基于神经网络的钻探事故类型判别模型研究.pdf
《基于神经网络的钻探事故类型判别模型研究.pdf》由会员分享,可在线阅读,更多相关《基于神经网络的钻探事故类型判别模型研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 50卷增刊2023年 9月Vol.50 Sup.Sep.2023:555-560钻探工程Drilling Engineering基于神经网络的钻探事故类型判别模型研究蒲春,赵阳刚*,杨斌,陈映(中国地质调查局军民融合地质调查中心,四川 成都 610036)摘要:钻探孔内事故会造成严重的损失,若钻探设备能及时判断孔内事故类型,则可缩短事故处理时间,遏制事态发展。提出了一种基于神经网络的钻探事故类型判别模型。为了优选不同神经网络在事故类型判别时的正确率,在 Matlab 的 nntool工具箱中分别构建了 BP、RBF 两种神经网络模型,将某矿区施工参数变化趋势作为输入参数,通过仿真试验发现,
2、BP 神经网络中表现最好的是 LM、BR 算法,RBF 神经网络中表现最好的是 PNN 算法,三者准确率均可在 90%以上,但 BP 神经网络容易陷入局部最优,性能不稳定,偶有判别错误的现象,而 PNN 神经网络无此局限,且不需要训练。通过对比,PNN算法更适用于事故类型判别模型建立。关键词:钻探设备;孔内事故;类型判别;Matlab;BP神经网络;RBF神经网络;PNN算法中图分类号:P634.8 文献标识码:A 文章编号:2096-9686(2023)S1-0555-06Research on drilling fault diagnosis model of equipment base
3、d on neural networkPU Chun,ZHAO Yanggang*,YANG Bin,CHEN Ying(CivilMilitary Integration Center of China Geological Survey,Chengdu Sichuan 610036,China)Abstract:Drilling accidents can cause serious economic losses,wasted time,and even threaten life safety.If the drilling equipment can judge the type o
4、f accident in time,the accident processing time can be shortened and the development of the situation can be contained.To solve the above problems,this paper proposes a drilling fault diagnosis model of equipment based on neural network.In order to optimize the correct rate of different neural netwo
5、rks in drilling accidents classification,two neural network models of BP and RBF are constructed respectively in nntool of Matlab.Through the simulation test taking the variation trend of construction parameters in a mining area as input parameters,it is found that the best performance in BP neural
6、network is LM and BR algorithm,and the best performance of RBF neural network is PNN algorithm.All three had an accuracy rate of more than 90 percent.But BP neural network is easy to fall into local optimal with unstable performance.On the contrary,PNN neural network has no such limitation,does not
7、require training,and the design process is simple.So PNN algorithm is more suitable for the establishment of drilling fault diagnosis model.Key words:drilling equipment;inhole accidents;drilling fault diagnosis;Matlab;BP neural network;RBF neural network;PNN algorithm0引言钻探孔内事故会造成严重的经济损失、时间浪费,甚至威胁生命安
8、全,若钻探设备能及时判断孔内事故类型,则可缩短事故处理时间,遏制事态发收稿日期:2023-03-01;修回日期:2023-06-03 DOI:10.12143/j.ztgc.2023.S1.091基金项目:中国地质调查局军民融合地质调查中心项目“青藏高原寒区资源与环境调查监测与评价”(编号:DD20220881)第一作者:蒲春,男,汉族,1988 年生,工程师,钻井工程专业,硕士,长期从事钻探施工及研究工作,四川省成都市金牛区茶店子路 399 号,。通信作者:赵阳刚,男,汉族,1988 年生,工程师,三矿专业,硕士,长期从事区域地质矿产调查工作,四川省成都市金牛区茶店子路 399 号,。引用格
