龍江大慶710072)

針對智能優(yōu)化控制過程中巖石可鉆性參數(shù)估計存在非實時性和模型泛化能力差的問題,采用兩層結(jié)構(gòu)建立基于Bayesian多分支巖石可鉆性估計模型。通過Bayesian分類器實現(xiàn)巖性分類以提高可鉆性模型樣本數(shù)據(jù)的相關(guān)性,細化可鉆性估計模型;采用改進雙鏈量子遺傳算法優(yōu)化的BPNN結(jié)構(gòu),根據(jù)不同的巖石類型建立相應(yīng)的巖石可鉆性IDCQGA_BPNN估計模型。結(jié)果表明,該方法通過算法優(yōu)化網(wǎng)絡(luò)模型增強了模型的泛化能力,加快了參數(shù)的估計速度和估計精度,能夠滿足智能優(yōu)化控制過程中巖石可鉆性參數(shù)估計的實時性需求。

巖石可鉆性;Bayesian分類器;L-M算法;改進的雙鏈量子遺傳算法

巖石可鉆性是指在一定的外力和鉆具條件下巖石抵抗鉆頭破壞的能力。它表征巖石抗鉆強度,是巖石物理性質(zhì)在鉆進時的綜合表現(xiàn)。巖石可鉆性估計是鉆頭選型和鉆進參數(shù)設(shè)計以及合理選擇鉆進方式、提高鉆井效率、降低成本和減小鉆頭磨損等優(yōu)化決策的前提。因而在鉆進過程中,如何實現(xiàn)巖石可鉆性的實時估計,為鉆井參數(shù)的動態(tài)優(yōu)化和優(yōu)化控制提供依據(jù),是智能自動送鉆技術(shù)的重要環(huán)節(jié)之一。目前,巖石可鉆性表示方法[1-3]主要有巖石物理力學(xué)性質(zhì)表示法、微鉆速度法、分形理論法[4-6]等。然而,利用巖石物理力學(xué)性質(zhì)分析可鉆性受地層、鉆頭類型及鉆進參數(shù)的影響,且條件性很強;微鉆法滯后于實際鉆進,不能隨鉆隨測,周期長,費用高;分形法可避免傳統(tǒng)方法的滯后性、周期長、費用高等不足。綜上所述,筆者將可鉆性指標以實際鉆鑿衡量,將Bayesian網(wǎng)絡(luò)分類器實現(xiàn)巖性的識別和改進的雙鏈量子遺傳算法(improved double-chain quantum genetic algorithm,IDCQGA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(back-propagation neural network,BPNN)相結(jié)合,提出基于Bayesian多分支巖石可鉆性值估計模型,實現(xiàn)巖石可鉆性值估計。

1 基于Bayesian多分支巖石可鉆性值估計模型結(jié)構(gòu)

1.1 巖石可鉆性估計模型性能

設(shè)定樣本平均均方誤差小于ε2,則有

采用BP網(wǎng)絡(luò)實現(xiàn)輸入-輸出關(guān)系映射時,樣本的均方差E1非常小,而平均均方差E2無法滿足要求的“過擬合”現(xiàn)象,從而降低了網(wǎng)絡(luò)的泛化能力,使網(wǎng)絡(luò)失去實用價值[7-9]。因此,本文中建立可鉆性模型時作以下改進:

(1)采用Bayesian網(wǎng)絡(luò)分類實現(xiàn)巖性的分類識別,通過細化模型和改善模型樣本數(shù)據(jù)的相關(guān)性,提高參數(shù)估計精度和模型的泛化能力。

(2)根據(jù)不同巖性建立不同的BPNN巖石可鉆性估計模型,實現(xiàn)該模型的分支選擇和可鉆性值的估計。

(3)利用高速、并行的IDCQGA優(yōu)化BPNN網(wǎng)絡(luò)結(jié)構(gòu),以克服網(wǎng)絡(luò)初始權(quán)值、閥值隨機性,以及在復(fù)雜多維曲面問題求解中存在多個局部極值點時易陷入局部最優(yōu)、收斂速度降低等問題。

