一种基于模糊综合评价的钻进轨迹多目标优化方法技术

本发明专利技术提供一种基于模糊综合评价的钻进轨迹多目标优化方法，步骤为：建立待优化的钻进轨迹的钻进轨迹多目标优化模型和对应的约束函数，计算得到帕累托解集；计算帕累托解集中所有解对应的钻进轨迹长度的平均值、井眼剖面能量的平均值、中靶误差的平均值，然后根据这些平均值分别计算最小模糊熵下的钻进轨迹长度的模糊隶属度函数、井眼剖面能量的模糊隶属度函数、中靶误差的模糊隶属度函数；计算帕累托解集中每个解对应的目标函数值的模糊隶属度，建立帕累托解集的模糊评价矩阵；确定钻进轨迹长度、井眼剖面能量、中靶误差的权重向量，计算帕累托解集中的每个解的综合评价值，选出最大的综合评价值，最大的综合评价值对应的解为最优钻进轨迹。

A multi-objective optimization method of drilling trajectory based on fuzzy comprehensive evaluation

【技术实现步骤摘要】
一种基于模糊综合评价的钻进轨迹多目标优化方法
本专利技术涉及复杂地质钻进过程智能控制领域，尤其涉及一种基于模糊综合评价的钻进轨迹多目标优化方法。
技术介绍
由于地质钻探通常面临复杂的地质环境，导致井下信息传递延迟、数据价值密度低，使得钻进效率低、安全风险相对更高，因此发展智能化的钻进装备与工程技术意义重大，需要建立符合实际的钻进过程智能决策和控制方法。定向水平井是石油、天然气、页岩气等资源勘探开发的主要形式，在钻前进行轨迹设计是提高中靶准确率和钻进效率的关键之一。在特定的钻井工艺和地层条件下，减少轨迹长度能够直接减少钻井工程成本，因此许多相关研究通过最小化轨迹长度来优化钻进轨迹。例如用序列无约束最小化方法、数论序贯优化算法等优化造斜点和造斜率。但是这些问题中的轨迹模型相对简单，对于更为复杂的轨迹模型，例如自变量与目标函数和约束为非线性关系的情况，上述基于梯度的优化方法将不再适用。遗传算法、粒子群算法等智能优化算法能够有效解决这些问题，然而更短的轨迹长度往往意味着更复杂的井眼结构。这将会产生快速变化的井斜角和方位角，以及较大的狗腿角，从而加大钻进安全风险。因此，有必要将钻进轨迹优化问题归为多目标优化问题进行求解。目前已有的多目标轨迹优化算法大多采用经典多目标优化算法，这些方法将多目标问题转化为单目标优化问题进行求解，在转化过程中可能会丢失一些重要信息，也不能在单次计算中求得帕累托最优解集，使得决策者必须要干涉优化过程，多目标进化算法则能够有效解决这些问题。针对轨迹优化问题中复杂的非线性约束，有必要在多目标进化算法中加入约束处理的手段。另一方面，将帕累托解集中的所有解应用到实际工程中是不可能的，因此需要设计合理的算法对帕累托解集进行筛选，为决策者提供偏好解。目前的研究大多采用如TOPSIS方法的多属性决策方法对解进行排序来解决这类问题，然而决策者对各个优化目标如钻进轨迹长度、井身复杂度的重视程度不同，对解的偏好往往是模糊的。因此，有必要对帕累托解集中的每个解进行模糊评价。通过模糊隶属度函数来对帕累托解集中的解进行分类和排序，能够为决策者提供工程适用的优化钻进轨迹。
技术实现思路
有鉴于此，本专利技术提供一种基于模糊综合评价的钻进轨迹多目标优化方法，通过结合自适应罚函数和多目标优化算法MOEA/D，求解了具有非线性约束的三目标轨迹优化问题，提出一种基于最小模糊熵的综合评价方法，从帕累托解集中筛选出满意度较高的最终优化轨迹提供给决策者，能够适应不同钻进施工要求，达到工程应用的目的，同时也为其它工程问题中的多目标优化问题提供了可参考的解决方案。