基于反馈动态神经网络的油田异常井诊断模型研究-论文.pdf

《基于反馈动态神经网络的油田异常井诊断模型研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第34卷第2期计算技术与自动化Vol_34．NO．22015年6月ComputingTechnologyandAutomationJun．2015文章编号：1003—6199(2015)O2一O¨4一O3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(东北石油大学计算机与信息技术学院，黑龙江大庆163318)摘要：针对油田异常井诊断的问题，提出基于反馈动态神经网络的模型，该模型具有适应性强、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

2、较高准确性及可行性。关键词：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：AStudyonDiagnosisModleofOilfieldAbnormalWellBasedonFeedbackDynamicNeuralNetworkLITie—ning十(SchoolofComputerandInformationTechnology，NortheastPetroleumUniversity，Daqing，Heilongjiangl63318，China)Abstract：AccordingtOoilfieldabnormalwell，thispaperpropo

3、sedadynamicfeedbackneuralnetworkmodel，whichhasthecharacteristicsofstrongadaptabilityandhigherlearningefficiency．Combinedwiththeparticleswarmalgorithmtocorn—pensateforitsslowtrainingspeedandfallingeasilyintolocalminimumpoints，itgavetheprincipleofoptimizationmodelandalgorithmandimplementationtechno

4、logy．Finally，accordingtotheactualproblem，thispaperscarriedontheconcreteapplicationofdiagnosismodelforoilfieldabnormalwell，andtheexperimentalresultsshowthatthemodelforabnormalwellhashigherdiagnosticaccuracyandfeasibility．Keywords：feedbackdynamicneuralnetwork；particleswarmalgorithm；abnormalwell模型相比

5、，可提高网络学习的效率和稳定性。结合1引言粒子群算法，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，本文研究在油田生产过程中，涉及很多因素，比如说地的是三层结构的网络模型，提出基于反馈动态神经面设备因素、井下设备因素等，只有当各个因素达网络的油田异常井诊断模型，可对异常井进行判到平衡状态，油井才可以正常运行。但是由于井下断，具有实际操作的可行性。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，2反馈动态神经的概述为保证油田安全，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反馈动态神经网络由输入层、隐层

6、、反馈层和上提出的，一种带有信息反馈的网络模型，各神经输出层构成。图1为三层结构的反馈动态神经网元节点之问按系统的信息流向进行连接，与传统的络的拓扑结构。其中，输入层有n个节点，用于完收稿日期：2014—11—02作者简介：李铁宁(1989)，女，黑龙江大庆人，硕士研究生，研究方向：数据库理论及应用。十通讯联系人，E-mail：litiening78296566@163．corn第34卷第2期李铁宁：基于反馈动态神经网络的油田异常井诊断模型研究成时变信号的输入以及隐层信号的延时反馈；隐层传统粒子的移动速度改变转化为量子旋转门角度有rf1个动态神经元节点，实现的功能是对输入的的更新，位置的

7、变化转变为量子位概率幅的更新。时变信号进行空间加权聚合和激励运算，并接收来实现网络参数在时变空间的全局化求解，提高模型自反馈信号；反馈层与隐层的节点数相同，即1T1个的学习能力。在反馈动态神经网络拓扑结构确节点，最后一层为输出层。反馈层实现的功能是接定的情况下，利用量子粒子群算法确定网络连接权收来自隐层的延时输出作为输入信号，并将信号反函数。具体算法步骤如下：馈至隐层；输出层将隐层的时变输出信号进行空间1)初始化连接权值，设置位置及