1.2 多分支巖石可鉆性值估計模型

在智能鉆井優(yōu)化控制過程中,實現(xiàn)巖石可鉆性精確、實時提取至今仍是亟待解決的課題。通過分析相鄰井井史數(shù)據(jù),建立基于Bayesian多分支巖石可鉆性值估計模型。該模型采用兩層結(jié)構(gòu):首先,根據(jù)反映巖石巖性和可鉆性的主要特征數(shù)據(jù),建立Bayesian巖性識別模型,利用該模型實現(xiàn)地層巖性識別;其次,采用IDCQGA優(yōu)化的BPNN結(jié)構(gòu)(簡稱為IDCQGA_BPNN)建立不同巖性所對應(yīng)的IDCQGA_BPNN巖石可鉆性估計模型,實現(xiàn)多分支巖石可鉆性估計?；贐ayesian多分支巖石可鉆性值估計模型結(jié)構(gòu)如圖1所示。

圖1 基于Bayesian多分支巖石可鉆性值估計模型結(jié)構(gòu)Fig.1 Rock drillability value estimating of multi-branch model base on Bayesian

圖1中,若第一層基于Bayesian巖性識別種類數(shù)為C,則建立的IDCQGA_BPNN巖石可鉆性值估計模型數(shù)為C,即NET 1～NET C,以實現(xiàn)不同巖性對應(yīng)的巖石可鉆性值的估計。

基于Bayesian多分支巖石可鉆性值估計模型從增加樣本的相關(guān)性、細化模型和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)等方面改進,以提高巖石可鉆性參數(shù)估計模型的參數(shù)估計精度和增強模型泛化能力。

2 基于Bayesian巖性的分類模型

2.1 Bayesian網(wǎng)絡(luò)的分類原理

Bayesian網(wǎng)絡(luò)分類器建立在Bayesian統(tǒng)計學(xué)和網(wǎng)絡(luò)模型基礎(chǔ)上,而Bayesian網(wǎng)絡(luò)是描述一組變量概率分布的有向圖,具有通用性、靈活性及清晰的模塊結(jié)構(gòu)[10-12]。

令D={X1,X2,…,Xn,C}是隨機變量的有限集,其中X={X1,X2,…,Xn}是屬性變量集,用屬性取值表示;C是類變量,取值范圍為C={c1,c2,…,cm}。樣本xi=(x1,x2,…,xn)屬于ci的概率。由概率的鏈式法則,Bayesian公式表示為

式中,α為正規(guī)化因子;P(cj)為類的先驗概率;為類cj關(guān)于xi的似然;表示屬性變量Xi取值為xi且其父節(jié)點π(Xi)取值為π(xi)的概率。類變量是每個屬性變量的父節(jié)點,即C∈π(Xi)(i=1,2,…,n),因此稱為類條件概率。

采用Bayesian網(wǎng)絡(luò)分類,實際上是用Bayesian網(wǎng)絡(luò)求解式(3)。由于Bayesian網(wǎng)絡(luò)表達了變量集的全聯(lián)合概率分布,因而只要確定了變量集的Bayesian網(wǎng)絡(luò)結(jié)構(gòu)和屬性變量的條件概率分布,即可求得。

2.2 Bayesian分類結(jié)構(gòu)

n維模式特征向量X=(x1,x2,…,xn)T輸入分類器后,分別對C類模式計算判別函數(shù)gi(X)的值,然后選值最大者作為X的歸屬判別。對于C類n維模式,Bayesian分類器的結(jié)構(gòu)如圖2所示。

