CN1888384A - 一种基于神经网络的钻井测斜仪方位角误差补偿方法 - Google Patents

Abstract

一种基于神经网络的钻井测斜仪方位角误差补偿方法，包括有如下四个基本步骤：1)根据钻井测斜方位角输出信号的特点确定神经网络的结构模型；2)获取神经网络的训练样本；3)进行神经网络训练，得到最优的神经网络模型参数；4)根据倾斜角、初步计算的方位角、工具面角来计算真实方位角。神经网络具有分布并行处理，非线性映射，鲁棒容错和泛化能力强等特性，使得它在智能信息处理方面有广泛的应用。训练后的神经网络能很高精度地逼近钻井测斜仪***输入与输出间的非线性关系且具有很强的泛化能力，能在整个测量范围内补偿钻井测斜仪的***误差。本发明对计算的方位角进行较正，克服了不同方位角、倾斜角、工具面角带来的***测量误差，输出准确的方位角。本发明的方法也可用于其它传感器输出信号的建模与补偿。

Description

一种基于神经网络的钻井测斜仪方位角误差补偿方法

技术领域

本发明涉及一种钻井测斜仪，特别涉及一种钻井测斜仪***误差补偿方法，属于惯性技术应用领域，适用于定向钻井、井迹测量等。

背景技术

陀螺测斜仪就是能在油田生产中起着开窗侧钻、测量井迹的一种仪器，该仪器可在井下通过陀螺测量出待开窗的方位，这样可在旧井、老井下按实际油层方向实际开窗，使旧井、老井得到二次开发，不但节约了开支，而且也大大节省了人力物力。当前应用较为广泛的钻井测斜仪由一个双自由度的挠性陀螺和两个石英加速度计所组成，采用陀螺罗盘的工作方式，由加速度计的输出计算出井孔倾斜角和工具面角，在此基础上，再根据陀螺的输出可计算出方位角。在组成钻井测斜仪前对陀螺和加速度计都进行建模、测试与标定工作，提高惯性器件的测量精度从而提高钻井测斜仪输出倾斜角、工具面角和方位角的精度。在实际应用时为工程实现方便采用了较简单的惯性器件模型，忽略了惯性器件输出误差中的高阶项，在测斜仪安装时会引入安装误差，这些都会引起测斜仪输出倾斜角、工具面角和方位角的***误差。特别是在倾斜角、方位角和工具面角变化时，方位角的计算误差是不同的。当测斜仪的机械安装与电气调试完成后此部分***误差基本确定，且重复性较好。为补偿这部分***误差，目前方法通常采用查表法，即事先通过试验建立测斜仪***误差表，把实际输出数据与表中数据比对，得到此时输出数据对应的***误差，然后把查表得到的***误差补偿掉。目前，测斜仪***误差表建立的方法是：通过工装夹具把陀螺测斜仪固定在位置转台上，把工具面角固定。在某一倾斜角下不变的情况，转动方位角，根据精度要求在360度范围内均匀选取一些方位角做为测试点，得出不同测试点的方位角误差，在不同倾斜角下重复进行以上试验。最终建立起测斜仪倾斜角、方位角与方位角误差的对应关系，形成表格。建立误差表格时是选取一些离散的测试点，实际补偿时采用插值的方法。测试点选取过多会增加建表的时间，测试点选取太少又会影响补偿的精度。目前采用的查表法忽略了工具面角对方位角的影响，如果把测斜仪倾斜角、方位角与工具面角同时变化的情况下方位角的输出建立表格，一是建立表格的工作量将会很大，二是在三变量的情况下插值算法的实现有一定困难，补偿精度不高。

发明内容

本发明的目的：克服现有技术的不足，提出一种基于神经网络的钻井测斜仪方位角误差补偿方法，在整个测量范围内实现对钻井测斜仪方位角误差的补偿，输出准确和高精度的钻井测斜仪方位角。

本发明的技术解决方案是：一种基于神经网络的钻井测斜仪方位角误差补偿方法，其特征在于：利用神经网络的非线性映射功能，选择三输入单输出的深层前向神经网络，建立钻井测斜仪输出的倾斜角、工具面角和初步计算的方位角同真实方位角间的映射关系，主要实现步骤有：

(1)根据钻井测斜仪方位角输出信号的特点确定神经网络的结构模型，建立神经网络模型时以钻井测斜仪输出的倾斜角、工具面角和初步计算的方位角做为神经网络的输入量，真实方位角为输出量来构建三输入单输出的神经网络***，即选择由输入层、隐层1、隐层2和输出层组成的四层结构的前向神经网络；

