基于神經網絡的井眼姿態(tài)測量誤差補償研究

邵婷婷, 亓宏濤, 肖劍, 秦俊, 王可可

(1. 延安大學 物理與電子信息學院， 延安 716000； 2. 延安大學 信息與通信工程研究所， 延安 716000)

基于神經網絡的井眼姿態(tài)測量誤差補償研究

邵婷婷1,2, 亓宏濤1, 肖劍1, 秦俊1, 王可可1

(1. 延安大學 物理與電子信息學院， 延安 716000； 2. 延安大學 信息與通信工程研究所， 延安 716000)

分析了國內常用磁性電子測斜儀在工作過程中可能存在的誤差及其來源。對井眼姿態(tài)測量中的主要測量參數井斜角和方位角，采用徑向基函數(RBF)和反向傳播(BP)神經網絡算法，分別建立了以實測井斜角為輸入、標準井斜角為輸出的單入單出網絡模型，和以實測井斜角和方位角構成的二維向量為輸入、標準方位角構成的一維向量為輸出的雙入單出網絡模型，并用測斜儀器的測量數據進行了測試。測試結果表明，采用RBF和BP神經網絡補償算法，可將井斜角的測量精度提高至±0.16°以內，方位角的測量精度提高至±1.7°以內，誤差補償效果較好。

井眼； 井斜角； 方位角； 神經網絡； 誤差補償

0 引言

石油是重要的一次能源，原油的開采需要經過探、鉆、測、壓等多個環(huán)節(jié)，其中油井井眼的姿態(tài)測量是測井技術的重要組成部分，實際作業(yè)過程中由測斜儀器測量的井斜角和方位角等參數來描述[1]，井斜角是油井井軸與測斜儀器鉛垂線的夾角，方位角是指儀器在水平面上的投影與磁北方向間的夾角[2]。由磁傳感器和加速度計構成的磁性電子測斜儀，因體積小、功耗低、抗振動和沖擊性能好等優(yōu)點，在各大油田得到了廣泛的應用[3]。測斜儀井斜角和方位角的測量范圍分別是0°～90°，0°～360°，國外測斜儀測量精度分別為±0.1°，±1°，而國內測斜儀的精度分別為±0.2°，±2°[4]。隨著油田開發(fā)程度的加深，對測斜儀器測量精度的要求也越來越高。本文針對國內常用的磁性電子測斜儀，對井斜角基于徑向基RBF網絡函數，建立了以測量井斜角為輸入、補償后的井斜角為輸出的單入單出神經網絡模型，對方位角基于誤差反向傳播BP神經網絡函數，建立了以實測井斜角和方位角構成的二維向量為輸入、標準方位角構成的一維向量為輸出的雙入單出神經網絡模型，并均進行了現場測試。測試結果表明，采用RBF和BP神經網絡補償算法，可將井斜角的測量精度提高至±0.16°以內，方位角的測量精度提高至±1.7°以內。

1 誤差分析

磁性電子測斜儀的核心是由三軸磁通門和加速度計及其相關電路組成，其中三個磁通門傳感器按照正交方式沿測斜儀軸線安裝。按照根據相關理論，可得方位角φ、井斜角θ和工具面角γ的公式[5]。

影響井眼姿態(tài)測量精度的因素有很多，如傳感器數據的測量誤差、傳感器在儀器坐標系上的安裝誤差、溫度的漂移誤差和井眼環(huán)境的磁干擾等[6]。最小二乘法、共軛梯度法、最大似然法等方法均需要根據誤差的來源建立校正模型以提高測量精度，但因誤差復雜多樣，建立準確的數學模型是比較困難的。神經網絡技術誤差校正不需要建立準確的數學模型，對采集的測斜儀井斜角和方位角測量值學習樣本進行建模訓練，使之高精度逼近測斜儀測量值輸入與輸出之間的非線性關系，就可以提高測量精度。

