李 乾 張海山 邱 康 王孝山 黃 召 杜 鵬 蘇志波 雷 磊

（1.中國(guó)石油化工股份有限公司上海海洋油氣分公司 上海 200120；2.中海石油（中國(guó)）有限公司上海分公司 上海 200335）

目前，在東海深部地層鉆進(jìn)中使用的鉆頭以PDC鉆頭為主，在GZZ、YY、YQ等多個(gè)區(qū)塊的多口井中出現(xiàn)了鉆頭進(jìn)尺少、機(jī)械鉆速低的情況（如井NB22-1-3、NB27-5-1、NB27-5-2等），究其原因主要是所選用鉆頭與地層性質(zhì)匹配性不足。為解決這一問(wèn)題，需要對(duì)東海深部地層性質(zhì)進(jìn)行進(jìn)一步研究。巖石可鉆性是反映地層性質(zhì)最全面的參數(shù)[1]，反映巖石被鉆進(jìn)的難易程度，是每個(gè)鉆頭廠家進(jìn)行鉆頭選型的重要依據(jù)之一，對(duì)深部地層巖石可鉆性的精準(zhǔn)預(yù)測(cè)有助于鉆頭的合理選型，從而提速增效。巖石可鉆性級(jí)值可以通過(guò)巖石可鉆性實(shí)驗(yàn)直接測(cè)量或從測(cè)井?dāng)?shù)據(jù)解釋得到[2]?，F(xiàn)行的巖石可鉆性室內(nèi)微鉆實(shí)驗(yàn)操作比較復(fù)雜，實(shí)驗(yàn)成本高、周期長(zhǎng)[3]，得到的數(shù)據(jù)點(diǎn)有限且離散，不能對(duì)東海深部地層巖石可鉆性進(jìn)行全面測(cè)定。因此，如何通過(guò)測(cè)井?dāng)?shù)據(jù)來(lái)準(zhǔn)確預(yù)測(cè)巖石可鉆性就尤為重要。筆者以東海深層巖心的室內(nèi)微鉆實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，建立了測(cè)井參數(shù)預(yù)測(cè)巖石可鉆性的非線性多元回歸模型，之后利用Matlab數(shù)學(xué)軟件建立了各類(lèi)型的高質(zhì)量人工神經(jīng)網(wǎng)絡(luò)模型對(duì)巖石可鉆性進(jìn)行預(yù)測(cè)。優(yōu)選出適合于東海深部地層的巖石可鉆性預(yù)測(cè)方法，旨在為今后東海區(qū)域鉆頭選型和設(shè)計(jì)提供依據(jù)。

1 非線性多元回歸方法預(yù)測(cè)巖石可鉆性

本文的巖石可鉆性研究主要針對(duì)的是砂巖地層（包括砂泥巖），巖石可鉆性級(jí)值是通過(guò)室內(nèi)微鉆實(shí)驗(yàn)實(shí)測(cè)得到，實(shí)驗(yàn)過(guò)程中并沒(méi)有對(duì)巖樣加圍壓，測(cè)定的巖石可鉆性級(jí)值相比于實(shí)際值會(huì)偏小，但不會(huì)影響模型的建立。由于現(xiàn)場(chǎng)取心時(shí)巖心收獲率一般達(dá)不到100%，鉆具長(zhǎng)度測(cè)量存在誤差，鉆具在井內(nèi)彎曲導(dǎo)致測(cè)量誤差等因素，使得巖心深度標(biāo)定不準(zhǔn)確，需要對(duì)巖心深度進(jìn)行歸位以保證取心深度與測(cè)井?dāng)?shù)據(jù)的統(tǒng)一性。筆者采用巖心巖性分析的孔隙度、滲透率與測(cè)井計(jì)算值對(duì)比同時(shí)兼顧取心巖樣描述對(duì)巖心進(jìn)行深度歸位。