圖2 Bayesian分類器結(jié)構(gòu)Fig.2 Structure of Bayesian classifier

判別函數(shù)gi(X)可以選用最大后驗概率或最大的類條件概率密度。

2.3 參數(shù)學(xué)習

常用的Bayesian網(wǎng)絡(luò)參數(shù)學(xué)習方法包括最大似然估計和Bayesian估計[13]。在Bayesian網(wǎng)絡(luò)參數(shù)學(xué)習中,條件似然函數(shù)具有全局最優(yōu)值[14],最大化條件似然函數(shù)必將導(dǎo)致好的分類性能[15],因此為得到準確率較高的分類器,應(yīng)該以條件似然函數(shù)取最大值為學(xué)習目標。

在實際應(yīng)用中,經(jīng)常采用獨立取樣和處理正態(tài)分布變量,對于單值單調(diào)的對數(shù)函數(shù)的似然函數(shù)與似然函數(shù)式(5)在相同的處取得最大值。在似然函數(shù)可微時,

2.4 L-M優(yōu)化方法

采用向前傳播的Bayesian網(wǎng)絡(luò)的目標誤差為

式中,ti和oi分別為權(quán)值、閥值向量為ω時網(wǎng)絡(luò)的期望輸出與實際輸出。

設(shè)網(wǎng)絡(luò)的誤差向量為e(ω)=[e1(ω),e2(ω),…,em(ω)],當評價函數(shù)采用平方和的形式時,LM算法使用H的近似矩陣,得到權(quán)值調(diào)整率為

式中,H=JTJ為近似海賽矩陣;g=JTe為梯度;J為雅克比矩陣,包含了網(wǎng)絡(luò)誤差相對于權(quán)值和偏差的一階導(dǎo)數(shù),J可以通過標準的方向傳播方法來計算。當μ=0時,式(9)為使用了近似的海賽矩陣牛頓法;當μ較大時,式(9)為具有較小步長的梯度下降法參數(shù)。因此,L-M算法克服了梯度下降法在距離極小點較遠時,函數(shù)值下降較快,越接近極小點下降得越慢以及Gauss-Newton法在接近極小點處收斂較快,遠離極小點時不能保證收斂的不足,并且避免了計算海賽矩陣,加快了算法的收斂速度。用式(9)的L-M算法求解式(6),其算法的時間復(fù)雜度為O(m3/6)。

3 巖石可鉆性估計模型IDCQGA_ BPNN

3.1 采用IDCQGA優(yōu)化BPNN結(jié)構(gòu)的數(shù)學(xué)描述

利用改進的全局尋優(yōu)的IDCQGA[19-20]優(yōu)化

BPNN結(jié)構(gòu),即優(yōu)化BPNN的隱層節(jié)點數(shù)、權(quán)值和閥值,以提高BPNN的收斂速度和泛化能力[21]。采用IDCQGA_BPNN實現(xiàn)巖石可鉆性估計的問題可描述為

式中w和θ分別為輸入層到隱層初始的權(quán)值和閥值;v和r分別為隱層到輸出層初始的權(quán)值和閥值; S1為隱層節(jié)點數(shù)。

利用IDCQGA求解式(10)的二次非線性優(yōu)化問題時,巖石可鉆性估計的目標適應(yīng)度函數(shù)為

BPNN采用三層結(jié)構(gòu)(R-S1-S2),R為輸入層的節(jié)點數(shù),由模型輸入鉆井參數(shù)的個數(shù)決定;S2為輸出層的節(jié)點數(shù),由待估計參數(shù)的個數(shù)決定;S1為隱層節(jié)點數(shù)。

將BPNN和IDCQGA_BPNN網(wǎng)絡(luò)的均方差(MSE)值進行比較,比較結(jié)果如圖3所示。

圖3 BPNN和IDCQGA_BPNN網(wǎng)絡(luò)的MSE值比較Fig.3 Comparison of BPNN and IDCQGA_BPNN MSE value

