试析钻井融合DE与ELM办法油气钻井成本预测
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
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.
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.