BP神经网络在射孔信号识别中的应用

宋 凯，李嘉强

(沈阳理工大学 信息科学与工程学院，沈阳 110159)



BP神经网络在射孔信号识别中的应用

宋 凯，李嘉强

(沈阳理工大学 信息科学与工程学院，沈阳 110159)

将BP神经网络应用于油管传输射孔信号的识别，射孔信号经过小波变换，取小波变换后的一阶分量作为神经网络的特征量，将多个信号的一阶分量送入神经网络进行训练，得到稳定的系统，可以利用这个系统识别射孔信号。如果射孔信号为一级起爆信号，结果显示为1；如果为其他类型结果显示为0。经过实验证明，所设计的BP网络可以识别油田射孔作业中一级起爆的油管传输射孔信号。

小波变换；BP算法；BP神经网络

射孔完井是当前油气开发过程中油气井的主要完井方式之一，是当今国内外最广泛应用的射孔完井方法。国内具有代表性的是由胜利测井公司提出设计要求，经西安二一三所研制的一套油管输送监测系统，它可初步监测到射孔器的井下爆炸[1]。技术最先进、设备应用最广泛的当属美国斯伦贝谢(Schlumberger)公司,作为当前全球最大的油田技术服务公司，其 OrientXact 射孔系统代表着射孔技术的最新发展。对于TCP射孔监测系统的发展，国内外尝试做到的各种检测系统大多在信号采集方面主要是通过传感器采集信号，常用的传感器有声发射传感器、振动传感器(拾振器)、加速度传感器、压力传感器等等。在信号处理方面常用的方法有滤波、AD 转换等等。一般用来识别信号采用的方法有信号的频域分析(傅里叶变换)、时域分析(时域信号特征)、时频联合分析(小波分析、希尔伯特黄变换等)。本文通过训练得到稳定的BP神经网络系统，并利用该系统识别射孔信号。

1 小波变换

小波变换是一种对信号进行时频局部化的处理方法，小波窗口面积是固定不变的但是它的形状、时间窗、频率窗都是可以任意改变的[2]，由于信号周期和频率的反比关系，小波窗口在信号高频部分表现为频率分辨率较低和较小的周期即时间窗很小，时间分辨率高。窗口在低频部分表现为频率分辨率较高和较大的周期即时间窗很大，时间分辨率低，所以小波变换被称誉为数字信号的显微镜[3]。小波的定义：一个函数f(x)要想成为小波，必须满足如下约束条件：

(1)

2 BP算法

BP算法的推导过程：设置神经网络的输入层节点数为n，隐含层节点数为m，输出层节点数为k，训练样本数为S，xsi为训练样本S的第i个样本值，ysj为第S个训练样本在隐含层中第j个节点上的输出值，osl为第S个训练样本在输出层中第l个节点上的输出值，vji为输入层中第i个节点到隐含层中第j个节点的权值，wlj为隐层中第j个节点到输出层中第l个节点权值，tpl为输出层中第P个训练样本在第l个节点的期望输出[4]。

样本数据的正向传递：计算网络各层的输出

(2)

(3)

(4)

(5)

反馈传递过程：网络依据梯度下降算法，不断调整输入层的权值变化量。

(6)

=-(tsl-osl)

(7)

=(tsl-osl)osl(1-osl)

(8)

于是得到σsl=(tsl-osl)osl(1-osl)

故

(9)

隐含层的权值

(10)

定义误差信号为

(11)

(12)

(13)

3 网络层数

对于BP网络，根据Kolmogrov定理，具有一个隐含层(隐含层节点数足够多)的三层BP网络就能完成任意的N维到M维的映射。BP网络层数越多，其具备处理复杂性问题的能力就越强，但是随着层数的增多，网络需要的训练时间也相应增多[5]。如果BP网络的层数太少，那么训练后的网络将很难收敛。隐含层层数要根据问题具体来决定，随着隐含层数的增加，神经网络解决复杂问题的能力也随之增强，但是随着隐含层数的增加网络的训练时间也不断增长。李振然等[6]的研究表明，只有一个隐含层神经网络，只要它的神经元数目足够多，就可以满足要求，达到训练目的。如果将隐含层数由一个增加为两个，网络的精度没有太多提高，但是网络的组成变得更复杂，训练时间也会大大增加。所以本文选用单输入层单输出层和一个隐含层的经典BP网络设计方案。

