[发明专利]一种基于遗传算法优化的钻进过程造斜率预测方法及系统

权利要求书

1.一种基于遗传算法优化的钻进过程造斜率预测方法，其特征在于，包括以下步骤：

S1、获取若干个在钻进过程中影响造斜率因素的数据；

S2、在基于步骤S1获取的所述影响造斜率因素的数据基础上，采用Pearson相关性系数进行分析，进一步从所述影响造斜率因素的数据中，去除相关性系数较小的数据，得到初始数据集；

S3、在步骤S2的基础上，对所述初始数据集进行归一化处理，得到归一化数据集；

S4、将所述归一化数据集作为整体数据，输入到BP神经网络，进行造斜率预测网络模型的搭建；其中，在进行网络搭建的过程中，采用遗传算法进行网络优化；

S5、采用步骤S4中搭建好的造斜率预测模型，进行造斜率的预测。

2.根据权利要求1所述的钻进过程造斜率预测方法，其特征在于，所述若干个在钻进过程中影响造斜率的因素包括钻头侧向力、钻头偏转角、钻头合力角、已钻井眼造斜率和待钻井段的初始井斜角。

3.根据权利要求2所述的钻进过程造斜率预测方法，其特征在于，所述已钻井眼造斜率及待钻井段的初始井斜角的数据是基于现场环境测量所得；

所述钻头侧向力、钻头偏转角及钻头合力角是通过连续梁法或者有限元方法计算出来的现场数据。

4.根据权利要求1所述的钻进过程造斜率预测方法，其特征在于，步骤S2中，构建包括造斜率数据的训练集，将从步骤S1中获取到的若干个影响造斜率因素的数据,与训练集的造斜率做Pearson相关性系数分析，其中，Pearson相关性系数分析的数学计算公式为：

通过上述计算公式，进一步从所述影响造斜率因素的数据中，去除相关性系数较小的因素；其中，x_i、y_i分别表示取到的第i个表征的两个不同的特征变量，N表示取到的样本数量。

5.根据权利要求1或4所述的钻进过程造斜率预测方法，其特征在于，步骤S3中，对所述得到若干个与造斜率具有相关性联系的因素进行归一化处理具体为：

将每个与造斜率具有相关性联系的因素映射到[0,1]区间上；其中，归一化处理的数学公式为：

x_i表示获取到的第i个数据；x_min、x_max分别表示从获取到的所有数据里面，取其中最小、最大的数据；x'_i表示归一化后得到的数据。

6.根据权利要求5所述的钻进过程造斜率预测方法，其特征在于，步骤S4中，将归一化处理后的数据作为整体数据，输入到BP神经网络，利用遗传算法来优化网络的权值和阈值；

其中，利用优化后的网络权值和阈值，来搭建预测模型的步骤为：

S41、初始化：初始化网络各层神经元个数，连接权和阈值；个体编码与种群初始化；

S42、计算适应度函数；

S43、执行选择操作、交叉操作和变异操作；

S44、优化结果输出，在输出结果满足预设的条件时，输出最优解，否则返回步骤S42；

S45、输出全局最优值及其位置，BP网络获取最优权值阈值。

7.一种基于遗传算法优化的钻进过程造斜率预测系统，其特征在于，包括以下模块：

数据获取模块，用于获取若干个在钻进过程中影响造斜率的因素；

相关性分析模块，用于在基于数据获取模块获取的所述影响造斜率因素的数据基础上，采用Pearson相关性系数进行分析，进一步从所述影响造斜率因素的数据中，去除相关性系数较小的数据，得到初始数据集；

归一化处理模块，用于在相关性分析模块的基础上，对所述初始数据集进行归一化处理，得到归一化数据集；

网络搭建模块，用于将所述归一化数据集作为整体数据，输入到BP神经网络，进行造斜率预测网络模型的搭建；其中，在进行网络搭建的过程中，采用遗传算法进行网络优化；

造斜率预测模块，用于采用网络搭建模块中搭建好的造斜率预测模型，进行造斜率的预测。