神经网络理论证明可以用一个三层前向网络来逼近任意一个非线性映射，但对于比较复杂的函数用深层前向网络时会取得更好的效果。因此，本发明选择四层(即输入层、隐层1、隐层2、输出层)结构的前向神经网络。对于钻井测斜仪来说，钻井测斜仪的倾斜角、方位角和工具面角对方位角的计算都有影响，会产生方位角计算误差。因此，选择初步计算的的倾斜角、方位角和工具面角作为神经网络的输入，修正补偿后的方位角作为神经网络的输出，即神经网络输入层节点数为3，输出层节点数为1，隐层1节点数可选为4～8，隐层2节点数可选为4～8。

(2)获取神经网络的训练样本，模拟钻井测斜仪的倾斜角、工具面角和方位角是在三轴位置转台上进行的，通过三轴位置转台绕其三个转动轴的转动来模拟钻井测斜仪的倾斜角、工具面角和方位角，同时采集测斜仪输出的原始数据并计算出倾斜角和初步计算方位角，形成神经网络的学习样本。

采用人工神经网络解决实际问题时，主要的工作是收集样本数据。本发明中学习样本的获取是在三轴位置转台上进行的。通过三轴位置转台绕其三个转动轴的转动来模拟钻井测斜仪的倾斜角、工具面角和方位角。测试点选取规则为：

倾斜角测试点的选取规则是在0～75度范围内选取，在接近于零时取样点密，角度接近75度时时测试取样点间隔增大，如在10度以内取的间隔小，大于10度以10度的间隔选取；方位角的测试点的选取原则是在0～360度范围内均匀选取，取样间隔根据精度和实验时间的要求选取；工具面角的测试点的选取原则是在0～360度范围内均匀选取，取样间隔根据精度和实验时间的要求选取。

(3)进行神经网络训练，得到最优的神经网络模型参数。

采用步骤(1)得到的神经网络模型和步骤(2)得到的学习样本训练神经网络并得到最优权值。

(4)根据倾斜角、初步计算的方位角、工具面角来计算真实方位角。

本发明的原理是：本发明针对采用陀螺罗经法的钻井测斜仪，惯性测量部分由一个双轴动力调谐速率陀螺、两个石英加速度计和相应的电子线路组成。其中陀螺用来敏感地球角速度分量、加速度用来敏感重力分量。通过陀螺和加速度的输出值来计算钻井测斜仪也就是井管的方位角、倾斜角和工具面角。在表示井管的方位角、倾斜角和工具面角时采用地理坐标系XYZ(东北天)和测斜仪坐标系xyz，其中x轴、y轴是两轴陀螺和两轴加速度计的敏感轴。测斜仪坐标系xyz同测量井管的姿态是一致的，因此xyz坐标系相对XYZ坐标系的姿态便是井管的姿态，由此得到井管的轨迹。xyz坐标系相对XYZ坐标系的关系如图3所示，XYZ是东北天地理坐标系坐标轴，xyz测斜仪坐标系坐标轴。x₁y₁z₁和x₂y₂z₂是坐标系转换过程中的坐标系。图3中A为方位角、I为倾斜角、T为工具面角，A^&、I^&、T^&分别为相应的角速度矢量。坐标系旋转的顺序为：先按Z轴顺时针旋转到坐标系x₁y₁z₁，，旋转角为方位角A，然后按坐标系x₁y₁z₁的y₁轴旋转倾斜角I到坐标系x₂y₂z₂，最后按x₂y₂z₂坐标系的z₂轴旋转测斜仪到坐标系xyz

地球自转角速度和重力加速度在东北天坐标系下的投影分量为：

           ω＝[0 Ωcosφ Ωsinφ]^T              (1)

                 a＝[0 0 g]^T                     (2)

式中：

Ω是地球自转角速度，φ是测量点的纬度，g是测量点的重力加速度。

经过坐标系旋转后，在测斜仪坐标系的角速度和加速度分量为：

$\left[\begin{array}{c}{\mathrm{\ω}}_x\\ {\mathrm{\ω}}_y\\ {\mathrm{\ω}}_z\end{array}\right]{=\left[\begin{array}{c}\mathrm{\Ω}\cos \mathrm{\φ}(\sin A\cos I\cos T+\cos A\sin T)-\mathrm{\Ω}\sin \mathrm{\φ}\sin I\cos T\\ \mathrm{\Ω}\cos \mathrm{\φ}(-\sin A\cos I\sin T+\cos A\cos T)+\mathrm{\Ω}\sin \mathrm{\φ}\sin I\sin T\\ \mathrm{\Ω}\cos \mathrm{\φ}\sin A\sin I+\mathrm{\Ω}\sin \mathrm{\φ}\cos I\end{array}\right]}^T---\left(3\right)$

$\left[\begin{array}{c}{a}_x\\ a_y\\ a_z\end{array}\right]={\left[\begin{array}{c}g\sin I\cos T\\ -g\sin I\sin T\\ -g\cos I\end{array}\right]}^T---\left(4\right)$