由圖3可知,采用IDCQGA優(yōu)化BPNN網(wǎng)絡(luò)結(jié)構(gòu),提高了網(wǎng)絡(luò)的性能,加快了收斂速度。

3.2 IDCQGA_BPNN巖石可鉆性值估計步驟

根據(jù)Bayesian網(wǎng)絡(luò)實現(xiàn)非均質(zhì)地層的巖性識別,根據(jù)不同的巖石類型建立不同的IDCQGA_BPNN巖石可鉆性值估計模型。

(1)第一層建立Bayesian巖性分類模型的參數(shù)設(shè)計:在總樣本中,訓(xùn)練樣本占80%,有效樣本占15%,測試樣本占5%。分類器參數(shù)設(shè)定:隱層層數(shù)為20,訓(xùn)練目標性能為1.0×10-10,學(xué)習率為0.1。在巖石的分類和可鉆性估計中,模型的輸入?yún)?shù)為{起始井深,進尺,鉆壓,轉(zhuǎn)速,鉆井液排量,鉆井液密度,純鉆進時間,鉆速}。巖性分類的輸出參數(shù)為{1-細砂巖,2-灰泥巖,3-砂泥巖,4-泥砂巖,5-砂巖,6-泥巖}。

(2)第二層采用改進的雙鏈量子遺傳算法IDCQGA優(yōu)化的BPNN結(jié)構(gòu),優(yōu)化流程如圖4所示。其中,解空間的變化、轉(zhuǎn)角步長Δθ的非線性自適應(yīng)調(diào)整及量子染色體的更新、變異方法見文獻[20]。

圖4中,w和θ為優(yōu)化后輸入層到隱層的權(quán)值和閥值;v和r為優(yōu)化后隱層到輸出層的權(quán)值和閥值。S1為隱層節(jié)點數(shù)。巖石可鉆性估計輸入?yún)?shù)與第一層輸入?yún)?shù)相同,輸出參數(shù)為{巖石可鉆性值}。在已建立巖石可鉆性估計的BPNN結(jié)構(gòu)的基礎(chǔ)上進一步訓(xùn)練BPNN,建立精確的巖石可鉆性估計模型。

圖4 IDCQGA優(yōu)化BPNN結(jié)構(gòu)流程Fig.4 Optimized flow chart of BPNN model by IDCQGA

根據(jù)鉆井過程中實時測量的參數(shù)確定巖石巖性,依據(jù)巖性的不同選擇對應(yīng)可鉆性估計BPNN模型,實現(xiàn)巖石可鉆性估計。其中,巖石可鉆性的輸入層數(shù)R =8,輸出層S2=1。根據(jù)優(yōu)化結(jié)果隱層S1=7。

4 實驗仿真

4.1 測井數(shù)據(jù)的預(yù)處理

由于鉆井野外工作條件惡劣、信號的采集及傳送過程動態(tài)隨機干擾大,要提高建模數(shù)據(jù)的抗干擾性和參數(shù)估計精度,首先要對建模數(shù)據(jù)進行預(yù)處理。通過帶時間戳的移動平均防脈沖干擾數(shù)字濾波算法和對數(shù)據(jù)進行歸一化處理,消除因動態(tài)干擾和不同參數(shù)的量綱差異帶來的影響[22-23]。 某井段部分數(shù)據(jù)經(jīng)抗干擾處理后如表1所示。

表1 某井段分部分采樣數(shù)據(jù)及可鉆性值Table 1 Part of sample data and drillablity in some wells

4.2 仿真結(jié)果

根據(jù)相鄰的8口井的井史數(shù)據(jù)進行預(yù)處理和特征值分析,取其中6口井的數(shù)據(jù)作為巖石可鉆性估計模型的建模樣本,其余2口井的數(shù)據(jù)作為巖石可鉆性估計測試數(shù)據(jù)。建立的樣本數(shù)據(jù)中,巖石類型主要有6種,分別為泥巖、砂巖、砂泥巖、泥砂巖、細砂巖和灰泥巖。