國(guó)內(nèi)外學(xué)者的研究表明[4-5]，巖石可鉆性隨巖石聲波時(shí)差減小而變差。對(duì)于相同巖性的地層而言，隨著地層密度的增加，地層孔隙度變小，巖石可鉆性變差。巖石的電阻率與巖石的致密程度有關(guān)，隨著電阻率升高，巖石致密性增加可鉆性變差。由于東海深部地層平均深度在3 500 m之下，井下情況復(fù)雜，測(cè)井資料可靠性受到一定影響，為了提高建模的準(zhǔn)確性，需要去除干擾點(diǎn)后建立多測(cè)井參數(shù)預(yù)測(cè)巖石可鉆性的計(jì)算模型，去除干擾點(diǎn)后的聲波時(shí)差、密度、電阻率和巖石可鉆性數(shù)據(jù)統(tǒng)計(jì)結(jié)果見(jiàn)表1。

表1 測(cè)井參數(shù)與巖石可鉆性數(shù)據(jù)表Table1 Data of well logging parameters and rock drillability

采用非線性多元回歸的方法，建立多測(cè)井參數(shù)預(yù)測(cè)巖石可鉆性的計(jì)算模型。根據(jù)表1數(shù)據(jù)，以巖石可鉆性級(jí)值Kd為因變量，以聲波時(shí)差Δt、巖石密度ρ、電阻率Rt為自變量，利用Matlab內(nèi)置Nlinfit函數(shù)建立多個(gè)巖石可鉆性預(yù)測(cè)模型，對(duì)比各模型相關(guān)系數(shù)R和標(biāo)準(zhǔn)誤差Rmse后，優(yōu)選出模型（置信水平95%）：

對(duì)該計(jì)算模型進(jìn)行總體顯著性檢驗(yàn)，根據(jù)自變量數(shù)目為3，自由度為21，計(jì)算得F檢驗(yàn)值為F=49.466 7。查F（0.05）檢驗(yàn)分布表，在置信水平95%條件下對(duì)應(yīng)的F臨界值為F0=3.072，由此可得F?F0。因此，該數(shù)學(xué)計(jì)算模型的回歸結(jié)果高度顯著，可用來(lái)對(duì)巖石可鉆性進(jìn)行預(yù)測(cè)評(píng)價(jià)。

2 人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)巖石可鉆性

目前，常用的人工神經(jīng)網(wǎng)絡(luò)包含線性神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、徑向基RBF神經(jīng)網(wǎng)絡(luò)、自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)等[6]。BP神經(jīng)網(wǎng)絡(luò)屬于前向網(wǎng)絡(luò)，是前向網(wǎng)絡(luò)的核心部分，被廣泛應(yīng)用于逼近、回歸、分類(lèi)識(shí)別等領(lǐng)域。徑向基神經(jīng)網(wǎng)絡(luò)是近些年才提出和研究的，其逐漸被證明對(duì)非線性網(wǎng)絡(luò)具有一致逼近的性能，逐步在不同行業(yè)和領(lǐng)域得到了廣泛應(yīng)用。

目前，在研究巖石可鉆性過(guò)程中應(yīng)用人工智能的方法還處于初級(jí)階段[7-9]。本文中，筆者選用常規(guī)BP神經(jīng)網(wǎng)絡(luò)、級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)、徑向基RBF神經(jīng)網(wǎng)絡(luò)、BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)巖石可鉆性。

2.1 常規(guī)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)巖石可鉆性

目前已經(jīng)證實(shí)，任何線性和非線性的函數(shù)不需要增加隱藏層層數(shù)，而只需要增加隱藏層中神經(jīng)元的數(shù)量，就可以用三層網(wǎng)絡(luò)無(wú)限逼近[10]，因此筆者在建立常規(guī)BP神經(jīng)網(wǎng)絡(luò)和級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)時(shí)采用三層網(wǎng)絡(luò)結(jié)構(gòu)。用與巖石可鉆性密切相關(guān)的測(cè)井參數(shù)（Δt、ρ、Rt）作為輸入層的輸入變量，以實(shí)測(cè)巖石可鉆性級(jí)值Kd作為輸出層的期望輸出值，根據(jù)經(jīng)驗(yàn)選擇15個(gè)隱含層節(jié)點(diǎn)，構(gòu)成巖石可鉆性級(jí)值預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

圖1 常規(guī)BP神經(jīng)網(wǎng)絡(luò)巖石可鉆性模型示意圖Fig.1 Schematic diagram of rock drillability grade value based on conventional BP neural network model

