基于非均数据和智能优化算法的井漏工况预测方法及系统技术方案

本发明专利技术公开了一种基于非均数据和智能优化算法的井漏工况预测方法及系统包括，通过对多种类型钻井数据进行分析，选取测井数据并进行处理；利用SMOTE插值算法，对测井数据进行改进，建立样本集；利用双混沌映射及精英反向策略对麻雀搜索算法进行改进优化，利用改进后的麻雀搜索算法优化BP神经网络参数，构建预测模型；利用现场数据进行建模验证。本发明专利技术构建了一种基于改进混合麻雀搜索算法

【技术实现步骤摘要】
基于非均数据和智能优化算法的井漏工况预测方法及系统


[0001]本专利技术涉及钻井
，特别是基于非均数据和智能优化算法的井漏工况预测方法及系统。

技术介绍

[0002]随着数字化信息技术的发展，电网企业持续推动智能测控通用终端建设、运行、生产技术升级，以“提质增效”为总体目标，开展智能测控通用终端智能化、一体化建设，充分发挥变电领域数据的生产要素作用，有力支撑数字电网、数字企业、数字服务和数字产业升级。其中，智能测控通用终端可以包括各类电网传感器。
[0003]在传统方式中，智能测控通用终端按专业模块划分，各模块分别进行数据采集以及数据处理，从而使得智能测控通用终端信息孤岛问题突出，智能测控通用终端的数据处理智能化水平较低。
[0004]并且，现有的智能测控通用终端组网方式较为单一，基本为固定式组网方式，组网结构中智能终端的数量和通信距离保持不变，但是在面临通信量超出组网结构中智能终端所能传输的信息量的情况下，要么出现信息传输遗漏，要么重新组网时，对于结构需要大范围调整，消耗大量人力物力；
[0005]在智能测控通用终端进行信息传输过程中，因为数据类型不同，导致最后汇总的信息中存在大量噪声数据，而现有技术要么不进行信息过滤，要么过滤方法效率低下，甚至过滤部分非噪声数据，影响最终的数据融合结果。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于上述现有存在的问题，提出了本专利技术。
[0008]因此，本专利技术所要解决的问题在于如何基于非均数据和智能优化算法的井漏工况预测方法及系统，能够解决
技术介绍
中提到的问题。
[0009]为解决上述技术问题，本专利技术提供如下技术方案，基于非均数据和智能优化算法的井漏工况预测方法，包括：
[0010]通过对多种类型钻井数据进行分析，选取测井数据并进行处理；利用SMOTE插值算法，对测井数据进行改进，建立样本集；利用双混沌映射及精英反向策略对麻雀搜索算法进行改进优化；利用改进后的麻雀搜索算法优化BP神经网络参数，构建预测模型；利用现场数据进行建模验证。
[0011]作为本专利技术所述基于非均数据和智能优化算法的井漏工况预测方法，其中：所述通过对多种类型钻井数据进行分析，选取测井数据包括，通过对多种类型钻井数据进行分析并概括在井漏预测时的优缺点进行选取。
[0012]作为本专利技术所述基于非均数据和智能优化算法的井漏工况预测方法，其中：所述通过对多种类型钻井数据进行分析，选取测井数据还包括，通过数据清洗、数据去噪、数据平滑、输出值处理以及数据归一化进行处理。
[0013]作为本专利技术所述基于非均数据和智能优化算法的井漏工况预测方法，其中：所述利用SMOTE插值算法，对测井数据进行改进，建立样本集包括，采用数据欠采样方法，删除部分正样本，然后通过SMOTE插值算法，修改插值公式实现增加插值范围以及限制插值条件并利用规则策略限制插值的随机性。
[0014]作为本专利技术所述基于非均数据和智能优化算法的井漏工况预测方法，其中：所述利用双混沌映射及精英反向策略对麻雀搜索算法进行改进优化包括如下步骤：
[0015]双混沌映射公式如下：
[0016][0017]其中，t为分割系数，β为随机区分值，n为映射次数，x
n
为第n次映射值；
[0018]更新发现者公式如下：
[0019][0020]其中，R是当前迭代次数，T
max
是最大迭代次数，α是(0,1]范围的随机数，Q是服从正态分布的随机数，L是各元素都为1的一行多维矩阵，R2∈[0,1]和T
S
∈[0.5,1.0]分别代表预警值和安全值；
[0021]加入者位置公式如下：
[0022][0023]其中，X
b
和X
w
分别表示最优位置和最劣位置，A是元素为1或
‑
1的一行多维矩阵；
[0024]精英个体反向解公式如下：