(1)基于Bayesian巖性分類的仿真結(jié)果中混淆矩陣如表2所示。其中,矩陣的每一列代表預(yù)測的巖石類型,而每一行代表實際的巖石類型。在主對角線上的數(shù)據(jù)則標志巖性的預(yù)測類型和實際類型一致的樣本數(shù)量及預(yù)測正確的概率。

表2 基于Bayesian分類的巖性分類結(jié)果Table 2 Results of lithology classification using Bayesian classifier

表2中,分類樣本為336,巖石分類總的正確率為98.5%,細砂巖的誤判率為11.4%,其余5類巖石分類的誤判率均為0。

(2)為了驗證IDCQGA_BPNN模型,與其他方法實現(xiàn)的巖石可鉆性估計結(jié)果進行比較[24-25],如表3所示。

其中,Kd_MR為多元回歸模型、Kd_LSM為最小二乘法支持向量機、Kd_GM為灰色GM(0,N)模型、Kd_DE-SVM為差異進化的支持向量機DE-SVM模型、Kd_IDCQGA為IDCQGA_BPNN模型的實現(xiàn)泥巖的巖石可鉆性的估計結(jié)果[21]。

表3 不同方法的巖石可鉆性(Kd)估計性能比較Table 3 Performances comparison of estimating Kdby difference methods

由表3可以看出,采用IDCQGA_BPNN實現(xiàn)巖石可鉆性估計的精確度和準確度明顯較高,說明該方法建立的巖石可鉆性估計模型具有較好的泛函能力。

(3)利用已建立的Bayesian多分支巖石可鉆性值估計模型,根據(jù)鉆井實際測量的參數(shù)實現(xiàn)未知地層巖性的分類和巖石可鉆性估計,其結(jié)果如表4所示。其中誤差是指巖石可鉆性估計值與實際值之間的差值,而巖石的巖性和可鉆性真實值采用井史中的值。

表4中,巖石類型判斷的正確率達100%。巖石可鉆性估計的相對誤差為0%～4.5%。由可鉆性的估計結(jié)果分析可知:可鉆性估計值的精度與建模時樣本數(shù)據(jù)的大小和相關(guān)性密切相關(guān),樣本數(shù)量越大(如巖石類型6),樣本的相關(guān)性ROC趨近于1 (如巖石類型3),依據(jù)樣本建立的模型完成參數(shù)估計的精度越高。當樣本的數(shù)量少且相關(guān)性較弱時,參數(shù)估計精度就相對較差。

表4 巖石可鉆性值估計結(jié)果Table 4 Estimation results of classification and drillability value

采用兩層結(jié)構(gòu)實現(xiàn)巖石可鉆性估計,其仿真結(jié)果證明,該模型通過Bayesian巖性分類提高了可鉆性估計速度,通過改進的雙鏈量子遺傳算法提高了參數(shù)估計的精度。本文中建立的模型具有較好的穩(wěn)定性和泛化能力。

5 結(jié) 論

(1)基于Bayesian多分支巖石可鉆性值估計模型,采用兩層結(jié)構(gòu)細化模型,通過Bayesian分類確定當前鉆進地層巖性,提高第二層巖石可鉆性估計樣本的相關(guān)性。

(2)采用IDCQGA優(yōu)化BPNN的網(wǎng)絡(luò)結(jié)構(gòu),提高了模型的泛化能力及參數(shù)的估計精度和速度。

(3)本文中模型不僅收斂速度快、效率高,而且有效地滿足了巖石可鉆性估計實時性需求。

[1] 李瑋.巖石可鉆性的分形表示方法研究[D].大慶:大慶石油學(xué)院石油工程學(xué)院,2006. LI Wei.Research the method of fractal representation of rock drillability[D].Daqing:Petroleum Engineering College,Daqing Petroleum Institute,2006.

[2] HOSEINIE S H,AGHABABAEI H,POURRAHIMIAN Y. Development of a new classification system for assessing of rock mass drillability index(RDi)[J].International Journal of Rock Mechanics and Mining Sciences,2008 (4):1-10.