本专利技术提供一种基于模糊综合评价的钻进轨迹多目标优化方法，包括以下步骤：步骤S1，建立待优化的钻进轨迹的钻进轨迹多目标优化模型和对应的约束函数，结合所述约束函数计算得到钻进轨迹多目标优化模型的帕累托解集，所述帕累托解集中的每个解对应一条不同的钻进轨迹；步骤S2，计算所述帕累托解集中所有解对应的钻进轨迹长度的平均值、井眼剖面能量的平均值、中靶误差的平均值，然后根据所述钻进轨迹长度的平均值计算得到最小模糊熵下的钻进轨迹长度的模糊隶属度函数，根据所述井眼剖面能量的平均值计算得到最小模糊熵下的井眼剖面能量的模糊隶属度函数，根据所述中靶误差的平均值计算得到最小模糊熵下的中靶误差的模糊隶属度函数；步骤S3，利用所述钻进轨迹长度的模糊隶属度函数、井眼剖面能量的模糊隶属度函数、中靶误差的模糊隶属度函数计算得到帕累托解集中每个解对应的目标函数值的模糊隶属度，根据得到的模糊隶属度建立帕累托解集的模糊评价矩阵；步骤S4，确定钻进轨迹长度、井眼剖面能量、中靶误差的权重向量，根据所述模糊评价矩阵和权重向量计算得到帕累托解集中的每个解的综合评价值，选出最大的综合评价值，最大的综合评价值对应的解为最优钻进轨迹。进一步地，步骤S1中，钻进轨迹多目标优化模型为：min[f1(x)＝L，f2(x)＝Ew，f3(x)＝Et]约束函数为：其中，L＝L1+L2EW＝(κ12+τ12)Ll+(κ22+τ22)L2上式中，L为轨迹长度，Ew为井眼剖面能量，Et为中靶误差，NB、EB、DB为钻进轨迹终点的坐标，NT、ET、DT为靶点的坐标，Dmax为靶窗高度，Hmax为靶窗水平宽度，(tN,tE,tD)为靶窗平面的法向量，κ是井眼曲率，τ是井眼扭转。进一步地，步骤S1中，帕累托解集的计算过程为：步骤S101，设置钻进轨迹多目标优化模型的迭代次数、种群大小、邻域大小等；步骤S102，利用切比雪夫算法将多目标优化问题按不同目标权重分解为多个子优化问题，其计算公式为：然后计算当前种群中符合约束函数的解的数量即可行解的数量，若当前种群中全部为可行解，则所有可行解的目标函数值为返回到切比雪夫算法中的值：F(x)＝f(x)；其中，向量f(x)的元素为当前个体对应的各个目标函数值。若当前种群中没有可行解，则将约束违反度传送到切比雪夫算法中：F(x)＝v(x)；其中，约束违反度若当前种群中有部分可行解，则利用目标函数值和约束违反度计算后传送到切比雪夫算法中，计算公式为：其中，rf为当前种群中可行解数量与种群数之比；步骤S103，根据计算得到子函数值作为个体的适应度值；步骤S104，根据子函数的适应度值更新种群，对新产生的种群进行交叉、变异等操作，产生新的子代种群；步骤S105，判断是否达到设置的迭代次数，若未达到，则返回到步骤S102利用新的子代种群重复执行步骤S102-S104；若达到，则输出当前的帕累托解集。进一步地，步骤S2中，最小模糊熵下的钻进轨迹长度的模糊隶属度函数的计算过程为：步骤S201，定义模糊概念“轨迹长度较短/中等/较长”为A1(x),A2(x),A3(x)，其中x为钻进轨迹长度；步骤S202，计算钻进轨迹长度的模糊熵，钻进轨迹长度的模糊熵的计算公式为：其中，轨迹长度较短：轨迹长度中等：轨迹长度较长：式中，为帕累托解集中所有解对应的钻进轨迹长度的平均值；步骤S203，将钻进轨迹长度的模糊熵最小化，求得步骤S202公式中的t1、t2，即为最小模糊熵下的钻进轨迹长度的模糊隶属度函数。进一步地，步骤S2中，最小模糊熵下的井眼剖面能量的模糊隶属度函数的计算过程为：步骤S211，定义模糊概念“井眼剖面能量较低/中等/较高”为B1(y),B2(y),B3(y)，其中y是井眼剖面能量；步骤S212，计算井眼剖面能量的模糊熵，井眼剖面能量的模糊熵的计算公式为：其中，井眼剖面能量较低：井眼剖面能量中等：井眼剖面能量较高：式中，为帕累托解集中所有解对应的井眼剖面能量的平均值；步骤S213，将井眼剖面能量的模糊熵最小化，求得步骤S212公式中的t3、t4，即为最小模糊熵下的井眼剖面能量的模糊隶属度函数。进一步地，步骤S2中，最小模糊熵下的中靶误差的模糊隶属度函数的计算过程为：步骤S221，定义模糊概念“中靶误差较小/中等/较大”为C1(z),C2(z),C3(z)，其中z是中靶误差；步骤S222，计算中靶误差的模糊熵，中靶误差的模糊熵的计算公式为：其中，中靶误差较小：中靶误差中等：中靶误差较大：式中，为帕累托解集中所有解对应的中靶误差的平均值；步骤S223，将中靶误差的模糊熵最小化，求得步骤S222公式中的t5、t6，即为最小模糊熵下的本文档来自技高网...