本研究中，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用Traimlm函數(shù)，該訓(xùn)練函數(shù)具有訓(xùn)練速度快且預(yù)測(cè)精度高的特點(diǎn)，傳遞函數(shù)采用Tan-Sigmoid函數(shù)，以均方誤差作為評(píng)價(jià)指標(biāo)。在輸入變量中隨機(jī)抽取70%用于訓(xùn)練，15%用于驗(yàn)證，15%用于測(cè)試，并采用提前終止的策略，防止過(guò)擬合。根據(jù)經(jīng)驗(yàn)，隨著訓(xùn)練樣本擬合誤差減小，測(cè)試誤差也隨之減小，但隨著訓(xùn)練樣本擬合誤差減小到某極小值后，測(cè)試誤差會(huì)有很大概率增加。這說(shuō)明網(wǎng)絡(luò)泛化能力降低了。為了降低這種情況的發(fā)生概率，將訓(xùn)練樣本的訓(xùn)練誤差閾值取為0.01，同時(shí)，為了防止誤差達(dá)到閾值以下時(shí)，驗(yàn)證樣本的誤差增大過(guò)多，導(dǎo)致訓(xùn)練失效陷入局部最優(yōu)，將驗(yàn)證誤差不減小次數(shù)的判定值設(shè)為3，保證建立的神經(jīng)網(wǎng)絡(luò)的驗(yàn)證誤差出現(xiàn)3次迭代均不減小就結(jié)束訓(xùn)練。

筆者以表1數(shù)據(jù)為依據(jù)，以實(shí)測(cè)巖石可鉆性級(jí)值為期望輸出量，以Δt、ρ、Rt為輸入量，采用BP神經(jīng)網(wǎng)絡(luò)程序?qū)Ρ?樣本數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)。由于訓(xùn)練結(jié)果依賴(lài)初始隨機(jī)權(quán)值，為了訓(xùn)練出優(yōu)質(zhì)的BP網(wǎng)絡(luò)，筆者利用for循環(huán)進(jìn)行編程，建立一萬(wàn)個(gè)BP神經(jīng)網(wǎng)絡(luò)，以總體樣本的R值和Rmse值作為主要評(píng)價(jià)指標(biāo)，同時(shí)兼顧驗(yàn)證樣本和測(cè)試樣本的R值，對(duì)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)選，最終建立的預(yù)測(cè)數(shù)學(xué)模型見(jiàn)表2。

表2 常規(guī)PB神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)模型數(shù)據(jù)Table2 Data of rock drillability grade value prediction model based on conventional PB neural network

利用之前優(yōu)選的多元回歸模型和上述建立的常規(guī)BP神經(jīng)網(wǎng)絡(luò)對(duì)巖石可鉆性進(jìn)行了回歸檢驗(yàn)，其預(yù)測(cè)結(jié)果見(jiàn)表3。預(yù)測(cè)巖石可鉆性級(jí)值與實(shí)測(cè)值之間相關(guān)系數(shù)R=0.974 9，標(biāo)準(zhǔn)誤差Rmse=0.164 3，平均誤差率為2.52%，比多元回歸模型的誤差率5.14%小1倍，最大誤差率為10.94%，小于多元回歸的15.79%，擬合效果很好。

表3 常規(guī)BP神經(jīng)網(wǎng)絡(luò)與多元回歸分析法巖石可鉆性預(yù)測(cè)結(jié)果比較Table3 Comparison of rock drillability grade value prediction results between conventional BP neural network and multiple regression analysis

2.2 級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)可鉆性

圖2 級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)模型示意圖Fig.2 Schematic diagram of rock drillability grade value based on cascade BP neural network model

為了提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的穩(wěn)定性，考慮在輸入層與輸出層之間增加連接權(quán)值。級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示。采用級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)程序?qū)Ρ?樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，方法同上述常規(guī)BP神經(jīng)網(wǎng)絡(luò)建立方法，建立一萬(wàn)個(gè)級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)并優(yōu)選。最終優(yōu)選的級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型見(jiàn)表4。利用多元回歸模型和級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)分別對(duì)巖石可鉆性進(jìn)行了回歸檢驗(yàn)，其預(yù)測(cè)結(jié)果見(jiàn)表5。預(yù)測(cè)的可鉆性級(jí)值與實(shí)測(cè)值之間相關(guān)系數(shù)R=0.981 8，平均相對(duì)誤差為2.53%，與常規(guī)BP神經(jīng)網(wǎng)絡(luò)接近，但相比常規(guī)BP神經(jīng)網(wǎng)絡(luò)，標(biāo)準(zhǔn)誤差Rmse=0.136 7＜0.164 3，最大相對(duì)誤差不超過(guò)10%，殘差平方和Rss=0.467 9＜0.674 6，穩(wěn)定性相比常規(guī)BP神經(jīng)網(wǎng)絡(luò)有一定提升。

