试析钻井融合DE与ELM办法的油气钻井成本预测中国论文中心

当前位置: 大雅查重 - 范文 更新时间: 2022-09-07 03:54:49 版权:用户投稿原创标记本站原创
摘要: 钻井成本预测在油气钻井企业成本管理体系中具有重要地位,有助于成本分析与成本控制工作的顺利开展,控制钻井成本过快增长。提出了利用极限学习机对油气钻井成本进行预测,为了寻求全局最优解,整体提高算法的泛化性能,将差分进化算法用于极限学习机的权值优化,即构建DE-ELM模型用于中国石油某公司某区块钻井作业成本的预测。实验结果表明,DE-ELM在预测钻井成本过程中,在精确度方面要优于单纯的极限学习机算法,验证了其应用于钻进成本预测的有效性。
关键词: 钻井成本;差分进化;极限学习机;油气
1009-3044(2013)2源于:论文发表网http://www.328tibet.cn
5-5794-03
研究钻井作业的成本对分析钻井综合成本来讲有很大的意义。经过分析可知,钻井周期、井的类型、所在区块和钻井进尺是影响油气钻井成本的主要因素。
常见的钻井成本预测方法包括:线性回归法、混沌预测、非线性回归法、趋势预测等。为保证预测的精确度,克服传统算法应用于钻井成本预测的不足,一些基于机器学习理论的方法被应用于钻井成本预测,并取得了良好的效果。例如,将非线性的BP神经网络用于钻井成本预测,旨在提高预测精度。然而,神经网络存在显著的缺点,如网络结构难以确定,容易陷入局部最优等。为克服神经网络的不足,有学者以支持向量机代替神经网络进行钻进成本的预测[3],该方法适用于小样本的学习,提高了预测的稳定性。然而,支持向量机的核函数选择与相应核参数需要依赖经验进行设置,参数寻优过程的时间复杂度高。
因此,为克服上述方法的不足,该文采用极限学习机(Extreme Learning Machine,ELM)作为预测算法,然而,ELM对于未知测试集合响应速度慢,因此,在算法的训练过程中,引入差分进化算法(Differential Evolution,DE)[4],对整个ELM的权值进行优化,旨在寻求全局最优解,整体提高算法的泛化性能。即构建DE-ELM模型进行油气钻井成本的预测,检验其预测性能,验证其有效性和实用性。
1 ELM算法

2.3 结果及分析

为验证本文所提出DE-ELM方法对油气钻井成本预测的有效性,该文将选择DE算法的8种不同参数组合对DE-ELM模型进行验证,这8种组合来自于DE算法中不同的变异策略,实验中,将缩放因子[F]和交叉率[CR]设置不同的值,其具体信息如表1所示。
将DE的初始种群规模NP设置为20,最大迭代次数设置为20。为了对本文提出的方法的性能进行评价,该文采用均方根误差(RMSE)来验证算法的预测精度,均方根误差越小说明模型的性能越好。图1显示了DE-ELM算法的8种不同组合的RMSE随着迭代次数的变化情况,由图可知,对于DE-ELM模型,不同的DE参数组合,会对算法的预测精度有细微的影响。总体来看,收敛速度相差不大。当[F]=1,[CR]=0.8时,即C8-DE-ELM,算法的收敛效果最佳,在算法迭代过程中,RMSE较小,最小值达到0.0154,而当[F]=0.5,[CR]=0.2时,模型的预测精度波动较大。当算法的迭代次数达到第20次时,由图可知,C1-DE-ELM精度最差,C5-DE-ELM次之,而C8-DE-ELM最优。
无论DE算法采用何种变异策略,缩放因子[F]和交叉率[CR]设置不同值,DE-ELM模型的预测精确度都能达到性能要求,验证了其预测精度较高的优势。因此,DE-ELM模型可用于油气钻井成本的预测,并且可靠性高,预测结果相对较好。
3 结论
本文根据钻井成本的影响因素,利用差分进化算法与极限学习机算法预测钻井成本,建立了用于预测钻井成本的DE-ELM模型。通过实验可知,在进行钻井成本预测时DE-ELM模型的预测精度较高,其预测最小均方根误差达到了0.0154,显示了模型良好的收敛能力与预测精度,验证了其在钻井成本预测中的有效性。
参考文献:
樊明悟,李志学,冯力丹.油气钻井作业成本动因实证研究[J].西南石油大学学报,2007(1):113-117.
刘天时,赵越,马刚. 基于BP神经网络的油气钻井成本[J]. 西安石油大学学报:自然科学版,2010(1):87-90.
[3] 马加传. 基于支持向量回归的钻井成本预测方法研究与应用[D]. 西安石油大学, 2010.
[4] Zhu Q Y, Qin A K, Suganthan P N,et al. Evolutionary extreme learning machine[J].Pattern Recognition, 2005, 38(10):1759-1763.