由(1)、(2)、(3)、(4)式可算得工具面角T、倾斜角I、方位角A为：

$T=-\arctan \frac{a_y}{a_x}---\left(5\right)$

$I=\arcsin \frac{\sqrt{{a^2}_x+{a^2}_y}}{g}---\left(6\right)$

$A=\arctan \frac{{\mathrm{\ω}}_x\cos T-{\mathrm{\ω}}_y\sin T+\mathrm{\Ω}\sin \mathrm{\φ}\sin I}{({\mathrm{\ω}}_x\sin T+{\mathrm{\ω}}_y\cos T)\cos I}---\left(7\right)$

以目前加速度的精度，由其计算的工具面角T、倾斜角I的误差比较小。方位角的计算式中包括了工具面角T、倾斜角I和在x轴y轴上的角速度分量，方位角的计算误差是它们共同作用的结果。当陀螺有误差和***有安装误差时，不同姿态下引起测斜仪方位角计算误差不同，且有很好的重复性。因此，事先通过试验找到其误差的模型，并对测斜仪的方位角进行补偿，可以提高方位角的精度。从式(7)可见当倾斜角I接近于90度附近时***计算误差会比较大，因此在采用陀螺罗盘方式时对倾斜角I进行限制，一般取倾斜角I小于75度。

本发明与现有技术相比的优点在于：

(1)本发明克服了建表法中把倾斜角、初步计算的方位角、工具面角做为输入变量时插值算法精度下降的缺点，实现了钻井测斜仪倾斜角、初步计算的方位角、工具面角到方位角的映射，达到对计算方位角误差补偿的效果。

(2)倾斜角测试点的分段选择方法充分反映了钻井测斜仪方位角计算误差的特点，形成的学习样本更有针对性，即加快了神经网络的训练速度，又提高了其计算精度。在达到相同精度的情况下，应用神经网络方法可比查表法采取更少的测试点数，从而提高了效率。

附图说明

图1为本发明的神经网络的示意图；

图2为本发明获取神经网络学习样本的流程图；

图3为本发明的测斜仪坐标系与地理系间的位置关系图。

具体实施方式：

针对以上提出的技术方案，采取以下几个步骤实现本发明：

(1)建立神经网络模型

本发明取钻井测斜仪的倾斜角、工具面角和初步计算的方位角作为神经网络的输入变量，真实方位角作为神经网络的输出变量，选取四层(即输入层、隐层1、隐层2、输出层)结构的前向神经网络。神经网络输入层节点数为3，输出层节点数为1。考虑到钻井测斜仪的倾斜与方位对方位角的影响比较复杂，隐层1节点数选为8，隐层2节点数选为8，神经网络结构如图1所示，其中X1、X2、X3是神经网络的输入变量分别对应钻井测斜仪输出的倾斜角、工具面角和初步计算的方位角，Y对应校正后的方位角，是神经网络的输出变量。

(2)确定钻井测斜仪的倾斜角和方位角的测试点

钻井测斜仪测试点的选取即要覆盖钻井测斜仪的测量范围又要反映出钻井测斜仪输出数据的特点。倾斜角的测试点在0～75度范围内取样，取样点为3度、5度、10度、15度、25度、35度、45度、55度、65度、75度。方位角的测试点在0～360度范围内均匀取样，取样间隔视精度要求而定。由于神经网络具有泛化能力，取样间隔可比查表法放宽，本发明中取样间隔为30度。工具面角的测试点在0～360度范围内均匀取样，取样间隔为30度。

(3)获取神经网络学习样本

在(2)所确定测试点处采集钻井测斜仪输出的倾斜角、初步计算方位角和工具面角作为学习样本的输入值，三轴位置转台模拟的方位角作为学习样本的期望输出值。具体操作是先把倾斜角、方位角、工具面角转到零位，然后顺序转动倾斜角、方位角、工具面角，转遍全部测试点，同时采集测斜仪输出数据，形成覆盖整个测量范围的神经网络的学习样本。学习样本获取流程如图2所示，测试点个数N_i(i＝1，2，3)分别表示倾斜角、方位角、工具面角的测试点个数，可根据***精度要求确定。

(4)进行神经网络训练，得到最优的神经网络模型参数

在前面(1)、(2)、(3)步确定的神经网络模型和学习样本的基础上，采用BP算法对网络进行训练。在训练过程中，首先给出一组模型参数，以此参数计算神经网络的输出，再对神经网络的输出和真实值进行比较得到计算误差。然后根据误差，按BP算法修改模型参数，使网络朝向能正确响应的方向不断发展，直到网络的输出与期望的输出之差在允许的范围之内。此时的模型参数便是最优的网络模型参数，也就是神经元间的连接权值及神经元的阈值。权值修改过程如下。

