邵婷婷, 亓宏濤, 肖劍, 秦俊, 王可可

(1. 延安大學(xué) 物理與電子信息學(xué)院， 延安 716000； 2. 延安大學(xué) 信息與通信工程研究所， 延安 716000)

基于神經(jīng)網(wǎng)絡(luò)的井眼姿態(tài)測量誤差補(bǔ)償研究

邵婷婷1,2, 亓宏濤1, 肖劍1, 秦俊1, 王可可1

(1. 延安大學(xué) 物理與電子信息學(xué)院， 延安 716000； 2. 延安大學(xué) 信息與通信工程研究所， 延安 716000)

分析了國內(nèi)常用磁性電子測斜儀在工作過程中可能存在的誤差及其來源。對井眼姿態(tài)測量中的主要測量參數(shù)井斜角和方位角，采用徑向基函數(shù)(RBF)和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)算法，分別建立了以實(shí)測井斜角為輸入、標(biāo)準(zhǔn)井斜角為輸出的單入單出網(wǎng)絡(luò)模型，和以實(shí)測井斜角和方位角構(gòu)成的二維向量為輸入、標(biāo)準(zhǔn)方位角構(gòu)成的一維向量為輸出的雙入單出網(wǎng)絡(luò)模型，并用測斜儀器的測量數(shù)據(jù)進(jìn)行了測試。測試結(jié)果表明，采用RBF和BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償算法，可將井斜角的測量精度提高至±0.16°以內(nèi)，方位角的測量精度提高至±1.7°以內(nèi)，誤差補(bǔ)償效果較好。

井眼； 井斜角； 方位角； 神經(jīng)網(wǎng)絡(luò)； 誤差補(bǔ)償

0 引言

石油是重要的一次能源，原油的開采需要經(jīng)過探、鉆、測、壓等多個環(huán)節(jié)，其中油井井眼的姿態(tài)測量是測井技術(shù)的重要組成部分，實(shí)際作業(yè)過程中由測斜儀器測量的井斜角和方位角等參數(shù)來描述[1]，井斜角是油井井軸與測斜儀器鉛垂線的夾角，方位角是指儀器在水平面上的投影與磁北方向間的夾角[2]。由磁傳感器和加速度計(jì)構(gòu)成的磁性電子測斜儀，因體積小、功耗低、抗振動和沖擊性能好等優(yōu)點(diǎn)，在各大油田得到了廣泛的應(yīng)用[3]。測斜儀井斜角和方位角的測量范圍分別是0°～90°，0°～360°，國外測斜儀測量精度分別為±0.1°，±1°，而國內(nèi)測斜儀的精度分別為±0.2°，±2°[4]。隨著油田開發(fā)程度的加深，對測斜儀器測量精度的要求也越來越高。本文針對國內(nèi)常用的磁性電子測斜儀，對井斜角基于徑向基RBF網(wǎng)絡(luò)函數(shù)，建立了以測量井斜角為輸入、補(bǔ)償后的井斜角為輸出的單入單出神經(jīng)網(wǎng)絡(luò)模型，對方位角基于誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)函數(shù)，建立了以實(shí)測井斜角和方位角構(gòu)成的二維向量為輸入、標(biāo)準(zhǔn)方位角構(gòu)成的一維向量為輸出的雙入單出神經(jīng)網(wǎng)絡(luò)模型，并均進(jìn)行了現(xiàn)場測試。測試結(jié)果表明，采用RBF和BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償算法，可將井斜角的測量精度提高至±0.16°以內(nèi)，方位角的測量精度提高至±1.7°以內(nèi)。

1 誤差分析

磁性電子測斜儀的核心是由三軸磁通門和加速度計(jì)及其相關(guān)電路組成，其中三個磁通門傳感器按照正交方式沿測斜儀軸線安裝。按照根據(jù)相關(guān)理論，可得方位角φ、井斜角θ和工具面角γ的公式[5]。

影響井眼姿態(tài)測量精度的因素有很多，如傳感器數(shù)據(jù)的測量誤差、傳感器在儀器坐標(biāo)系上的安裝誤差、溫度的漂移誤差和井眼環(huán)境的磁干擾等[6]。最小二乘法、共軛梯度法、最大似然法等方法均需要根據(jù)誤差的來源建立校正模型以提高測量精度，但因誤差復(fù)雜多樣，建立準(zhǔn)確的數(shù)學(xué)模型是比較困難的。神經(jīng)網(wǎng)絡(luò)技術(shù)誤差校正不需要建立準(zhǔn)確的數(shù)學(xué)模型，對采集的測斜儀井斜角和方位角測量值學(xué)習(xí)樣本進(jìn)行建模訓(xùn)練，使之高精度逼近測斜儀測量值輸入與輸出之間的非線性關(guān)系，就可以提高測量精度。

