基于SDCQGA优化BP神经网络的岩石可钻性建模

针对智能钻井优化控制过程中岩石可钻性提取存在的建模难、非实时性、精度差等问题,提出基于自适应双链量子遗传算法优化BP神经网络结构的岩石可钻性提取建模方法.依据目标函数在搜索点处的变化率,建立了快速自适应双链量子遗传算法;采用新算法优化BP神经网络结构,以克服BP神经网络受初始权值/阀值影响和泛化能力差的问题.通过对邻近钻井区域的大量测量数据和实验数据的统计分析和预处理,建立岩石可钻性提取模型,有效地解决了复杂地形岩石可钻性提取难的问题.对不同岩性的可钻性参数提取实验结果证明,该建模方法不仅提高了参数提取的精度和模型的泛化能力,而且在相邻实际参数提取时,具有很好的实时性和适应性.     

井底压力条件下岩石可钻性实验及仿真研究

岩石的可钻性是正确评价是确定钻井参数、选择钻头类型、预测钻井效果以及规定钻进工作定额时所必需的;而以往岩石可钻性极值的确定都是在常压下进行的。常压下岩石的可钻性极值与井底压力条件下岩石可钻性极值相差较大,远不能满足工程需要。为此,提出了一种室内测定井底压力条件下岩石岩石可钻性极值的实验方法;并通过HyperMesh有限元处理器仿真得到井底压力条件下岩石的可钻性极值的仿真值。通过对实验数值和仿真数值的对比,二者误差都在10%以内。所以该实验方法能够较准确的得到井底压力条件下岩石的可钻性极值。从而更能够准确的选择钻头类型,优化钻进参数,指导工程实践。