定义误差函数为 $e_p=\frac{1}{2}{(t_p-y_p)}^2,$ 其中t_p是神经网络的期望输出值，y_p是神经网络计算值。按 $\mathrm{\ΔW}=-\mathrm{\η}\frac{{\mathrm{\δe}}_p}{\mathrm{\δW}}$ 去修改神经元间连接权值，最终达到e_p最小，确定此时参数为最优参数。

(5)根据倾斜角、工具面角和初步计算的方位角来计算真实方位角由 $A=\arctan \frac{{\mathrm{\ω}}_x\cos T-{\mathrm{\ω}}_y\sin T+\mathrm{\Ω}\sin \mathrm{\φ}\sin I}{({\mathrm{\ω}}_x\sin T+{\mathrm{\ω}}_y\cos T)\cos I}$ 式可见，方位角的计算式中包括了工具面角T、倾斜角I和在x轴y轴上的角速度分量，方位角的计算误差是它们共同作用的结果。当陀螺有误差和***有安装误差时，不同姿态下引起测斜仪方位角计算误差不同，且有很好的重复性。

在第(4)步中得到了最优参数，也就是建立了初步计算出的工具面角、倾斜角、方位角与真实方位角间的非线性映射关系，即向神经网络输入初步计算出的工具面角、倾斜角、方位角，神经网络便会输出真实方位角。

在计算中，前一层神经元的输出作为下一层神经元的输入。设神经网络输入信号：初步计算出的工具面角、倾斜角、方位角分别为x₁，x₂，x₃，输出信号为y。下面是由x₁，x₂，x₃求出y的过程。

第一隐层神经元输入为：

${I1}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w1}_{i,j}{x}_j+{\mathrm{\θ}1}_j(i=\mathrm{1,2},\mathrm{L\; m}1)---\left(8\right)$

上式中n是输入神经元的个数，在此n＝3，m1是输入神经元的个数，在此m1＝8，w1_i，j为第一隐层神经元i与输入神经元间的连接权值，θ1_j为第一隐层神经元的阈值。

第一隐层神经元输出为：

                   O1_i＝f(I1_i)                            (9)

第二隐层中共有m2个神经元，各神经元的输入是：

${I2}_i=\underset{j=1}{\overset{m1}{\mathrm{\Σ}}}{w2}_{i,j}{x}_j+{\mathrm{\θ}2}_j(i=\mathrm{1,2},\mathrm{L\; m}2)---\left(10\right)$

上式中m2＝8，w2_i，j为第二隐层神经元与第一隐层神经元间的连接权值，θ2_j为第二隐层神经元的阈值。

第二隐层神经元输出为：

                    O2_i＝f(I2_i)                          (11)

取输出神经元的阈值为零，取线性函数为输出层神经元的激发函数，则输出神经元的输出(也就是整个网络的输出)为：

$y=\underset{i=1}{\overset{m2}{\mathrm{\Σ}}}{v}_i{O2}_i---\left(12\right)$

上式中v_i为输出神经元与第二隐层神经元的连接权值，由式(12)求出的y便是补偿后真实的方位角。

Claims (3)

1、一种基于神经网络的钻井测斜仪方位角误差补偿方法，其特征在于：利用神经网络的非线性映射功能，选择三输入单输出的深层前向神经网络，建立钻井测斜仪输出的倾斜角、工具面角和初步计算的方位角同真实方位角间的映射关系，主要实现步骤有：

(1)根据钻井测斜仪方位角输出信号的特点确定神经网络的结构模型，建立神经网络模型时以钻井测斜仪输出的倾斜角、工具面角和初步计算的方位角做为神经网络的输入量，真实方位角为输出量来构建三输入单输出的神经网络***，即选择由输入层、隐层1、隐层2和输出层组成的四层结构的前向神经网络；

(2)获取神经网络的训练样本，模拟钻井测斜仪的倾斜角、工具面角和方位角是在三轴位置转台上进行的，通过三轴位置转台绕其三个转动轴的转动来模拟钻井测斜仪的倾斜角、工具面角和方位角；

(3)进行神经网络训练，得到最优的神经网络模型参数；

(4)根据倾斜角、初步计算的方位角、工具面角来计算真实方位角。

2、根据权利要求1所述的一种基于神经网络的钻井测斜仪方位角误差补偿方法，其特征在于：所述步骤(1)中选择四层结构的前向神经网络的输入层节点为3，隐层1节点为4～8，隐层2节点为4～8，输出层节点为1。

3、根据权利要求1所述的一种基于神经网络的钻井测斜仪方位角误差补偿方法，其特征在于：所述步骤(2)中钻井测斜仪的倾斜角、工具面角和方位角测试点的选取规则为：倾斜角的测试点在0～75度范围内取样；方位角的测试点在0～360度范围内均匀取样；工具面角的测试点在0～360度范围内均匀取样。