[发明专利]基于混合漏积分CRJ网络的多元钻井时间序列预测方法

摘要

本发明公开了一种基于混合漏积分CRJ网络的多元钻井时间序列预测方法，首先获得时间序列数据样本而且对数据样本进行数据预处理，其次使用灰关联算法选择预测变量的高相关变量作为网络输入，然后对传统的CRJ网络模型进行优化，使用记忆性更强的混合漏积分神经元与CRJ网络相互结合，提高了网络的动力学特性和预测性能，通过对比实验获得最佳结合方式和泄漏率，基于实验结果构建混合漏积分CRJ网络模型，最后使用训练完成的混合漏积分CRJ网络对钻井过程的关键变量进行时序预测，通过预测结果提前了解参数的变化情况，可以预先采取相应的调整策略，从而确保钻井工程安全、高效的进行。

主权项

1.一种基于混合漏积分CRJ网络的多元钻井时间序列预测方法，其特征在于，包括：获得样本集{X_i|i＝1，2，...，M}，其中，M为时间序列，X_i＝[x_i1，x_i2，...，x_in]∈Rⁿ；对所述样本集进行归一化处理，计算公式如下：其中，和分别对应第i维时间序列的最大值和最小值，y_in为归一化之后的结果；获得钻压的参考序列Y₀与钻井的变量序列关于第k个指标的关联系数，根据灰关联算法获得相关变量作为网络输入；根据混合漏积分神经元与CRJ网络形成混合漏积分CRJ网络，所述混合漏积分神经元与所述CRJ网络的结合方式为：储备池中漏积分神经元的占比为50％，储备池外部循环结构使用交替注入神经元的方式，储备池内部跳转结构使用漏积分神经元之间跳转连接的方式，所述混合漏积分CRJ网络的网络隐含层的状态更新方程如下：其中，第一个式子为双曲正切神经元的激励方式，第二个式子为所述混合漏积分神经元的激励方式；获得所述混合漏积分CRJ网络的权值；获得所述混合漏积分神经元中泄漏率a的取值，所述泄漏率a的取值范围为[0.55，0.8]；使用训练完成的混合漏积分CRJ网络对钻井过程的关键变量进行时序预测；根据预测结果预先采取相应的调整策略。