基于反馈动态神经网络的油田异常井诊断模型研究

李铁宁

摘要：针对油田异常井诊断的问题，本文提出基于反馈动态神经网络的模型，具有适应性强、学习效率高等特点。结合粒子群算法弥补其训练速度慢和容易陷入局部最小的缺点，给出了模型及算法的优化原则和实现技术。最后根据实际问题，进行了油田异常井诊断模型的具体应用，实验结果证明模型对于异常井诊断具有较高准确性及可行性。

关键字：反馈动态神经网络;粒子群算法;异常井

中图分类号：TP301    文献标识码：A

Study on Diagnosis Modle of Oilfield Abnormal Well Based on Feedback Dynamic Neural Network

Li Tie-ning*

（School of Computer and Information Technology，Northeast Petroleum University，Daqing 163318，China）

Abstract：According to oilfield abnormal well， This paper proposes a dynamic feedback neural network model， this model has the characteristics of strong adaptability and higher learning efficiency. Combined with the particle swarm algorithm to compensate for its training speed  slowly and easy to fall into local minimum points， it gives the principle of optimization model and algorithm and implementation technology. Finally， according to the actual problem， this papers carries on the concrete application of diagnosis modle of oilfield abnormal well， experimental results show that the model for abnormal well has higher diagnostic accuracy and feasibility.

Key words：Feedback dynamic neural network;particle swarm algorithm;abnormal well

1引言

在油田生产过程中，涉及很多因素，比如说地面设备因素、井下设备因素等，只有当各个因素达到平衡状态，油井才可以正常运行。但是由于井下的不确定性以及设备功能结构的复杂性，传统的技术分析难以实时对发生异常的油井进行及时处理，为保证油田安全，需建立诊断油田异常井的模型。反馈动态神经网络是在反馈神经网络模型的基础上提出的，一种带有信息反馈的网络模型，各神经元节点之间按系统的信息流向进行连接，与传统的模型相比，可提高网络学习的效率和稳定性。结合粒子群算法，优化学习算法，可提高收敛速度和鲁棒性。反馈动态神经网络模型有很多种，本文研究的是三层结构的网络模型，提出基于反馈动态神经网络的油田异常井诊断模型，可对异常井进行判断，具有实际操作的可行性。

2 反馈动态神经的概述

反馈动态神经网络由输入层、隐层、反馈层和输出层构成。图1为三层结构的反馈动态神经网络的拓扑结构。其中，输入层有n个节点，用于完成时变信号的输入以及隐层信号的延时反馈;隐层有m个动态神经元节点，实现的功能是对输入的时变信号进行空间加权聚合和激励运算，并接收来自反馈信号;反馈层与隐层的节点数相同，即m个节点，最后一层为输出层。反馈层实现的功能是接收来自隐层的延时输出作为输入信号，并将信号反馈至隐层;输出层将隐层的时变输出信号进行空间加权聚合、时间累积和激励运算得到系统输出[1-3]。

系统输入为：

反馈层传递回来的作为输入的向量为：

隐层中第j（j=1，2，...，m）个神经元在时刻t的输入为：

则该反馈动态神经网络在时刻T的系统输出为：

图1 反馈动态神经网络拓扑图

3 基于粒子群算法的优化模型

粒子群算法是目前广泛应用的基于群体智能搜索策略的进化优化技术，它具有易理解、易实现，搜索能力强等特点。本文在此考虑到目标函数的复杂性，多样性以及学习效率等问题，采用了量子粒子群算法，粒子位置的移动由量子旋转门实现。将传统粒子的移动速度改变转化为量子旋转门角度的更新，位置的变化转变为量子位概率幅的更新。实现网络参数在时变空间的全局化求解，提高模型的学习能力[5-8]。在反馈动态神经网络拓扑结构确定的情况下，利用量子粒子群算法确定网络连接权函数。具体算法步骤如下：

1、初始化连接权值，设置位置及速度;

2、将一维数组的连接权序列进行编码，统一标准化输入/输出数据;

6、进行迭代，直至满足收敛条件为止。

图2 粒子群优化流程图

4 应用

4.1实验结果及分析

所谓异常井，就是井口注入压力异常、注入量异常、水嘴堵塞、仪表异常、嘴后有气穴、地层压力上升或下降等。在实际操作中，分别选取井口注入压力异常及正常井组成的学习样本，网络结构参数选择如下：一个输入节点，10个反馈动态神经元隐层节点，一个输出节点[9-10]。基函数函数选择优化之后的学习算法，将学习样本代入反馈动态神经网络进行训练，输出两条曲线：

图4-1 正常井组

图4-2 压力异常

4.2与其他方法的性能比较

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，不存在反馈环节，是目前应用最广泛的神经网络模型之一。本文将BP神经网络和反馈动态神经网络模型分别对油田异常井注入压力数据进行分析，首先分别采用正常井注入压力数据训练两种模型，然后用注入井压力异常数据作为测试样本，得到结果如下：

表1 两种模型性能比较

由上图可知，在相同的前提下，反馈动态神经网络模型在准确率上要优于BP神经网络模型，提高了诊断的速度，实现了全局优化技术。

5 结论

本文将反馈动态神经网络与粒子群算法结合，并提出优化算法，将该方法运用到实践中去，证明该方法可提高网络的学习效率和稳定性。但反馈动态神经网络在信息处理时要考虑时变信息的向前传输和反馈相结合的问题，因此，对反馈动态神经网络的信息处理机制和流程是接下来研究的一个重要课题。

参考文献：

[1]许少华，何新贵.一种基于过程神经元网络的非线性动态系统辨识模型及应用[J].信

息与控制，2010（2）：一55一163

[2]HoPfieldJJ.NeuralnetworksandPhysiealsystemswithemergenteolleetive

eomPutationalabilities.Proe.oftheNationalAeademyofSeienee，U.S.A.1983，79：

2554一2558.

[3]HintonGE.，Nowlan5J.Howlearningeanguideevolution.ComPlexsystems，1987（l）：

495一502.

[4]何新贵，许少华.过程神经元网络，2007（6）.

[5]刘铁男，段玉波，雷顺.一种混合遗传算法及收敛性分析[J].控制理论与应用，2003（10）.

[6]葛洪伟，靳文辉.变异量子粒子群优化算法在系统辨识中的应用[J].计算机工程与应用，2007，43（29）：222-225.

[7]王璋，冯斌，孙俊.含维变异算子的量子粒子群算法[J].计算机工程与设计，2008年3月29（6）：1478-1481.

[8] Gao X Z，Ovaska S J. Genetic algorithm training of Elman neural network in motor fault detection[J]. Neural Compu-ting & Applications，2002， 11（ 1） ： 37- 44.

[9]张强，许少华.智能动态诊断模型及在示功图识别中的应用[Jl.计算机工程与应用，

2009（5）：215一217

[10]许少华，邵秀凤，张健.自动生成基于模糊神经网络及综合评判技术的油井压裂方

案[J].微型电脑应用，2O02（8）.