2 神經(jīng)網(wǎng)絡(luò)誤差補(bǔ)償模型建立

本文井斜角的測量誤差校正采用RBF(radical basis function)神經(jīng)網(wǎng)絡(luò)，具有收斂速度快、精度高和可靠性強(qiáng)的優(yōu)點(diǎn)[7]。方位角的測量誤差校正采用BP(back propagation)神經(jīng)網(wǎng)絡(luò)，具有網(wǎng)絡(luò)結(jié)構(gòu)簡單，可作用于全局，并行分布處理方式的優(yōu)點(diǎn)[8]。學(xué)習(xí)樣本測試點(diǎn)的選取關(guān)系到誤差校正模型的可靠性，既要反映出測斜儀井斜角、方位角輸出數(shù)據(jù)的特點(diǎn)，又要覆蓋測斜儀實(shí)際應(yīng)用中的測量范圍。

2.1 井斜角誤差模型的建立

根據(jù)調(diào)研，鄂爾多盆地中心地帶的陜北石油基地，油井的井斜范圍相對比較集中，多分布在10°～35°。因此，本文采用高精度兩軸位置轉(zhuǎn)臺，分別在井斜角10°，13°，16°，21°，23°，25°，29°， 30°，32°，35°時取樣測試點(diǎn)，作為井斜角的訓(xùn)練樣本，進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)模型的建立。

本文以實(shí)測井斜角為輸入、標(biāo)準(zhǔn)井斜角為輸出，建立一個單入單出的三層RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。采用函數(shù)newrb(P,T,goal,spread,MN,DF) 建立井斜角的誤差補(bǔ)償RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中P 為輸入樣本，T為目標(biāo)數(shù)據(jù)；goal為均方誤差，本文設(shè)置為0.000 1；spread為徑向基函數(shù)的分布密度，本文設(shè)置為0.85；MN最大神經(jīng)元數(shù)目，本文設(shè)置為1；DF為兩次顯示之間的神經(jīng)元數(shù)目，本文設(shè)置為每次1個。

2.2 方位角誤差模型的建立

本文采用高精度兩軸位置轉(zhuǎn)臺，分別在井斜角10°，12°，16°，18°，20°，23°，26°，28°， 30°，32°，33°，35°時，方位角在0°～360°每隔30°獲取取樣測試點(diǎn)，作為方位角的訓(xùn)練樣本，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型的建立。

本文采用實(shí)測井斜角和方位角構(gòu)成的二維向量為輸入、標(biāo)準(zhǔn)方位角構(gòu)成的一維向量為輸出，建立了一個雙入單出的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

本文采用函數(shù)newff(PR,[S1 S2 S3],{TF1 TF2 TF3},BTF)建立方位角的誤差補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中PR為輸入樣本；S1為輸入維數(shù)，本文取2；S2為隱含層神經(jīng)元個數(shù)，通過試湊驗(yàn)證，本文取7；S3為輸出維數(shù)，本文取1；TFi為各層傳輸函數(shù)，輸入層和隱含層的傳輸函數(shù)取tansig，輸出層的傳輸函數(shù)為purelin；BTF為BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)，本文取traingdx，學(xué)習(xí)函數(shù)取learngdm，性能函數(shù)取mse。BP網(wǎng)絡(luò)訓(xùn)練需要確定訓(xùn)練參數(shù)，由于采集的方位角數(shù)據(jù)樣本比較多，本文將最大收斂次數(shù)設(shè)置為10000；訓(xùn)練目標(biāo)誤差設(shè)置為10-5；顯示間隔設(shè)置越小，收斂過程越慢，最大收斂次數(shù)越難達(dá)到，經(jīng)過試驗(yàn)本文將顯示間隔設(shè)置為200；網(wǎng)絡(luò)的學(xué)習(xí)速率越小，則訓(xùn)練周期越長，收斂越慢，本文將收斂速率設(shè)置為0.05；網(wǎng)絡(luò)動量因子取0.9。

3 實(shí)驗(yàn)數(shù)據(jù)及結(jié)果分析

網(wǎng)絡(luò)模型建立并訓(xùn)練完畢之后，為了測試補(bǔ)償效果，在同一實(shí)驗(yàn)條件下，對部分學(xué)習(xí)樣本和測量數(shù)據(jù)，作為建好的RBF神經(jīng)網(wǎng)絡(luò)模型輸入，經(jīng)仿真得到補(bǔ)償后的井斜角；分別對誤差最大的井斜15°時的方位角學(xué)習(xí)樣本數(shù)據(jù)和井斜25°時的方位角測量數(shù)據(jù)，作為建好的BP網(wǎng)絡(luò)模型的輸入，經(jīng)仿真得到補(bǔ)償后的方位角。相關(guān)取樣數(shù)據(jù)和測試測量數(shù)據(jù),如表1、表2所示。

表1(a) 井斜角學(xué)習(xí)樣本取樣數(shù)據(jù)

表1(b) 誤差補(bǔ)償后井斜角測試測量數(shù)據(jù)

由實(shí)驗(yàn)數(shù)據(jù)可知，轉(zhuǎn)臺上實(shí)測井斜角補(bǔ)償前誤差最大可達(dá)±0.72°，經(jīng)過RBF神經(jīng)網(wǎng)絡(luò)補(bǔ)償后，測試的井斜角精度提高至±0.16°；轉(zhuǎn)臺上實(shí)測方位角補(bǔ)償前在井斜20°時，誤差最大可達(dá)±2.1°，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償后方位角訓(xùn)練樣本和測試數(shù)據(jù)的校正誤差均提高至±1.7°以內(nèi)，井斜角和方位角的測量精度均得到了改善。