2 神經網絡誤差補償模型建立

本文井斜角的測量誤差校正采用RBF(radical basis function)神經網絡，具有收斂速度快、精度高和可靠性強的優(yōu)點[7]。方位角的測量誤差校正采用BP(back propagation)神經網絡，具有網絡結構簡單，可作用于全局，并行分布處理方式的優(yōu)點[8]。學習樣本測試點的選取關系到誤差校正模型的可靠性，既要反映出測斜儀井斜角、方位角輸出數據的特點，又要覆蓋測斜儀實際應用中的測量范圍。

2.1 井斜角誤差模型的建立

根據調研，鄂爾多盆地中心地帶的陜北石油基地，油井的井斜范圍相對比較集中，多分布在10°～35°。因此，本文采用高精度兩軸位置轉臺，分別在井斜角10°，13°，16°，21°，23°，25°，29°， 30°，32°，35°時取樣測試點，作為井斜角的訓練樣本，進行RBF神經網絡模型的建立。

本文以實測井斜角為輸入、標準井斜角為輸出，建立一個單入單出的三層RBF神經網絡結構。采用函數newrb(P,T,goal,spread,MN,DF) 建立井斜角的誤差補償RBF神經網絡結構，其中P 為輸入樣本，T為目標數據；goal為均方誤差，本文設置為0.000 1；spread為徑向基函數的分布密度，本文設置為0.85；MN最大神經元數目，本文設置為1；DF為兩次顯示之間的神經元數目，本文設置為每次1個。

2.2 方位角誤差模型的建立

本文采用高精度兩軸位置轉臺，分別在井斜角10°，12°，16°，18°，20°，23°，26°，28°， 30°，32°，33°，35°時，方位角在0°～360°每隔30°獲取取樣測試點，作為方位角的訓練樣本，進行BP神經網絡模型的建立。

本文采用實測井斜角和方位角構成的二維向量為輸入、標準方位角構成的一維向量為輸出，建立了一個雙入單出的BP神經網絡結構。

本文采用函數newff(PR,[S1 S2 S3],{TF1 TF2 TF3},BTF)建立方位角的誤差補償BP神經網絡結構，其中PR為輸入樣本；S1為輸入維數，本文取2；S2為隱含層神經元個數，通過試湊驗證，本文取7；S3為輸出維數，本文取1；TFi為各層傳輸函數，輸入層和隱含層的傳輸函數取tansig，輸出層的傳輸函數為purelin；BTF為BP網絡的訓練函數，本文取traingdx，學習函數取learngdm，性能函數取mse。BP網絡訓練需要確定訓練參數，由于采集的方位角數據樣本比較多，本文將最大收斂次數設置為10000；訓練目標誤差設置為10-5；顯示間隔設置越小，收斂過程越慢，最大收斂次數越難達到，經過試驗本文將顯示間隔設置為200；網絡的學習速率越小，則訓練周期越長，收斂越慢，本文將收斂速率設置為0.05；網絡動量因子取0.9。

3 實驗數據及結果分析

網絡模型建立并訓練完畢之后，為了測試補償效果，在同一實驗條件下，對部分學習樣本和測量數據，作為建好的RBF神經網絡模型輸入，經仿真得到補償后的井斜角；分別對誤差最大的井斜15°時的方位角學習樣本數據和井斜25°時的方位角測量數據，作為建好的BP網絡模型的輸入，經仿真得到補償后的方位角。相關取樣數據和測試測量數據,如表1、表2所示。

表1(a) 井斜角學習樣本取樣數據

表1(b) 誤差補償后井斜角測試測量數據

由實驗數據可知，轉臺上實測井斜角補償前誤差最大可達±0.72°，經過RBF神經網絡補償后，測試的井斜角精度提高至±0.16°；轉臺上實測方位角補償前在井斜20°時，誤差最大可達±2.1°，經過BP神經網絡補償后方位角訓練樣本和測試數據的校正誤差均提高至±1.7°以內，井斜角和方位角的測量精度均得到了改善。

4 總結

本文針對國內常用的磁性電子測斜儀，基于徑向基RBF網絡函數和誤差反向傳播BP神經網絡函數，分別對井眼姿態(tài)測量參數井斜角和方位角，建立了誤差校正模型，并在同一實驗條件下進行了現場測試。測試結果表明，采用RBF

表2(a) 方位角學習樣本取樣數據

表2(b) BP網絡誤差校正后方位角測試測量數據

和BP神經網絡補償算法，可將井斜角的測量精度提高至±0.16°以內，方位角的測量精度提高至±1.7°以內。

[1] 邵婷婷, 張博超, 周美麗等. 基于RBF神網絡的測斜儀方位角校正研究[J]. 國外電子測量技術，2016, 35(2):77-79.