【技术保护点】
1.一种基于模糊综合评价的钻进轨迹多目标优化方法，其特征在于，包括以下步骤：S1，建立待优化的钻进轨迹的钻进轨迹多目标优化模型和对应的约束函数，结合所述约束函数计算得到钻进轨迹多目标优化模型的帕累托解集，所述帕累托解集中的每个解对应一条不同的钻进轨迹；S2，计算所述帕累托解集中所有解对应的钻进轨迹长度的平均值、井眼剖面能量的平均值、中靶误差的平均值，然后根据所述钻进轨迹长度的平均值计算得到最小模糊熵下的钻进轨迹长度的模糊隶属度函数，根据所述井眼剖面能量的平均值计算得到最小模糊熵下的井眼剖面能量的模糊隶属度函数，根据所述中靶误差的平均值计算得到最小模糊熵下的中靶误差的模糊隶属度函数；S3，利用所述钻进轨迹长度的模糊隶属度函数、井眼剖面能量的模糊隶属度函数、中靶误差的模糊隶属度函数计算得到帕累托解集中每个解对应的目标函数值的模糊隶属度，根据得到的模糊隶属度建立帕累托解集的模糊评价矩阵；S4，确定钻进轨迹长度、井眼剖面能量、中靶误差的权重向量，根据所述模糊评价矩阵和权重向量计算得到帕累托解集中的每个解的综合评价值，选出最大的综合评价值，最大的综合评价值对应的解为最优钻进轨迹。

【技术特征摘要】
1.一种基于模糊综合评价的钻进轨迹多目标优化方法，其特征在于，包括以下步骤：S1，建立待优化的钻进轨迹的钻进轨迹多目标优化模型和对应的约束函数，结合所述约束函数计算得到钻进轨迹多目标优化模型的帕累托解集，所述帕累托解集中的每个解对应一条不同的钻进轨迹；S2，计算所述帕累托解集中所有解对应的钻进轨迹长度的平均值、井眼剖面能量的平均值、中靶误差的平均值，然后根据所述钻进轨迹长度的平均值计算得到最小模糊熵下的钻进轨迹长度的模糊隶属度函数，根据所述井眼剖面能量的平均值计算得到最小模糊熵下的井眼剖面能量的模糊隶属度函数，根据所述中靶误差的平均值计算得到最小模糊熵下的中靶误差的模糊隶属度函数；S3，利用所述钻进轨迹长度的模糊隶属度函数、井眼剖面能量的模糊隶属度函数、中靶误差的模糊隶属度函数计算得到帕累托解集中每个解对应的目标函数值的模糊隶属度，根据得到的模糊隶属度建立帕累托解集的模糊评价矩阵；S4，确定钻进轨迹长度、井眼剖面能量、中靶误差的权重向量，根据所述模糊评价矩阵和权重向量计算得到帕累托解集中的每个解的综合评价值，选出最大的综合评价值，最大的综合评价值对应的解为最优钻进轨迹。2.根据权利要求1所述的基于模糊综合评价的钻进轨迹多目标优化方法，其特征在于，步骤S1中，钻进轨迹多目标优化模型为：min[f1(x)＝L,f2(x)＝Ew,f3(x)＝Et]约束函数为：其中，L＝L1+L2EW＝(κ12+τ12)L1+(κ22+τ22)L2上式中，L为轨迹长度，Ew为井眼剖面能量，Et为中靶误差，NB、EB、DB为钻进轨迹终点的坐标，NT、ET、DT为靶点的坐标，Dmax为靶窗高度，Hmax为靶窗水平宽度，(tN,tE,tD)为靶窗平面的法向量，κ是井眼曲率，τ是井眼扭转。3.根据权利要求1所述的基于模糊综合评价的钻进轨迹多目标优化方法，其特征在于，步骤S1中，帕累托解集的计算过程为：S101，设置钻进轨迹多目标优化模型的迭代次数和种群大小；S102，利用切比雪夫算法将多目标优化问题按不同目标权重分解为多个子优化问题，计算公式为：计算当前种群中符合约束函数的解的数量即可行解的数量，若当前种群中全部为可行解，则所有可行解的目标函数值为返回到切比雪夫算法中的值：F(x)＝f(x)；其中，向量f(x)的元素为当前个体对应的各个目标函数值；若当前种群中没有可行解，则将约束违反度传送到切比雪夫算法中：F(x)＝v(x)；其中，约束违反度若当前种群中有部分可行解，则利用目标函数值和约束违反度计算后传送到切比雪夫算法中，计算公式为：其中，rf为当前种群中可行解数量与种群数之比；S103，根据计算得...

【专利技术属性】
技术研发人员：吴敏，黄雯蒂，陈略峰，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42