【doc】石油钻井中钻具失效的支持向量机技术
石油钻井中钻具失效的支持向量机技术 大庆石油学院
JOuRNA1OFDAQINGPETROLEUMINSTITUTE 第3o卷第1期2006年2月
V01.30No.1Feb.2006
石油钻井中钻具失效的支持向量机技术
阎铁,王长江,毕雪亮,陈要辉,刘维凯
(大庆石油学院石油
工程
路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理
学院.黑龙江大庆163318)
摘要:针对钻具失效影响因素多,隐蔽性强的特点,提出了一种运用支持向量机技术
分析
定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析
钻具失效的新方法;建立
了基于支持向量机技术的钻具失效模型,通过小样本数据优化.利用该模型对现场数据进行了模拟预测实验.实验结果
与实际情况相吻合.
关?词:钻井工程I钻具失效l统计学习理论1支持向量机;最优分类面;核函数 中图分类号:TP181文献标识码:A文章编号:1000—1891(2006)O1—0070—03 钻具失效的影响因素多,隐蔽性较强,一般方法较难处理该类问题.支持向量机(SVM)是一种新型
数据挖掘和人工智能信息处理方法,可存贮钻具失效的理论分析,实验研究和现场实际数据,又可处理钻
具失效受实际条件和数据数量限制的样本分析问题.目前,国内外运用SVM技术研究钻具失效的报道较
少,已有的研究主要集中在以LubinskiA的微分方程法.为代表的力学分析,室内实验研究钻柱的变
形及破坏规律和依据钻井现场使用情况对钻具失效进行直接判断三个方面. 1支持向量机(SVM)
1.1最优分类面
最优分类面由向量,分类间隔和分类线组成,线性可分
情况下的最优分类面的基本思想见图1.图1中圆点和三 角点分别代表两类样本,H为分类线,H.,H:分别为过各 分类中离分类线最近的样本且平行于分类线的直线,它们 之间的距离即为分类间隔.
1.2SVM分类算法
设有个样本x及其所属类别Y,其中:(,Y),?
R;Y?{1,一1};i=1,2,…,7"/.
:=
砉…c?
的最大值.解出因数a,,6对应的最优解a,W,6后,得到最优分类函数 收稿日期:2005一O5—12;审稿人:邵克勇;编辑:郑丽芹 基金项目{黑龙江自然科学基金资助(E200507) 作者简介:阎铁(1957一)?男?博士,教授,博士生导师.主要从事油气井工程力学,油
气井工艺理论与技术等方面的研究
?7O?
第1期阎铁等:石油钻井中钻具失效的支持向量机技术 ,():=:sgn((w?)+6)一sgn(Z口Yi(.)+61,
此时的寻优目标函数变为
(2)
Q(口)=?口一告?口jYJ(?),(3)i;1i?J!l 相应的分类函数式变为
,()一sgn(2口yik(?)+b).(4)
将问题转化为对偶问题后,只涉及i)lI练样本之间的内积运算(?),可用原空间中的
核函数实现.
在最优分类面中,采用适当的内积核函数,可以实现从低维空间向高维空间的映射,
从而实现非线性分类
变换后的线性分类.
1.3核函数
核函数将高维特征空间中的非线性运算转换为原输入空间的核函数计算,避免了"维数灾难"和确定
非线性函数的形式,参数等复杂问题.根据Mercer定律,核函数是满足Mercer条件的任意对称函数.常
用的核函数有线性核函数,多项式核函数,径向基核函数和Sigmoid核函数. 2
2.1
学习模型
数据的预处理
根据钻井过程中影响钻其失效的主要因素,获得3O组现场钻井
资料
新概念英语资料下载李居明饿命改运学pdf成本会计期末资料社会工作导论资料工程结算所需资料清单
,包括13口失效井和11口无失
效井,见表1.
表1钻井数据
注:*为预测数据.
数据预处理原则:机械钻速为发生钻具失效时的值(失效井),该井最小值(无失效井);钻压为发生钻
?
71?
大庆石油学院第30卷2006年
具失效时的值(失效井),该井最大值(无失效井);井斜角为该井最大值;腐蚀因素按照腐蚀程度的高低依
次为1,2,3,4,5级,在这3O组数据中取均值,级值低于均值的记为+1,有腐蚀,级值高于均值的记为一1,
无腐蚀;钻具质量从理论不合格到理论合格依次为1,2,3,4,5级,处理方法同腐蚀因素,不合格记为十1,
合格记为一1;钻柱无倒换记为+1,有倒换记为一l;有无"三器"(扶正器,稳定器,减震器)分别记为+1和
一
1;失效井记为+1,无失效井记为一1.
2.2模型的建立及参数的优化
(1)选取前24组数据作为学习样本,其中含13组失效数据和11组无失效数据;后6组数据作为模拟
预测样本,含3组失效数据和3组无失效数据.
(2)通过计算,模拟预测样本参数到最优分类面的距离:aYk(?)+b确定其所属类别,核函i'.--
.'——
1
数使用多项式核函数.
厂————————一
(3)模型参数通过学习样本确定和优化,误差由=??寺(Fc—).确定?. 2.3结果分析
根据学习样本确定的核函数和参数,对后6组数据进行距离计算预测,结果见表2.由表2可知,
SVM预测结果和实际完全相符,表明建立的模型合理,所构造的最优分类面能够很好地将该类问题区分
开来.不同核参数与预测误差的关系曲线见图2.由图2可知,核参数为4时误差最小.
表2SVM对模拟预测样本预测结果
{
5
不l核参数
图2不同核参数的预测误差
3结论
(1)钻具失效的影响因素繁杂,呈现高维非线性关系.SVM可在小样本下建模,构造最优分类面,选
择恰当的核函数,实现准确预测.
(2)SVM预测模型在变动的样本数据中可做动态学习,得到高维非线性关系的内
在联系,该技术模型
在石油钻井中具有较好的应用前景.
参考文献:
[1]李盼池,肖红,许少华.支持向量机在模式分类中的应用[J].大庆石油学院,2003,27(2):5961.
[2]梅建新,段汕,潘继斌,等.支持向量机在小样本识别中的应用[J].武汉大学,2002,48(6);732—736
E33赵国珍,龚伟安.钻井力学基础[M].北京;石油工业出版社,1988:68—106. E43李鹤林,李平全,冯耀荣.石油钻柱失效分析及预防EM3.北京;石油工业出版社,1999:214—220.
[5]VAPNIKV.统计学习理论的本质[M].张学工,译.北京:清华大学出版社,2004:122一l35.
[6]张学工.关于统计学习理论与支持向量机EJ1.自动化,2000,26(1):32—42. E73MITCHE!LTM.机器学习[M].曾华军,张银奎,译.北京;机械工业出版社,2003:236—290.