4 转移函数的选择

图1 转移函数曲线

5 神经网络识别射孔信号

将油管传输射孔信号经过小波变换后的一阶分量数据归一化处理后送入到BP网络中训练。训练曲线如图2所示，经过130次的训练，网络性能达到设计要求。

图2 BP网络训练结果图

网络识别信号的结果用以下两式表示，式(14)中，当网络识别了一级起爆TCP信号其结果显示1，如果不是一级起爆的TCP信号结果显示0。式(15)表明Result识别结果的百分比。

Result=～sum(abs(X-x))

(14)

(15)

将Shu45-29井的一次射孔信号的小波一阶数据送入已经训练好的BP神经网络中进行验证，结果返回Result=1，表明此次射孔信号是一级起爆TCP信号。信号的小波变换一阶数据如图3所示，验证结果如图4所示。

图3 信号的一阶数据

图4 Shu45-29识别结果图

将Shu45-29的一次数据和Xing-23的一次数据同时送入网络进行验证，结果如图5所示，结果表明这两个信号都是一级起爆TCP信号，Percent表明BP网络对这两路信号都能识别。

图5 识别结果图

6 结论

首先将油管传输射孔信号经过5层小波变换，目的是去除掺杂在信号中的噪声，取小波变换后的一阶分量作为神经网络的特征信号。将大量测得射孔信号做同样的操作，把这些特征信号送入设计好的神经网络中进行训练，直到得到稳定的BP神经网络系统，利用这个稳定的神经网络系统识别油管传输射孔信号。如果射孔信号为一级起爆信号，结果显示为1；如果为其他类型结果显示为0。经过大量实验证明，所设计的BP网络可以识别油田射孔作业中一级起爆的油管传输射孔信号。

[1]刘贯虹，朱建新，钱卫良.油管输送射孔(TCP)监测识别系统[J].测井技术，2008，32(2):128-133.

[2]代海波，单锐，王换鹏，等.基于改进阈值函数的小波去噪算法研究[J].噪声与振动控制，2012(12)：189-193.

[3]徐野，刘铁强.基于BP神经网络算法的手写数字识别技术研究[J].沈阳理工大学学报，2010,29(5):13-16.[4]Zhao Yangqin.Multi-level denosing and enhancement method based on wavelet transform for mine monitoring[J].International Journal of Mining Science and Technology,2013(23):163-166.

[5]黄庆斌.BP算法的改进及其应用研究[D].成都：西南交通大学，2010.

[6]李振然，贾彩旭.基于人工神经网络的短期负荷预测[J].广西电力，2002(4)：7-10.

[7]韩力群.人工神经网络理论、设计及应用[M].北京：电子工业出版社，2007：27-32.

(责任编辑：马金发)

Identification of Perforating Signal Based on BP Neural Network

SONG Kai，LI Jiaqiang

(Shenyang Ligong University，Shenyang 110159，China)

BP neural network technology will be applied to automatic recognition of the tubing conveyed perforation signal.Taking the first order component after wavelet transform as the feature of neural network,we put the first order component of multiple signals in neural network to train,we can obtain a stable system and we can use the system to recognize the tubing conveyed perforation signal.If the perforation signal is an initiation signal,the result is displayed as 1;otherwise,the result is displayed as 0.The experiments show that the BP network designed in this paper can be identified perforation signal.

wavelet transform;BP algorithm;BP neural network

2015-09-28

辽宁省科学计划项目(2012217005)；辽宁省科学事业公益研究基金资助项目(2012004002)

宋凯(1964—)，男，教授/博导，博士，研究方向：计算机视觉、智能检测与控制等。

1003-1251(2016)04-0012-04

TN911.23

A