2.3 徑向基RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)可鉆性

盡管在神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)占多數(shù)，但其也有難以克服的局限性。首先，其需要的參數(shù)較多且不確定。BP神經(jīng)網(wǎng)絡(luò)的層數(shù)、每層神經(jīng)元個(gè)數(shù)都需要人為指定，導(dǎo)致算法不穩(wěn)定。其次，初始權(quán)重具有隨機(jī)性，訓(xùn)練網(wǎng)絡(luò)質(zhì)量的好壞與初始權(quán)值有很大關(guān)系，為了獲得優(yōu)質(zhì)神經(jīng)網(wǎng)絡(luò)，必須要采用多次運(yùn)行以及修改算法等方式，這無(wú)疑降低了神經(jīng)網(wǎng)絡(luò)建立的效率。相比BP神經(jīng)網(wǎng)絡(luò)，徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，是三層網(wǎng)絡(luò)，只有一個(gè)隱含層，神經(jīng)元個(gè)數(shù)在訓(xùn)練時(shí)會(huì)逐個(gè)增加直到滿(mǎn)足要求的訓(xùn)練誤差為止。

表4 級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)模型數(shù)據(jù)Table4 Data of rock drillability grade value prediction model based on cascade BP neural network

表5 級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)與常規(guī)BP神經(jīng)網(wǎng)絡(luò)的巖石可鉆性預(yù)測(cè)結(jié)果比較Table5 Comparison of prediction results of rock drillability grade value between cascade BP neural network and conventional BP neural network

筆者采用廣義徑向基神經(jīng)網(wǎng)絡(luò)對(duì)表1數(shù)據(jù)進(jìn)行學(xué)習(xí)，設(shè)置誤差容限為0.01，擴(kuò)散因子5，最大神經(jīng)元個(gè)數(shù)26。構(gòu)建的徑向基神經(jīng)網(wǎng)絡(luò)模型如圖3所示。建立的數(shù)學(xué)模型見(jiàn)表6。

圖3 徑向基RBF神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)模型示意圖Fig.3 Schematic diagram of rock drillability grade value based on radial basis function neural network model

表6 徑向基神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)模型數(shù)據(jù)Table6 Data of rock drill ability grade value prediction model based on RBF radial basis function neural network

表7所示為徑向基神經(jīng)網(wǎng)絡(luò)對(duì)巖石可鉆性級(jí)值的預(yù)測(cè)值與預(yù)測(cè)相對(duì)誤差，平均相對(duì)誤差為1.37%，最大相對(duì)誤差不超過(guò)7%，與級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)相比，在訓(xùn)練誤差均取值為0.01時(shí)，徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差更小，穩(wěn)定性更好。

表7 徑向基神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)結(jié)果Table7 Prediction results of rock drillability grade value based on radial basis function neural network

