[发明专利]一种基于长短时记忆神经网络的钻具受力优化控制方法

权利要求书

1.一种基于长短时记忆神经网络的钻具受力优化控制方法，其特征在于，包括以下步骤：

步骤一，制定一条外钻筒钻进过程所受扭矩的标准线；

步骤二，采用离散元方法对钻具钻进不同塌方体进行数值模拟，对比标准线得到异常情况下钻具受力曲线的特征并对应提出优化方案，优化方案包括保持现状、提升速度、降低速度、采用螺旋钻头结合外钻筒钻进、采用DTH潜孔锤钻头结合外钻筒钻进及采用DTH潜孔锤伸缩钻头结合外钻筒钻进；

步骤三，根据现场试验中大口径钻机自带的数据采集系统监测钻具受力曲线的特征选择解决方案，通过观察钻具受力曲线变化对优化方案进行验证；

步骤四，构建基于LSTM的优化控制模型，处理数值模拟和现场试验所得数据并作为样本对优化控制模型进行训练；

步骤五，将救援过程中钻机数据采集系统监测的数据输入优化控制模型，实时输出对应的优化方案；

所述的步骤四中，基于LSTM的优化控制模型包括输入层、隐藏层和输出层；输入层的输入特征分别为外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻进速度，输出层输出优化方案；隐藏层加入了门结构，即输入门、遗忘门和输出门，遗忘门和输入门控制单元状态C，遗忘门决定上一时刻的单元状态C_t-1有多少保留到当前时刻的单元状态C_t，输入门决定了当前时刻的输入X_t有多少保存到当前时刻的单元状态C_t，输出门控制当前时刻的单元状态C_t有多少输出到当前时刻的输出；

所述的步骤四中，优化控制模型训练过程包括如下步骤：

步骤4.1：计算输入门的值i_t：

i_t＝σ(W_xiX_t+W_hih_t-1+W_ciC_t-1+b_i)；

其中，X_t为当前时刻的输入，h_t-1为上一时刻的输出，C_t-1为上一时刻的单元状态，W_xi、W_hi、W_ci为输入门的权重矩阵，b_i为输入门的偏置项，σ为sigmoid激活函数；

步骤4.2：计算遗忘门的值f_t：

f_t＝σ(W_xfX_t+W_hfh_t-1+W_cfC_t-1+b_f)；

其中，W_xf、W_hf、W_cf为遗忘门的权重矩阵，b_f是遗忘门的偏置项；

步骤4.3：计算当前时刻的单元状态C_t：

C_t＝f_tC_t-1+i_ttanh(W_xcX_t+W_hch_t-1+b_c)；

其中，W_xc、W_hc为单元状态的权重矩阵，b_c是单元状态的偏置项，tanh是双曲正切激活函数；

步骤4.4：计算输出门的值o_t：

o_t＝σ(W_xoX_t+W_hoh_t-1+W_coC_t+b_o)；

其中，W_xo、W_ho、W_co为输出门的权重矩阵，b_o是输出门的偏置项；

步骤4.5：计算当前时刻的输出h_t：

h_t＝o_ttanh(C_t)；

步骤4.6：计算全连接层a_t的值：

a_t＝o_t(W_hyh_t+b_y)；

其中，W_hy为LSTM的输出层与全连接层的权重矩阵，b_y是偏置项；

步骤4.7：计算Softmax层处理后输出值；

其中，代表在t时刻应用第k种解决方案的概率；表示t时刻全连接层的第k个输出；n表示全连接层输出的个数与上述解决方案个数对应，n为正整数。