[3] HOSEINIE S H,ATAEI M,OSANLOO M.A new classification system for evaluating rock penetrability[J].International Journal of Rock Mechanics and Mining Sciences, 2009,IE:329-1340.

[4] 李士斌,李瑋,由洪利,等.基于分形理論的巖石可鉆性分級方法[J].天然氣工業(yè),2007,27(10):63-66. LI Shi-bin,LI Wei,YOU Hong-li,et al.Classification method of rock drillability based on fractal theory[J]. Natural Gas Industry,2007,27(10):63-66.

[5] 王培義,翟應(yīng)虎,王克雄,等.分形理論及其在地層可鉆性預(yù)測中的應(yīng)用[J].石油鉆采工藝,2005,27(6): 21-23. WANG Pei-yi,ZHAI Ying-hu,WANG Ke-xiong,et al. Fractal theory and its applications on rock drillability forecasting[J].Oil Drilling&Production Technology,2005, 27(6):21-23.

[6] 湯鳳林,加里寧A Γ.巖心鉆探學(xué)[M].武漢:中國地質(zhì)大學(xué)出版社,2009:117-123.

[7] FUNAHSHI K I.On the approximation realization of continuous mappings by neutral networks[J].Neural Networks,1989(2):183-192.

[8] HORNI K,STRINCHCOMBER M,WHITER H.Multilayer feedforward networks are universal approximators [J].Neural Networks,1989(2):359-366.

[9] HORNI K.Approximation capabilities of multilayer feedforward neural networks[J].Neural Networks,1991 (4):551-557.

[10] FRIEDMAN N,GEIGER D.Bayesian network classifiers[J].Machine Learning,1997,29(2/3):131-163.

[11] MITCHELL T.Machine learning[M].New York:McGraw Hill,1997.

[12] GROSSMAN D,DOMINGOS P.Learning Bayesian network classifiers by maximizing conditional likelihood: proceedings of the 21st International Conference on Machine Learning,Banff,Canada,2004[R].Canada: ACM,2004:361-368.

[13] JING Y,PAVLOVIC V,REHG J.Boosted Bayesian network classifiers[J].Machine Learning,2008,73 (1):155-184.

[14] HECKERMAN D.A tutorial on learning with bayesian network,learning in graphical models[M].Cambridge, MA:MIT Press,1997.

[15] ROOS T,GRüNWALD P,MYLLYMAKI P.On discriminative Bayesian network classifiers and logistic regression[J].Machine Learning,2005,59(3):267-296. [16] NG A Y,JORDAN M J.On discriminative vs.generative classifiers:a comparison of logistic regression and naive Bayes,advances in neural information processing systems[M].Cambridge,MA:MIT Press,2002:605-610.

[17] 黃捍東,趙迪,任敦占,等.基于貝葉斯理論的薄層反演方法[J].石油地球物理勘探,2011,46(6):919-924. HUANG Han-dong,ZHAO Di,REN Dun-zhan,et al. A thin bed inversion method based on Bayes theory[J]. Oil Geophysical Prospecting,2011,46(6):919-924.

[18] 趙弘,周瑞祥,林廷新,等.基于Levenberg-Marquardt算法的神經(jīng)網(wǎng)絡(luò)監(jiān)督控制[J].西安交通大學(xué)學(xué)報, 2002,36(5):524-527. ZHAO Hong,ZHOU Rui-xiang,LIN Ting-xin,et al. Neural network supervised control based on Levenberg-Marquardt algorithm[J].Journal of Xi?an Jiaotong University,2002,36(5):524-527.

[19] 沙林秀,賀昱耀.一種變步長雙鏈量子遺傳算法[J].計算機工程與應(yīng)用,2012,48(20):59-63. SHA Lin-xiu,HE Yu-yao.A variable step double chains quantum genetic algorithm[J].Computer Engineering and Applications,2012,48(20):59-63.

