基于反饋動態(tài)神經(jīng)網(wǎng)絡(luò)的油田異常井診斷模型研究

李鐵寧

摘要：針對油田異常井診斷的問題，本文提出基于反饋動態(tài)神經(jīng)網(wǎng)絡(luò)的模型，具有適應(yīng)性強、學(xué)習(xí)效率高等特點。結(jié)合粒子群算法彌補其訓(xùn)練速度慢和容易陷入局部最小的缺點，給出了模型及算法的優(yōu)化原則和實現(xiàn)技術(shù)。最后根據(jù)實際問題，進(jìn)行了油田異常井診斷模型的具體應(yīng)用，實驗結(jié)果證明模型對于異常井診斷具有較高準(zhǔn)確性及可行性。

關(guān)鍵字：反饋動態(tài)神經(jīng)網(wǎng)絡(luò);粒子群算法;異常井

中圖分類號：TP301????文獻(xiàn)標(biāo)識碼：A

Study?on?Diagnosis?Modle?of?Oilfield?Abnormal?Well?Based?on?Feedback?Dynamic?Neural?Network

Li?Tie-ning*

（School?of?Computer?and?Information?Technology，Northeast?Petroleum?University，Daqing?163318，China）

Abstract：According?to?oilfield?abnormal?well，?This?paper?proposes?a?dynamic?feedback?neural?network?model，?this?model?has?the?characteristics?of?strong?adaptability?and?higher?learning?efficiency.?Combined?with?the?particle?swarm?algorithm?to?compensate?for?its?training?speed??slowly?and?easy?to?fall?into?local?minimum?points，?it?gives?the?principle?of?optimization?model?and?algorithm?and?implementation?technology.?Finally，?according?to?the?actual?problem，?this?papers?carries?on?the?concrete?application?of?diagnosis?modle?of?oilfield?abnormal?well，?experimental?results?show?that?the?model?for?abnormal?well?has?higher?diagnostic?accuracy?and?feasibility.

Key?words：Feedback?dynamic?neural?network;particle?swarm?algorithm;abnormal?well

1引言

在油田生產(chǎn)過程中，涉及很多因素，比如說地面設(shè)備因素、井下設(shè)備因素等，只有當(dāng)各個因素達(dá)到平衡狀態(tài)，油井才可以正常運行。但是由于井下的不確定性以及設(shè)備功能結(jié)構(gòu)的復(fù)雜性，傳統(tǒng)的技術(shù)分析難以實時對發(fā)生異常的油井進(jìn)行及時處理，為保證油田安全，需建立診斷油田異常井的模型。反饋動態(tài)神經(jīng)網(wǎng)絡(luò)是在反饋神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上提出的，一種帶有信息反饋的網(wǎng)絡(luò)模型，各神經(jīng)元節(jié)點之間按系統(tǒng)的信息流向進(jìn)行連接，與傳統(tǒng)的模型相比，可提高網(wǎng)絡(luò)學(xué)習(xí)的效率和穩(wěn)定性。結(jié)合粒子群算法，優(yōu)化學(xué)習(xí)算法，可提高收斂速度和魯棒性。反饋動態(tài)神經(jīng)網(wǎng)絡(luò)模型有很多種，本文研究的是三層結(jié)構(gòu)的網(wǎng)絡(luò)模型，提出基于反饋動態(tài)神經(jīng)網(wǎng)絡(luò)的油田異常井診斷模型，可對異常井進(jìn)行判斷，具有實際操作的可行性。

2?反饋動態(tài)神經(jīng)的概述

反饋動態(tài)神經(jīng)網(wǎng)絡(luò)由輸入層、隱層、反饋層和輸出層構(gòu)成。圖1為三層結(jié)構(gòu)的反饋動態(tài)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。其中，輸入層有n個節(jié)點，用于完成時變信號的輸入以及隱層信號的延時反饋;隱層有m個動態(tài)神經(jīng)元節(jié)點，實現(xiàn)的功能是對輸入的時變信號進(jìn)行空間加權(quán)聚合和激勵運算，并接收來自反饋信號;反饋層與隱層的節(jié)點數(shù)相同，即m個節(jié)點，最后一層為輸出層。反饋層實現(xiàn)的功能是接收來自隱層的延時輸出作為輸入信號，并將信號反饋至隱層;輸出層將隱層的時變輸出信號進(jìn)行空間加權(quán)聚合、時間累積和激勵運算得到系統(tǒng)輸出[1-3]。

