基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的地層破裂壓力預(yù)測方法

李昌盛，宋 海，肖 莉，楊傳書，徐術(shù)國

(1.中國石化 石油工程技術(shù)研究院，北京 100101； 2.中國石化西北油田分公司 石油工程技術(shù)研究院，新疆 烏魯木齊 830011)

基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的地層破裂壓力預(yù)測方法

李昌盛1，宋 海2，肖 莉1，楊傳書1，徐術(shù)國1

(1.中國石化 石油工程技術(shù)研究院，北京 100101； 2.中國石化西北油田分公司 石油工程技術(shù)研究院，新疆 烏魯木齊 830011)

針對地層破裂壓力現(xiàn)有預(yù)測方法適用性差、誤差較大等問題，提出了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GABP)預(yù)測地層破裂壓力的方法。分析了地層破裂壓力的影響因素；以地層深度、地層孔隙壓力當(dāng)量密度和巖石密度為輸入變量，以地層破裂壓力當(dāng)量密度為輸出變量，建立了GABP預(yù)測地層破裂壓力模型，并利用塔里木盆地YB1井的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和結(jié)果驗(yàn)證。GABP模型的預(yù)測結(jié)果誤差約3.5%，精度遠(yuǎn)高于Eaton法。該方法不受地質(zhì)構(gòu)造條件影響，且具有精度高、計(jì)算速度快等特點(diǎn)。

地層破裂壓力；預(yù)測模型；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法

地層破裂壓力的預(yù)測對鉆井中套管柱設(shè)計(jì)、鉆井液、井下測試、固井、壓裂方案制定和井下故障控制等方面都具有重要的意義，預(yù)測上的誤差將可能導(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)測方法很多，主要分為2種：一是地層壓裂試驗(yàn)，但是該方法一般只是測定套管鞋處的地層破裂壓力，僅限于某些特定深度，難以獲取連續(xù)地層破裂壓力梯度剖面[1]；二是利用測井?dāng)?shù)據(jù)獲取連續(xù)的巖石力學(xué)參數(shù)剖面求得地層破裂壓力[2]，目前比較常用的模型有Eaton法和黃榮樽法，但是Eaton法考慮參數(shù)較少，適用于構(gòu)造運(yùn)動較少的連續(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)場地層破裂壓力實(shí)驗(yàn)數(shù)據(jù)為支撐才能達(dá)到理想效果。另外，這2種方法都是建立在某些特定的假設(shè)條件下，如忽視了巖石抗張強(qiáng)度對破裂壓力的影響[3]。本文利用BP神經(jīng)網(wǎng)絡(luò)建立地層破裂壓力預(yù)測模型，并引入遺傳算法優(yōu)化網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值和閾值，提高預(yù)測精度和學(xué)習(xí)效率，通過實(shí)例應(yīng)用證明了該方法的準(zhǔn)確性和可靠性。

1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是信號前向傳遞，誤差反向傳播。在前向傳遞過程中，輸入信號從輸入層經(jīng)隱含層逐層處理，每一層的神經(jīng)元狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差來反復(fù)調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)的預(yù)測輸入不斷逼近期望輸出[4]。BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力、泛化能力和容錯能力使其計(jì)算能力遠(yuǎn)超于常規(guī)回歸算法，但是它也存在著一些缺陷，比如：網(wǎng)絡(luò)結(jié)構(gòu)不易確定；傳統(tǒng)的梯度下降法經(jīng)常收斂于局部最優(yōu)解而不是全局最優(yōu)解；初始連接權(quán)值和閾值的設(shè)置難以保證最優(yōu)等。然而，網(wǎng)絡(luò)結(jié)構(gòu)、初始連接權(quán)值和閾值的選擇對網(wǎng)絡(luò)訓(xùn)練結(jié)果的影響很大，這大大限制了BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍，降低了應(yīng)用效果。

為了彌補(bǔ)這一不足，選用遺傳算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值的選擇。由于遺傳算法的優(yōu)點(diǎn)在于只使用適應(yīng)度函數(shù)，而不采用梯度或其他輔助信息，即使對多態(tài)的和非連續(xù)的函數(shù)關(guān)系，依然能夠獲得全局最優(yōu)解。它不受函數(shù)可微或連續(xù)等限制的特點(diǎn)使得遺傳算法能夠精確計(jì)算BP神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)權(quán)值和閾值，且提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和收斂速度，克服了其弊端。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GABP)主要包括3個步驟：BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定、利用遺傳算法優(yōu)化權(quán)值和閾值以及模型預(yù)測。首先，根據(jù)所研究變量的輸入輸出參數(shù)個數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而確定遺傳算法個體的長度。然后，利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。種群中的每個個體都包含了一個網(wǎng)絡(luò)所有權(quán)值和閾值，個體通過適應(yīng)度函數(shù)計(jì)算個體適應(yīng)度值，遺傳算法通過選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值的對應(yīng)個體[4-6]。適應(yīng)度函數(shù)