9、式:蒲春,赵阳刚,杨斌,等.基于神经网络的钻探事故类型判别模型研究 J.钻探工程,2023,50(S1):555-560.PU Chun,ZHAO Yanggang,YANG Bin,et al.Research on drilling fault diagnosis model of equipment based on neural network J.Drilling Engineering,2023,50(S1):555-560.2023年 9月钻探工程展。随着钻探技术的发展,智能化钻机设备被广泛应用在地质钻探中。通过智能化技术的应用,有助于及时识别井下异常工况,并提高地质钻探作业的安
10、全性。基于此,应逐步建立可靠的地质钻探设备井下事故判别系统,及时发现存在的风险和异常,最大限度地减少损失。根据地质钻探统计资料,在钻进过程中,大约有 6%8%的时间用于处理井下复杂情况和事故1。因此及时进行事故判别,预防和快速处理井下事故,是提高钻进速度、降低成本的重要途径。目前,在针对石油的智能化钻井设备中,常用的方法包括专家系统、人工神经网络等,如张彦龙、李想等利用专家系统构建了完井作业智能化设计与监视系统2-3,李彤、张奇志等采用神经网络对卡钻进行预测4-5,杨莉、张立刚等采用神经网络对钻速进行预测6-7。上述研究中,大部份是基于 BP或 RBF 神经网络,或者是对 BP 算法的改进。然
11、而在 地 质 钻 探 领 域,智 能 化 工 况 类 型 识 别 虽 有 研究8-9,但还不多,受专家库知识较少等因素的影响,专家系统较难应用,采用神经网络来解决此问题则较为容易。人工神经网络技术具有自学习能力,在模式识别的领域应用广泛,本文拟通过对比 BP、RBF 神经网络的不同算法在识别正常、烧钻、卡钻、断钻、漏浆、埋钻、糊钻 7种事故类型时的效果,建立判别准确率高、反应迅速的事故判别模型。1神经网络模型构建1.1BP神经网络BP 神经网络由 Rumelhart 提出,是神经网络体系的精华,在实际应用中约 80%90%的神经网络模型采用了 BP 网络或其变化形式10。其结构如图1 所示,B
12、P 网络采用反向传播学习算法,相邻层之间全连接,激活函数采用 Log-Sigmoid 或 Tan-Sigmoid 函数,光滑可微,具有良好的容错性和较高的精度。BP神经网络设计的主要内容包括网络层数、输入节点数、隐含节点数、输出节点数、训练方法。1.2RBF神经网络传统 RBF 神经网络通常为 3 层结构:输入层、隐藏层、输出层,如图 2所示。其中隐藏层为径向基函数,该函数由 Broomhead 和 Lowe 于 1988 年引入到神经网络中,经实践证明该函数对于非线性网络具 有 一 致 逼 近 的 能 力,特 别 适 合 解 决 模 式 分 类问题11。2数据准备2.1参数获取在钻进过程中主
13、要观察的参数有转速、扭矩、钻速、泵压、泵量、称重、大钩荷载、负荷、泥浆密度;此外还有跳钻、憋钻、岩屑等,可由中国地质科学院探矿工艺研究所发明的 DPI-1型钻参仪获取12。在钻进过程中,大钩荷载一项只在提、下钻过程中使用,该项参数应舍弃。跳钻、憋钻分别可由钻压、转速两个参数获取,是重复项,应当舍弃。岩屑不能通过传感器获取,不能第一时间反应到智能识别系统中,都应舍弃。此外,当钻机动力头输出功率一定时,功率=扭矩转速,扭矩与转速为负相关,因转速获取较为方便,应舍弃扭矩这一参数,选择转速更为妥当;同理泵压与泵量也呈现严格的相关性,由于获取泵压更为灵敏,在这里选择泵压作为关键参数。再者,钻进现场负荷的
14、主要影响因素是钻机动力头输出功率与泥浆泵功率之和,与孔内工况类型没有严格的对应关系,不必选取。最后,岩心钻探孔底钻压难以获取,而称重较为容易,在此用称重代替钻压参数。通过以上分析,排除相关性较高的参数或者无用参数后,选取转速、钻速、泵压、返浆流量、称重、泥浆密度 6个独立参数作为神经网络的输入参数13。EL;Ex1x2xny1y2VVV图 1BP神经网络结构EL;EVVx1x2xmy1y2012iij图 2RBF神经网络结构556第 50卷增刊蒲春等:基于神经网络的钻探事故类型判别模型研究2.2数据来源近年来甘肃某金矿区先后施工 30多个钻孔,发生井故的钻孔有 25个,累计断钻 10次,卡钻
15、6次,烧钻 3次,泥浆漏失 18次,孔溢 1次,糊钻 1次。同一种事故类型不仅在不同孔中发生,还在同一孔的不同深度发生,为提高神经网络模型的泛化能力,须对钻进参数作进一步处理,找出具有普遍适用性的参数变化特征。2.3数据处理异常事故钻进参数变化趋势有两种可能,一是参数突变,如卡钻时的转速、钻速、悬重;二是缓慢变化,如漏浆时,返浆量逐渐变小。数据处理步骤如下:第一步降噪。为减少噪声干扰,设置安全阈值的方式提高数据信噪比14-16。设原始数据为:a1、a2an,安全阈值为 K,即当 an-an-1K 时,an录入在系统中,等待进一步处理;当 an-an-1K 时,an作为异常数据舍去。K 值由统计
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 神经网络 钻探 事故 类型 判别 模型 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。