系統(tǒng)輸入為：

反饋層傳遞回來的作為輸入的向量為：

隱層中第j（j=1，2，...，m）個神經(jīng)元在時刻t的輸入為：

則該反饋動態(tài)神經(jīng)網(wǎng)絡(luò)在時刻T的系統(tǒng)輸出為：

圖1?反饋動態(tài)神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

3?基于粒子群算法的優(yōu)化模型

粒子群算法是目前廣泛應(yīng)用的基于群體智能搜索策略的進(jìn)化優(yōu)化技術(shù)，它具有易理解、易實現(xiàn)，搜索能力強等特點。本文在此考慮到目標(biāo)函數(shù)的復(fù)雜性，多樣性以及學(xué)習(xí)效率等問題，采用了量子粒子群算法，粒子位置的移動由量子旋轉(zhuǎn)門實現(xiàn)。將傳統(tǒng)粒子的移動速度改變轉(zhuǎn)化為量子旋轉(zhuǎn)門角度的更新，位置的變化轉(zhuǎn)變?yōu)榱孔游桓怕史母?。實現(xiàn)網(wǎng)絡(luò)參數(shù)在時變空間的全局化求解，提高模型的學(xué)習(xí)能力[5-8]。在反饋動態(tài)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定的情況下，利用量子粒子群算法確定網(wǎng)絡(luò)連接權(quán)函數(shù)。具體算法步驟如下：

1、初始化連接權(quán)值，設(shè)置位置及速度;

2、將一維數(shù)組的連接權(quán)序列進(jìn)行編碼，統(tǒng)一標(biāo)準(zhǔn)化輸入/輸出數(shù)據(jù);

6、進(jìn)行迭代，直至滿足收斂條件為止。

圖2?粒子群優(yōu)化流程圖

4?應(yīng)用

4.1實驗結(jié)果及分析

所謂異常井，就是井口注入壓力異常、注入量異常、水嘴堵塞、儀表異常、嘴后有氣穴、地層壓力上升或下降等。在實際操作中，分別選取井口注入壓力異常及正常井組成的學(xué)習(xí)樣本，網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)選擇如下：一個輸入節(jié)點，10個反饋動態(tài)神經(jīng)元隱層節(jié)點，一個輸出節(jié)點[9-10]。基函數(shù)函數(shù)選擇優(yōu)化之后的學(xué)習(xí)算法，將學(xué)習(xí)樣本代入反饋動態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸出兩條曲線：

圖4-1?正常井組

圖4-2?壓力異常

4.2與其他方法的性能比較

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，不存在反饋環(huán)節(jié)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。本文將BP神經(jīng)網(wǎng)絡(luò)和反饋動態(tài)神經(jīng)網(wǎng)絡(luò)模型分別對油田異常井注入壓力數(shù)據(jù)進(jìn)行分析，首先分別采用正常井注入壓力數(shù)據(jù)訓(xùn)練兩種模型，然后用注入井壓力異常數(shù)據(jù)作為測試樣本，得到結(jié)果如下：

表1?兩種模型性能比較

由上圖可知，在相同的前提下，反饋動態(tài)神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率上要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型，提高了診斷的速度，實現(xiàn)了全局優(yōu)化技術(shù)。

5?結(jié)論

本文將反饋動態(tài)神經(jīng)網(wǎng)絡(luò)與粒子群算法結(jié)合，并提出優(yōu)化算法，將該方法運用到實踐中去，證明該方法可提高網(wǎng)絡(luò)的學(xué)習(xí)效率和穩(wěn)定性。但反饋動態(tài)神經(jīng)網(wǎng)絡(luò)在信息處理時要考慮時變信息的向前傳輸和反饋相結(jié)合的問題，因此，對反饋動態(tài)神經(jīng)網(wǎng)絡(luò)的信息處理機制和流程是接下來研究的一個重要課題。

參考文獻(xiàn)：

[1]許少華，何新貴.一種基于過程神經(jīng)元網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)辨識模型及應(yīng)用[J].信

息與控制，2010（2）：一55一163

[2]HoPfieldJJ.NeuralnetworksandPhysiealsystemswithemergenteolleetive

eomPutationalabilities.Proe.oftheNationalAeademyofSeienee，U.S.A.1983，79：

2554一2558.

[3]HintonGE.，Nowlan5J.Howlearningeanguideevolution.ComPlexsystems，1987（l）：

495一502.

[4]何新貴，許少華.過程神經(jīng)元網(wǎng)絡(luò)，2007（6）.

[5]劉鐵男，段玉波，雷順.一種混合遺傳算法及收斂性分析[J].控制理論與應(yīng)用，2003（10）.

[6]葛洪偉，靳文輝.變異量子粒子群優(yōu)化算法在系統(tǒng)辨識中的應(yīng)用[J].計算機工程與應(yīng)用，2007，43（29）：222-225.

[7]王璋，馮斌，孫俊.含維變異算子的量子粒子群算法[J].計算機工程與設(shè)計，2008年3月29（6）：1478-1481.

[8]?Gao?X?Z，Ovaska?S?J.?Genetic?algorithm?training?of?Elman?neural?network?in?motor?fault?detection[J].?Neural?Compu-ting?&?Applications，2002，?11（?1）?：?37-?44.

[9]張強，許少華.智能動態(tài)診斷模型及在示功圖識別中的應(yīng)用[Jl.計算機工程與應(yīng)用，

2009（5）：215一217

[10]許少華，邵秀鳳，張健.自動生成基于模糊神經(jīng)網(wǎng)絡(luò)及綜合評判技術(shù)的油井壓裂方

案[J].微型電腦應(yīng)用，2O02（8）.