(1)

式中：n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；yi為神經(jīng)網(wǎng)絡(luò)第i個結(jié)點(diǎn)的期望輸出；oi為第i個節(jié)點(diǎn)的預(yù)測輸出；k為系數(shù)。

最后，得到最優(yōu)個體，對網(wǎng)絡(luò)初始權(quán)值和閾值賦值，網(wǎng)絡(luò)經(jīng)訓(xùn)練后輸出預(yù)測函數(shù)。

2 地層破裂壓力預(yù)測GABP模型

2.1 輸入輸出變量的確定

根據(jù)前人的研究成果和現(xiàn)場試驗(yàn)情況，地層破裂壓力的影響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[7]，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)力對地層破裂壓力的影響相比其他的因素更小，而且這2個參數(shù)實(shí)際上都很難獲得[8]。因此，綜合考慮以上條件，選擇深度、地層孔隙壓力梯度和巖石密度作為地層破裂壓力網(wǎng)絡(luò)模型的輸入變量，輸出變量為地層破裂壓力梯度。

2.2 學(xué)習(xí)樣本的選擇

本文的學(xué)習(xí)樣本來自中石化西北塔里木盆地YB1井的數(shù)據(jù)，研究井段為750～3 600 m，其中地層包括阿圖什組、帕卡布拉克組、安居安組和克孜洛依組等4個層位，巖性組成主要包括砂巖、泥巖和白云巖等。該區(qū)屬于瑪南構(gòu)造帶瑪南Ⅵ號構(gòu)造高部位，壓力系統(tǒng)復(fù)雜，多處層位易漏，復(fù)雜情況多[9]。學(xué)習(xí)樣本中的巖石密度由密度測井所得，地層孔隙壓力當(dāng)量密度是利用測井?dāng)?shù)據(jù)根據(jù)等效深度法和有效應(yīng)力法計(jì)算所得。模型訓(xùn)練所用數(shù)據(jù)經(jīng)過了多次現(xiàn)場驗(yàn)證和鄰井?dāng)?shù)據(jù)的比對，具有較高的準(zhǔn)確性。本文模型采用井段較長的阿圖什組數(shù)據(jù)(圖1)進(jìn)行訓(xùn)練，其中整組數(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)測模型的驗(yàn)證。

圖1 模型學(xué)習(xí)采用的阿圖什組數(shù)據(jù)

2.3 預(yù)測模型建立

根據(jù)輸入變量數(shù)目及模型要求，建立輸入節(jié)點(diǎn)為3、隱含層節(jié)點(diǎn)為7、輸出層節(jié)點(diǎn)為1的神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)具有21個權(quán)值和8個閾值，遺傳算法的個體編碼長度為29。模型如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

2.4 計(jì)算流程

地層破裂壓力GABP預(yù)測模型的計(jì)算流程如圖3所示。

2.5 模型評價

經(jīng)過反復(fù)訓(xùn)練，地層破裂壓力預(yù)測模型的平均適應(yīng)度曲線經(jīng)過進(jìn)化100次后，顯示出了很好的收斂性。由圖4和圖5可以看出最小均方誤差值為6.464 4×10-6，達(dá)到了最優(yōu)水平，說明該模型具有很高的精確度。

為了驗(yàn)證模型預(yù)測的準(zhǔn)確程度，選取YB1井的帕卡布拉克組、安居安組和克孜洛依組井段數(shù)據(jù)用于模型驗(yàn)證，準(zhǔn)備數(shù)據(jù)如圖6和如圖7所示。

3 實(shí)例驗(yàn)證

為了更好地說明預(yù)測結(jié)果的準(zhǔn)確性，將Eaton法的計(jì)算結(jié)果與GABP模型預(yù)測結(jié)果進(jìn)行對比，如圖8、圖9和圖10所示。結(jié)果顯示：GABP模型預(yù)測結(jié)果與實(shí)際地層破裂壓力梯度的符合性很高，而Eaton法的預(yù)測結(jié)果則相對偏高。 統(tǒng)計(jì)得出， GABP

圖3 地層破裂壓力GABP預(yù)測模型計(jì)算流程

圖4 適應(yīng)度變化曲線

圖5 均方誤差變化曲線

圖6 YB1井預(yù)測井段要求的地層孔隙壓力數(shù)據(jù)

圖7 YB1井預(yù)測井段的地層巖石密度數(shù)據(jù)