[20] 沙林秀,賀昱耀.基于斐波納契數(shù)列的自適應(yīng)DCQGA [J].計算機仿真,2012,29(10):273-278. SHA Lin-xiu,HE Yu-yao.Self-adaptive double-chain quantum genetic algorithm based on fibonacci sequence [J].Computer Simulation,2012,29(10):273-278.

[21] 沙林秀,張奇志,賀昱曜.基于SIDCQGA優(yōu)化BPNN的巖石可鉆性建模[J].西安石油大學(xué)學(xué)報:自然科學(xué)版,2013,28(2):92-97. SHA Lin-xiu,ZHANG Qi-zhi,HE Yu-yao.Modeling of rock drillability with BP neural network optimized by SDCQGA[J].Journal of Xi?an Shiyou University(Natural Science Edition),2013,28(2):92-97.

[22] 沙林秀.帶時間戳的移動平均防脈沖干擾數(shù)字濾波算法[J].石油機械,2012,40(3):13-15. SHA Lin-xiu.The time stamped moving average antipulse interference digital filtering algorithm[J].China Petroleum Machinery,2012,40(3):13-15.

[23] 沙林秀.基于快速自適應(yīng)量子遺傳算法的鉆井參數(shù)優(yōu)化[J].石油機械,2013,41(2):32-36. SHA Lin-xiu.Fast self-adaptive QGA based optimization of drilling parameters[J].China Petroleum Machinery, 2013,41(2):32-36.

[24] 邢軍.基于DE-SVM的巖層可鉆性預(yù)測研究[J].東北大學(xué)學(xué)報:自然科學(xué)版,2010,31(9):1345-1348. XING Jun.On the DE-SVM based forecast of rock stratum drillability[J].Journal of Northeastern University (Natural Science),2010,31(9):1345-1348.

[25] 李俊萍,段隆臣,李謙.模糊綜合評判法在巖石可鉆性分級中的應(yīng)用[J].地質(zhì)科技情報,2012,31(1): 127-130. LI Jun-ping,DUAN Long-chen,LI Qian.Application of fuzzy comprehensive evaluation in classfication of rock ability[J].Geological Science and Technology Information,2012,31(1):127-130.

(編輯 李志芬)

Estimation of rock drillability based on a Bayesian multi-branch model

SHA Lin-xiu1,SHAO Xiao-hua2,ZHANG Qi-zhi1,LI Lin1
(1.Key Laboratory of Drilling Rigs Controlling Technique,Xi?an Shiyou University,Xi?an 710065,China; 2.The First Drilling Company,Daqing Drilling Corporation,Daqing 710072,China)

A two-level model was established for predicting rock?s drillability based on a Bayesian multi-branch model in order to improve the real-time calculating capability of the model and increase its generalization ability for intelligent optimization control.By using the Bayesian method for lithology classification,the correlations of different rock samples and their drillability can be refined,and consequently the rock drillability model can be improved.Using an optimized back-propagation neural network(BPNN)with an improved double-chain quantum genetic algorithm(IDCQGA),the new model of IDCQGA_BPNN can be modified according to the lithology type of rocks.The results show that this method can not only enhance the generalization ability of the model,which is optimized by an intelligent algorithm,but also can accelerate its calculation speed and improve its accuracy.The simulation results indicate that the model is satisfied for the use in real-time intelligent optimization control process for predicting the rock drillability while drilling.

rock drillability;Bayesian classifier;Levenberg-Marquardt algorithm;improved double-chain quantum genetic algorithm

TP 183

:A

1673-5005(2014)03-0073-07

10.3969/j.issn.1673-5005.2014.03.012

2013-06-25

陜西省自然科學(xué)基金項目(2012JQ8046);陜西省教育廳專項科研計劃(11JK0933)

沙林秀(1978-),女,講師,博士,主要從事智能鉆井控制技術(shù)研究。E-mail:shalinxiu@xsyu.edu.cn。