2.4 BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)可鉆性

單一的神經(jīng)網(wǎng)絡(luò)模型如果想要提高計(jì)算的準(zhǔn)確性往往需要添加更多的輸入層變量、隱藏層的層數(shù)以及神經(jīng)元個(gè)數(shù)，這必然會(huì)帶來(lái)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的復(fù)雜化，會(huì)大大降低網(wǎng)絡(luò)的學(xué)習(xí)速率。為了解決這一矛盾，筆者嘗試將級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)與RBF徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行級(jí)聯(lián)得到BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在盡量簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的條件下，提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)巖石可鉆性的準(zhǔn)確性。BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖4所示。模型分為兩部分，第一部分是利用級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)對(duì)各類(lèi)型測(cè)井?dāng)?shù)據(jù)進(jìn)行處理，輸出巖石可鉆性初步預(yù)測(cè)值；第二部分是利用RBF神經(jīng)網(wǎng)絡(luò)準(zhǔn)確高效提取同類(lèi)信息特征的優(yōu)勢(shì)，以上一步得到的巖石可鉆性初步預(yù)測(cè)值作為輸入變量，并加入能夠反映巖石可鉆性的巖石特征參數(shù)，經(jīng)RBF神經(jīng)網(wǎng)路處理后得到巖石可鉆性最終預(yù)測(cè)值。巖石特征參數(shù)包括巖石硬度、抗壓強(qiáng)度等，可利用專(zhuān)業(yè)軟件對(duì)測(cè)井?dāng)?shù)據(jù)解釋得到，也可通過(guò)室內(nèi)試驗(yàn)測(cè)定。BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)對(duì)巖石可鉆性級(jí)值的預(yù)測(cè)值與預(yù)測(cè)相對(duì)誤差見(jiàn)表8，由表8可知平均相對(duì)誤差為1.12%，最大相對(duì)誤差不超過(guò)5%。相比于單一BP神經(jīng)網(wǎng)絡(luò)和RBF徑向基神經(jīng)網(wǎng)絡(luò)，BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差更小，穩(wěn)定性更好，說(shuō)明二者的級(jí)聯(lián)可以對(duì)東海深部地層的巖石可鉆性進(jìn)行更準(zhǔn)確的預(yù)測(cè)。

圖4 BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)模型Fig.4 Prediction model of rock drillability grade value based on BP-RBF double cascade neural network

表8 BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)巖石可鉆性預(yù)測(cè)結(jié)果Table8 Prediction results of rock drillability grade value based on BP-RBF double cascade neural network

3 實(shí)例分析

為了進(jìn)一步對(duì)比非線性多元回歸與人工神經(jīng)網(wǎng)絡(luò)對(duì)巖石可鉆性級(jí)值的預(yù)測(cè)可靠性，驗(yàn)證神經(jīng)網(wǎng)絡(luò)在巖石可鉆性預(yù)測(cè)方面的優(yōu)勢(shì)。筆者以東海HG、GZZ等4個(gè)區(qū)塊7口井的20塊巖心的巖石硬度、抗壓強(qiáng)度數(shù)據(jù)以及對(duì)應(yīng)巖心深度的地層測(cè)井?dāng)?shù)據(jù)為訓(xùn)練樣本，為了充分利用訓(xùn)練樣本，采用二維差值法，調(diào)用Interp2和Meshgird函數(shù)將20個(gè)樣本擴(kuò)充到100個(gè)。用前文的方法分別建立了非線性多元回歸模型、級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)模型、RBF徑向基神經(jīng)網(wǎng)絡(luò)模型和BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)模型等4種模型對(duì)近年來(lái)在東海YY區(qū)塊所鉆YY-4井和YY-5井的巖石可鉆性級(jí)值預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果的對(duì)比見(jiàn)表9。由表9可以看出，人工神經(jīng)網(wǎng)絡(luò)相比于非線性多元回歸對(duì)巖石可鉆性級(jí)值的預(yù)測(cè)效果更好，滿(mǎn)足工程要求，其中，BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果最好，該方法可快速建立東海深部地層巖石可鉆性剖面并掌握其分布規(guī)律，進(jìn)而為新井鉆頭選型提供依據(jù)，對(duì)提高東海深部地層的機(jī)械鉆速有重要的指導(dǎo)意義。

表9 巖石可鉆性級(jí)值預(yù)測(cè)精度對(duì)比Table9 Comparison of prediction accuracy of rock drillability class value

4 結(jié)論

1）本文室內(nèi)微鉆實(shí)驗(yàn)實(shí)測(cè)東海深部地層巖石可鉆性級(jí)值范圍為2～6，受常溫常壓實(shí)驗(yàn)條件影響，該實(shí)驗(yàn)結(jié)果比實(shí)際巖石可鉆性級(jí)值偏小。

2）東海深部地層巖石可鉆性模型預(yù)測(cè)結(jié)果表明，非線性多元回歸模型與常規(guī)BP神經(jīng)網(wǎng)絡(luò)、級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)、徑向基RBF神經(jīng)網(wǎng)絡(luò)、BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)巖石可鉆性結(jié)果均具有較高可信度，但BP-RBF雙級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果最好，更適合于東海深部地層巖石可鉆性預(yù)測(cè)，可優(yōu)先考慮。