[0025][0026]其中，k是(0,1)范围的随机数，利用随机生成的k值可以生成多个精英反向解，如果生成的反向解超出b
i
和a
i
的上下边界值，则重置反向解，k表示随机值，取值在(0,1)范围内，多次利用k值可以生成多个精英反向解，设定反向解范围为[a
i
,b
i
]，若反向解超出此范围，则进行重置。
[0027]作为本专利技术所述基于非均数据和智能优化算法的井漏工况预测方法，其中：所述利用麻雀搜索算法优化BP神经网络参数，构建预测模型包括设置BP神经网络具体结构、设置适应度计算函数、初始化种群、将随机产生的麻雀种群和BP神经网络相链接计算以及利用初始值建立EMAP
‑
SSA
‑
BP神经网络模型。
[0028]作为本专利技术所述基于非均数据和智能优化算法的井漏工况预测方法，其中：所述
利用现场数据进行建模验证包括，选取现场预测对象，整理其邻井的相关数据，进行模型训练，确定样本数据集。
[0029]基于非均数据和智能优化算法的井漏工况预测系统，其特征在于：包括样本集建立模块、改进优化模块以及验证模块，
[0030]样本集建立模块，其利用SMOTE插值算法，对测井数据进行改进，建立样本集；
[0031]改进优化模块，其利用双混沌映射及精英反向策略对麻雀搜索算法进行改进优化；
[0032]验证模块，其利用现场数据进行建模验证。
[0033]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
[0034]一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
[0035]本专利技术有益效果：本专利技术复杂地层钻井过程中井漏事故频发会严重威胁井筒安全，增加钻井作业成本，传统的通过泥浆池液面、出入口流量等辅助判断井漏复杂的经验方法时效性不足，且受人工干预较大，而现有的井漏智能预测模型存在现场井漏样本不平衡的问题。本专利技术构建了一种基于改进混合麻雀搜索算法
‑
BP神经网络的井漏复杂预测模型，为更好的验证模型的有效性，利用现场数据进行了建模验证，结果表明可以有效解决井漏现场智能预测精度低的问题，可为确保复杂地层深井安全钻井提供理论支持。
附图说明
[0036]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于非均数据和智能优化算法的井漏工况预测方法，其特征在于：包括，通过对多种类型钻井数据进行分析，选取测井数据并进行处理；利用SMOTE插值算法，对测井数据进行改进，建立样本集；利用双混沌映射及精英反向策略对麻雀搜索算法进行改进优化；利用改进后的麻雀搜索算法优化BP神经网络参数，构建预测模型；利用现场数据进行建模验证。2.如权利要求1所述的基于非均数据和智能优化算法的井漏工况预测方法，其特征在于：所述通过对多种类型钻井数据进行分析，选取测井数据包括，通过对多种类型钻井数据进行分析并概括在井漏预测时的优缺点进行选取。3.如权利要求1或2所述的基于非衡数据和智能优化算法的井漏工况预测方法，其特征在于：所述通过对多种类型钻井数据进行分析，选取测井数据还包括通过数据清洗、数据去噪、数据平滑、输出值处理以及数据归一化进行处理。4.如权利要求3所述的基于非均数据和智能优化算法的井漏工况预测方法，其特征在于：所述利用SMOTE插值算法，对测井数据进行改进，建立样本集包括采用数据欠采样方法，删除部分正样本，然后通过SMOTE插值算法，修改插值公式实现增加插值范围以及限制插值条件并利用规则策略限制插值的随机性。5.如权利要求4所述的基于非均数据和智能优化算法的井漏工况预测方法，其特征在于：所述利用双混沌映射及精英反向策略对麻雀搜索算法进行改进优化包括如下步骤：双混沌映射公式如下：其中，t为分割系数，β为随机区分值，n为映射次数，x
n
为第n次映射值；更新发现者公式如下：其中，R是当前迭代次数，T
max
是最大迭代次数，α是(0,1]范围的随机数，Q是服从正态分布的随机数，L是各元素都为1的一行多维矩阵，R2∈[0,1]和T
S
∈[0.5,1.0]分别代表预警值和安全值；加入者位置公式如下：其中，X
b
和X
w
分别表...

【专利技术属性】
技术研发人员：裴纯玉，邓嵩，张怡昕，殷文，潘浩宇，蔡猛，蔡楚楚，时亚东，
申请(专利权)人：常州大学，
类型：发明
国别省市：