模型的預(yù)測誤差約為3.5%，而Eaton法的預(yù)測誤差則達(dá)到約10%。由此可以得出：遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測地層破裂壓力要比常規(guī)預(yù)測方法更為準(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，相對而言，其適用性更為廣泛。

4 結(jié) 論

(1)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)克服了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)不穩(wěn)定性和收斂速度慢的缺點(diǎn)，在保證計(jì)算速度的同時，實(shí)現(xiàn)了地層破裂壓力的高精度預(yù)測。

(2)基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的地層破裂壓力預(yù)測模型考慮了地層深度、地層孔隙壓力和巖石密度等主要影響因素，與Eaton法等其他常規(guī)預(yù)測方法相比，該方法不受地質(zhì)構(gòu)造條件影響，而且所采用數(shù)據(jù)容易得到，預(yù)測精度更高，因此其具有很好的適用性和可靠性。

(3)GABP預(yù)測模型是基于區(qū)域地質(zhì)數(shù)據(jù)建立的，因此其應(yīng)用范圍僅限于相鄰地區(qū)的鄰井地層破裂壓力預(yù)測，未來通用預(yù)測方法的研究還需要根據(jù)測井?dāng)?shù)據(jù)分析、區(qū)域鉆井經(jīng)驗(yàn)和壓裂測試等多方面工作進(jìn)行探索。

[1] 周拿云，楊兆中.地層破裂壓力預(yù)測技術(shù)綜述[J].重慶科技學(xué)院學(xué)報(bào):自然科學(xué)版，2011，13(1):36-38. ZHOU Na-yun，YANG Zhao-zhong.Overview on pressure prediction of formation fracture[J].Journal of Chongqing University of Science and Technology:Natural Science Edition，2011，13(1):36-38.

[2] 聶采軍，趙軍.地層破裂壓力測井預(yù)測的統(tǒng)計(jì)模式研究[J].天然氣地球科學(xué)，2004，15(6):633-636. NIE Cai-jun,ZHAO Jun.Study on statistical model of predicting formation fracture pressuure using logging data[J].Natural Gas Geoscience,2004，15(6):633-636.

[3] 李敏，練章華.巖石力學(xué)參數(shù)試驗(yàn)與地層破裂壓力預(yù)測研究[J].石油鉆采工藝，2009，31(5):15-18. LI Min,LIAN Zhang-hua.Rock mechanical parametric experiments and the research of formation fracture pressure prediction[J].Oil Drilling & Production Technology,2009，31(5):15-18.

[4] 史峰，王小川.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京：北京航空航天大學(xué)出版社，2011:21-25.

[5] 李孝忠，張有偉.改進(jìn)自適應(yīng)遺傳算法在 BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的應(yīng)用[J].天津科技大學(xué)學(xué)報(bào)，2010，25(4):64-67. LI Xiao-zhong,ZHANG You-wei.Application of improvement self-adaptation genetic algorithm in BP neural network learning[J].Journal of Tianjin University of Science & Technology,2010，25(4):64-67.

[6] 田旭光，宋彤.結(jié)合遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)[J].計(jì)算機(jī)應(yīng)用與軟件，2004，21(6):69-71. TIAN Xu-guang,SONG Tong.Optimizing the structure and parameters of BP nuural network based on genetic algorithm[J].Computer Applications and Software,2004，21(6):69-71.

[7] 夏宏泉，張?jiān)獫?碳酸鹽巖地層破裂壓力的測井預(yù)測研究[J].天然氣工業(yè)，2004，24(8):32-35. XIA Hong-quan,ZHANG Yuan-ze.Log predicyion of carbonate formation breakdown pressure[J].Natural Gas Industry,2004，24(8):32-35.

[8] 姜子昂，張永紅.南東部地區(qū)陽新統(tǒng)的地層破裂壓力預(yù)測[J].天然氣工業(yè)，1994，14(2):44-47. JIANG Zi-ang,ZHANG Yong-hong.Forecasting fracture pressure in strate of Yangxin series in the eastern area of south Sichuan[J].Natural Gas Industry,1994，14(2):44-47.

[9] 易浩，白彬珍.玉北地區(qū)深井快速鉆井技術(shù)[J].石油鉆探技術(shù)，2011，39(6):27-30. YI Hao,BAI Bin-zhen.Faster drilling technology in Yubei area[J].Petroleum Drilling Techniques,2011，39(6):27-30.

責(zé)任編輯：張新寶

2014-10-31

中國石化“十二五”重點(diǎn)信息化項(xiàng)目“石油工程決策支持系統(tǒng)研究”(編號：G11-MM-2011-080)

李昌盛(1985-)，男，工程師，主要從事地層壓力預(yù)測及優(yōu)化鉆井研究。E-mail：lichangsheng005@163.com

1673-064X(2015)05-0075-05

TE

A