基于反饋動態神經網絡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神經網絡的模型，具有適應性強、學習效率高等特點。結合粒子群算法彌補其訓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化原則和實現技術。最后根據實際問題，進行了油田異常井診斷模型的具體應用，實驗結果證明模型對于異常井診斷具有較高準確性及可行性。

關鍵字：反饋動態神經網絡;粒子群算法;異常井

中圖分類號：TP301????文獻標識碼：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

在油田生產過程中，涉及很多因素，比如說地面設備因素、井下設備因素等，只有當各個因素達到平衡狀態，油井才可以正常運行。但是由于井下的不確定性以及設備功能結構的復雜性，傳統的技術分析難以實時對發生異常的油井進行及時處理，為保證油田安全，需建立診斷油田異常井的模型。反饋動態神經網絡是在反饋神經網絡模型的基礎上提出的，一種帶有信息反饋的網絡模型，各神經元節點之間按系統的信息流向進行連接，與傳統的模型相比，可提高網絡學習的效率和穩定性。結合粒子群算法，優化學習算法，可提高收斂速度和魯棒性。反饋動態神經網絡模型有很多種，本文研究的是三層結構的網絡模型，提出基于反饋動態神經網絡的油田異常井診斷模型，可對異常井進行判斷，具有實際操作的可行性。

2?反饋動態神經的概述

反饋動態神經網絡由輸入層、隱層、反饋層和輸出層構成。圖1為三層結構的反饋動態神經網絡的拓撲結構。其中，輸入層有n個節點，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個動態神經元節點，實現的功能是對輸入的時變信號進行空間加權聚合和激勵運算，并接收來自反饋信號;反饋層與隱層的節點數相同，即m個節點，最后一層為輸出層。反饋層實現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行空間加權聚合、時間累積和激勵運算得到系統輸出[1-3]。

系統輸入為：

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）個神經元在時刻t的輸入為：

則該反饋動態神經網絡在時刻T的系統輸出為：

圖1?反饋動態神經網絡拓撲圖

3?基于粒子群算法的優化模型

粒子群算法是目前廣泛應用的基于群體智能搜索策略的進化優化技術，它具有易理解、易實現，搜索能力強等特點。本文在此考慮到目標函數的復雜性，多樣性以及學習效率等問題，采用了量子粒子群算法，粒子位置的移動由量子旋轉門實現。將傳統粒子的移動速度改變轉化為量子旋轉門角度的更新，位置的變化轉變為量子位概率幅的更新。實現網絡參數在時變空間的全局化求解，提高模型的學習能力[5-8]。在反饋動態神經網絡拓撲結構確定的情況下，利用量子粒子群算法確定網絡連接權函數。具體算法步驟如下：

1、初始化連接權值，設置位置及速度;

2、將一維數組的連接權序列進行編碼，統一標準化輸入/輸出數據;

6、進行迭代，直至滿足收斂條件為止。

圖2?粒子群優化流程圖

4?應用

4.1實驗結果及分析

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習樣本，網絡結構參數選擇如下：一個輸入節點，10個反饋動態神經元隱層節點，一個輸出節點[9-10]。基函數函數選擇優化之后的學習算法，將學習樣本代入反饋動態神經網絡進行訓練，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神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，不存在反饋環節，是目前應用最廣泛的神經網絡模型之一。本文將BP神經網絡和反饋動態神經網絡模型分別對油田異常井注入壓力數據進行分析，首先分別采用正常井注入壓力數據訓練兩種模型，然后用注入井壓力異常數據作為測試樣本，得到結果如下：

表1?兩種模型性能比較

由上圖可知，在相同的前提下，反饋動態神經網絡模型在準確率上要優于BP神經網絡模型，提高了診斷的速度，實現了全局優化技術。

5?結論

本文將反饋動態神經網絡與粒子群算法結合，并提出優化算法，將該方法運用到實踐中去，證明該方法可提高網絡的學習效率和穩定性。但反饋動態神經網絡在信息處理時要考慮時變信息的向前傳輸和反饋相結合的問題，因此，對反饋動態神經網絡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：

[1]許少華，何新貴.一種基于過程神經元網絡的非線性動態系統辨識模型及應用[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.過程神經元網絡，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].控制理論與應用，2003（10）.

[6]葛洪偉，靳文輝.變異量子粒子群優化算法在系統辨識中的應用[J].計算機工程與應用，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.智能動態診斷模型及在示功圖識別中的應用[Jl.計算機工程與應用，

2009（5）：215一217

[10]許少華，邵秀鳳，張健.自動生成基于模糊神經網絡及綜合評判技術的油井壓裂方

案[J].微型電腦應用，2O02（8）.