[2] 謝川. 一種基于磁強計和傾角傳感器的鉆井測斜儀[J].儀器儀表學報，2010, 31(10):2357-2361.

[3] 趙代弟, 張曉明, 賴正喜等. 油井套管中測斜儀方位角精確解算方法[J]. 測試技術學報, 2015, 29(1): 63-67.

[4] 鄺學農. 連續(xù)測斜方法的研究和儀器設計[D]. 西安: 西安石油大學, 2007.2-3.

[5] 王琪, 李孟委, 王增躍等. 基于隧道磁阻傳感器的三維電子羅盤設計[J]. 傳感技術學報, 2015, 28(6): 895-899.

[6] 潘萌, 程為彬, 嘉宏亮等. 一種測斜儀安裝位置誤差補償方法[J]. 測試技術學報, 2014, 28(3): 219-224.

[7] 儲兵, 吳陳, 楊習貝. 基于RBF神經網絡與粗糙集的數據挖掘算法[J]. 計算機技術與發(fā)展, 2013, 23(7): 87-90.

[8] 野雪蓮, 楊孔雨. 輿情趨勢預測中神經網絡的優(yōu)化算法[J]. 網絡新媒體技術, 2016, 5(1): 33-37.

Study on Measuring Error Compensation of Borehole Attitude Based on Neural Network

Shao Tingting1,2,Qi Hongtao1,Xiao Jian1,Qin Jun1,Wang Keke1

(1. College of Physics and Electronic Information，Yan’an University，Yan’an 716000，China;2. Institute of Information and Communication Engineering,Yan’an University,Yan’an 716000,China)

The possible error and source of domestic common magnetic dip meter are analyzed. For the angle of deviation, according to the radial basis function (RBF) compensation algorithm, a neural network is established, and its input is the measured deviation angle and output is the compensated deviation angle. For the azimuth, according to the error back propagation (BP) compensation algorithm, a neural network is also established, and its input is a two dimensional vector whose components are measured deviation angle and azimuth, and its output is the expected azimuth. The sampling data of the magnetic dip meter are used to test, and the experiment results show that, using the RBF and BP neural network compensate algorithms, the angle of deviation precision can be improved to ±0.16°, and the azimuth precision can be improved to ±1.7°.

Borehole; Angle of deviation; Azimuth; Neural network; Error compensation

陜西省科技廳項目(2014JM2-5058) 陜西省教育廳項目(15JK1827),延安市科學技術研究發(fā)展計劃項目(2014KG-02),延安大學高水平大學學科建設項目(2015SXTS02),2015年陜西省大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目(1433)

邵婷婷(1982-)女，山東淄博人，西北工業(yè)大學，碩士研究生，副教授，研究方向：智能控制與信息處理，延安 716000 亓宏濤(1994-)男，陜西咸陽人，延安大學電子信息工程，碩士研究生，研究方向：智能控制與信息處理，延安 716000 肖劍(1993-)男，陜西銅川人，延安大學電子信息工程，碩士研究生，研究方向：智能控制與信息處理，延安 716000 秦俊(1994-)男，陜西咸陽人，延安大學電子信息工程，碩士研究生，研究方向：智能控制與信息處理，延安 716000 王可可(1991-)男，陜西寶雞人，延安大學電子信息工程,碩士研究生，研究方向：智能控制與信息處理，延安 716000

1007-757X(2017)01-0024-03

TP212.9

A

2016.09.21)