基于改进的多目标粒子群算法的复杂井眼轨迹优化方法技术

基于改进的多目标粒子群算法的复杂井眼轨迹优化方法，(1)设置多目标粒子群算法MOPSO的参数，(2)初始化种群；(3)计算目标函数值，(4)更新每一代粒子的位置和速度；(5)对粒子进行变异操作；(6)计算种群中每个粒子的目标函数值；(7)更新个体最优是算法从开始迭代到当前最优位置的过程，(8)对非支配集nd进行排序，(9)对MOPSO中外部档案中的非劣解按照目标函数值进行降序排列；(10)采取截断的方法，删除后面的多余个体；(11)全局最优；(12)得到算法优化的最优解集，即为井眼轨迹实际测量长度、实际控制转矩达到相对最优；本发明专利技术实现实际钻井条件下的多目标井眼轨迹参数优化，提高钻井成功率，降低钻井成本奠定理论决策基础。

Complex wellbore trajectory optimization method based on improved multi-objective particle swarm optimization

【技术实现步骤摘要】
基于改进的多目标粒子群算法的复杂井眼轨迹优化方法
本专利技术涉及井眼轨迹优化
，特别涉及基于改进的多目标粒子群算法的复杂井眼轨迹优化方法。
技术介绍
随着越来越多的油气勘探从内陆转向了深海、荒漠等地区，加上非常规、深水、深层、极地等油气田的数量不断增长，与之相适应的钻井技术、随钻数据采集技术、测井数据综合解释方法及智能优化算法也有了长足的发展。另外，油田开发期间对井网布置要求也日渐提高，井间扫描和防碰已经越来越受到人们的重视。其次，为了进一步增加油田的产量，薄油藏的发展已经进入了一个新的阶段，对井眼轨迹的位置精度要求更高，开发正在向着更深远的目标发展。因而，钻井过程中，实现井眼轨迹的优化和精确控制就显得十分重要。其中，实现井眼轨迹的有效、实时、快速地优化是实现井眼轨迹精确控制，提高中靶率和降低钻井风险的前提。井眼轨迹优化是在施工之前确定技术路线、施工方案及井口位置的基础上，确定满足工艺要求的井眼轨迹优化目标函数，考虑钻井工具和地层等约束条件下，优选出工具面角、倾斜角、曲率半径、造斜点范围等井眼轨迹参数，以达到提高钻井成功率、节约钻井成本的目的。而现有的井眼轨迹优化主要以单目标优本文档来自技高网...

【技术保护点】
1.基于改进的多目标粒子群算法的复杂井眼轨迹优化方法，其特征在于，包括以下步骤：(1)设置多目标粒子群算法MOPSO的参数，包括动态惯性权重的最大值和最大值、加速因子、种群规模、最大迭代次数GEN；(2)初始化种群，包括粒子的速度、初始位置、符合约束条件的位置、外部档案、个体最优和全局最优；方位角、倾斜角、狗腿角、曲率半径、各井段实际测量长度、实际垂深、实际控制转矩、套管长度；其中种群中粒子的初始位置随机产生，并将种群的初始位置赋给符合约束条件的初始位置，个体最优和全局最优位置设置为粒子本身；(3)当种群的初始位置满足约束条件时，计算目标函数值，约束条件包括针对实际井眼轨迹优化问题中的自变量的...

【技术特征摘要】
1.基于改进的多目标粒子群算法的复杂井眼轨迹优化方法，其特征在于，包括以下步骤：(1)设置多目标粒子群算法MOPSO的参数，包括动态惯性权重的最大值和最大值、加速因子、种群规模、最大迭代次数GEN；(2)初始化种群，包括粒子的速度、初始位置、符合约束条件的位置、外部档案、个体最优和全局最优；方位角、倾斜角、狗腿角、曲率半径、各井段实际测量长度、实际垂深、实际控制转矩、套管长度；其中种群中粒子的初始位置随机产生，并将种群的初始位置赋给符合约束条件的初始位置，个体最优和全局最优位置设置为粒子本身；(3)当种群的初始位置满足约束条件时，计算目标函数值，约束条件包括针对实际井眼轨迹优化问题中的自变量的取值范围、套管长度范围、目标垂直井深非负约束范围、地层中的狗腿角范围以及非负约束，非负约束指的是实际测量深度和垂直深度不能为负，选择井眼轨迹12个几何参数进行优选，实现待优化双目标实际测量深度TMD、实际控制转矩TCT达到相对最优，几何参数包括造斜点深度、井斜角和方位角；(4)根据式(37)和式(38)更新每一代粒子的位置和速度，若粒子在此过程中超出边界，则采取边界约束；粒子的速度更新方式如式(37)所示，式(37)中，vpj(t)为t时刻粒子p第j维的速度；psowc1和psowc2是正的加速度常量；r1j(t)，r2j(t)为区间[0，1]中产生的随机数；yp表示粒子p当前所到的最优位置；为当前种群中所有的粒子所发现的最优位置；psow为引入的惯性权重；采用矩阵的方式更新粒子的位置，粒子的速度更新方式如式(38)所示；xp(t+1)＝xp(t)+vp(t+1)(38)式(38)中，xp(t)为t时刻粒子p的位置，xpj(t)为在t时刻粒子p第j维的位置，且xi～U(xmin，xmax)；(5)对粒子进行变异操作，采用变异算子作用于MOPSO中，用以引导粒子的飞行，提升种群跳出局部最优的能力，加强局部和全局搜索力度；另外，在算法搜索一段时间后，减少参与变异的个体数量，进行局部开发采用变异算子对粒子施加扰动，防止粒子陷入局部最优；对于粒子p，粒子的位置变异为：xp＝xp+16*varsig*(1-randr)*vp(39)式(39)中，varsig＝±1，表示粒子变异后与原来运动方向是否相同；16为能够使粒子跳出局部最优位置的一个系数；vp为变异概率；式(40)中，ite为算法当前的代数，GEN为算法最大迭代次数；对于在种群中的每个粒子，产生一个在区间[0，1]中的随机数randr，当randr＜randp时，对粒子进行变异操作，否则不进行变异；另外，对粒子进行变异时，将超出定义域边界的粒子定义在边界上；(6)针对满足约束条件的粒子，根据每个粒子的每个目标计算种群中每个粒子的目标函数值；对于不满足约束条件的粒子，若连续四次不满足约束条件时，根据步骤(4)、步骤(5)重新分配粒子的速度和位置，对粒子变异以及边界约束；(7)更新个体最优算法从开始迭代到当前最优位置的过程，若当前位置x支配其个体极值位置xp，则更新为当前位置x；(8)对非支配集nd进行排序，对种群中的每个粒子进行局部最优更新后，保存算法迭代中的非劣解，采用非支配集算法搜索最优个体，而非支配集的选取采用多目...

【专利技术属性】
技术研发人员：沙林秀，李文燕，张奇志，李琳，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：陕西,61