4 總結(jié)

本文針對國內(nèi)常用的磁性電子測斜儀，基于徑向基RBF網(wǎng)絡(luò)函數(shù)和誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)函數(shù)，分別對井眼姿態(tài)測量參數(shù)井斜角和方位角，建立了誤差校正模型，并在同一實(shí)驗(yàn)條件下進(jìn)行了現(xiàn)場測試。測試結(jié)果表明，采用RBF

表2(a) 方位角學(xué)習(xí)樣本取樣數(shù)據(jù)

表2(b) BP網(wǎng)絡(luò)誤差校正后方位角測試測量數(shù)據(jù)

和BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償算法，可將井斜角的測量精度提高至±0.16°以內(nèi)，方位角的測量精度提高至±1.7°以內(nèi)。

[1] 邵婷婷, 張博超, 周美麗等. 基于RBF神網(wǎng)絡(luò)的測斜儀方位角校正研究[J]. 國外電子測量技術(shù)，2016, 35(2):77-79.

[2] 謝川. 一種基于磁強(qiáng)計(jì)和傾角傳感器的鉆井測斜儀[J].儀器儀表學(xué)報(bào)，2010, 31(10):2357-2361.

[3] 趙代弟, 張曉明, 賴正喜等. 油井套管中測斜儀方位角精確解算方法[J]. 測試技術(shù)學(xué)報(bào), 2015, 29(1): 63-67.

[4] 鄺學(xué)農(nóng). 連續(xù)測斜方法的研究和儀器設(shè)計(jì)[D]. 西安: 西安石油大學(xué), 2007.2-3.

[5] 王琪, 李孟委, 王增躍等. 基于隧道磁阻傳感器的三維電子羅盤設(shè)計(jì)[J]. 傳感技術(shù)學(xué)報(bào), 2015, 28(6): 895-899.

[6] 潘萌, 程為彬, 嘉宏亮等. 一種測斜儀安裝位置誤差補(bǔ)償方法[J]. 測試技術(shù)學(xué)報(bào), 2014, 28(3): 219-224.

[7] 儲兵, 吳陳, 楊習(xí)貝. 基于RBF神經(jīng)網(wǎng)絡(luò)與粗糙集的數(shù)據(jù)挖掘算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2013, 23(7): 87-90.

[8] 野雪蓮, 楊孔雨. 輿情趨勢預(yù)測中神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法[J]. 網(wǎng)絡(luò)新媒體技術(shù), 2016, 5(1): 33-37.

Study on Measuring Error Compensation of Borehole Attitude Based on Neural Network

Shao Tingting1,2,Qi Hongtao1,Xiao Jian1,Qin Jun1,Wang Keke1

(1. College of Physics and Electronic Information，Yan’an University，Yan’an 716000，China;2. Institute of Information and Communication Engineering,Yan’an University,Yan’an 716000,China)

The possible error and source of domestic common magnetic dip meter are analyzed. For the angle of deviation, according to the radial basis function (RBF) compensation algorithm, a neural network is established, and its input is the measured deviation angle and output is the compensated deviation angle. For the azimuth, according to the error back propagation (BP) compensation algorithm, a neural network is also established, and its input is a two dimensional vector whose components are measured deviation angle and azimuth, and its output is the expected azimuth. The sampling data of the magnetic dip meter are used to test, and the experiment results show that, using the RBF and BP neural network compensate algorithms, the angle of deviation precision can be improved to ±0.16°, and the azimuth precision can be improved to ±1.7°.

Borehole; Angle of deviation; Azimuth; Neural network; Error compensation

陜西省科技廳項(xiàng)目(2014JM2-5058) 陜西省教育廳項(xiàng)目(15JK1827),延安市科學(xué)技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(2014KG-02),延安大學(xué)高水平大學(xué)學(xué)科建設(shè)項(xiàng)目(2015SXTS02),2015年陜西省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(1433)

邵婷婷(1982-)女，山東淄博人，西北工業(yè)大學(xué)，碩士研究生，副教授，研究方向：智能控制與信息處理，延安 716000 亓宏濤(1994-)男，陜西咸陽人，延安大學(xué)電子信息工程，碩士研究生，研究方向：智能控制與信息處理，延安 716000 肖劍(1993-)男，陜西銅川人，延安大學(xué)電子信息工程，碩士研究生，研究方向：智能控制與信息處理，延安 716000 秦俊(1994-)男，陜西咸陽人，延安大學(xué)電子信息工程，碩士研究生，研究方向：智能控制與信息處理，延安 716000 王可可(1991-)男，陜西寶雞人，延安大學(xué)電子信息工程,碩士研究生，研究方向：智能控制與信息處理，延安 716000

1007-757X(2017)01-0024-03

TP212.9

A

2016.09.21)