国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

改進(jìn)麻雀搜索算法優(yōu)化支持向量機(jī)的井漏預(yù)測

2023-01-14 10:10:26王鑫張奇志
科學(xué)技術(shù)與工程 2022年34期
關(guān)鍵詞:發(fā)現(xiàn)者測試函數(shù)麻雀

王鑫, 張奇志*

(1.西安石油大學(xué)電子工程學(xué)院, 西安 710065; 2.陜西省油氣井重點測控實驗室, 西安 710065)

在鉆井作業(yè)過程中,受到復(fù)雜地層、司鉆操作失誤等因素的影響,在鉆井作業(yè)的任何階段都有可能發(fā)生井漏。井漏事故不僅污染環(huán)境,還極有可能造成設(shè)備故障、威脅鉆井人員安全等。如果在出現(xiàn)井漏后沒有及時發(fā)現(xiàn)并采取堵漏措施,任憑其發(fā)展下去,嚴(yán)重的會發(fā)生井噴現(xiàn)象,可能會引起諸多連鎖反應(yīng),從而導(dǎo)致井眼報廢[1-2]。因此,在鉆井過程中,能夠及時預(yù)測井漏事故,顯得尤為重要。

早期,針對井漏事故的預(yù)測,只能靠相關(guān)技術(shù)人員通過傳感器采集到的實時數(shù)據(jù)進(jìn)行人為判斷。但這需要技術(shù)人員有著豐富的經(jīng)驗。而且,人為判斷有著較大的主觀因素。近年來,隨著智能算法的不斷發(fā)展,中外學(xué)者提出了許多井漏事故預(yù)測智能方法。這些方法更加科學(xué),能夠更準(zhǔn)確地預(yù)測井漏事故。

耿志強(qiáng)等[3]使用移動窗稀疏主元分析法對鉆井事故數(shù)據(jù)進(jìn)行分析并建立了井漏案例庫,將案例庫中的鉆井?dāng)?shù)據(jù)與實時鉆井?dāng)?shù)據(jù)中的異常部分進(jìn)行對比,從而判斷可能發(fā)生的故障類型;劉彪等[4]使用破裂壓力、孔隙度、原生裂縫方向等鉆井參數(shù)分別建立了基于高斯核函數(shù)和多項式核函數(shù)的支持向量回歸的漏失量預(yù)測模型。結(jié)果表明,采用高斯核函數(shù)的預(yù)測模型誤差更小,可以更好地對井漏的漏失量進(jìn)行預(yù)測;Abbas等[5]分別使用人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立了井漏事故預(yù)測模型。最終,通過現(xiàn)場數(shù)據(jù)的驗證表明,支持向量機(jī)在井漏預(yù)測方面比傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)更優(yōu),預(yù)測準(zhǔn)確率更高。Agin等[6]建立了自適應(yīng)神經(jīng)模糊推理系統(tǒng)預(yù)測井漏的模型,并使用數(shù)據(jù)挖掘技術(shù),對鉆井?dāng)?shù)據(jù)進(jìn)行分析,確定了對井漏事故發(fā)生有較大影響的特征參數(shù),進(jìn)一步提高了井漏預(yù)測的準(zhǔn)確率;Aljubran等[7]建立了基于深度學(xué)習(xí)和時間序列分析的井漏事故預(yù)測模型。結(jié)果表明,使用一維卷積神經(jīng)網(wǎng)絡(luò)能夠有效地對井漏事故進(jìn)行預(yù)測。

麻雀搜索算法受自然界中麻雀覓食過程的啟發(fā)。已經(jīng)有大量實驗證明,麻雀搜索算法在迭代時間、尋優(yōu)精度、穩(wěn)定性等方面都優(yōu)于其他智能優(yōu)化算法。因此,現(xiàn)建立改進(jìn)麻雀搜索算法優(yōu)化支持向量機(jī)的井漏預(yù)測模型,實現(xiàn)井漏事故的預(yù)測。

1 麻雀搜索算法

SSA算法主要受到自然界中麻雀捕食和遇到危險時做出的反捕食行為的啟發(fā)[8]。麻雀種群中一般包括3種麻雀:發(fā)現(xiàn)者、追隨者和警戒者。發(fā)現(xiàn)者搜尋食物,它為整個麻雀種群提供食物的位置信息。追隨者通過發(fā)現(xiàn)者提供的食物位置信息進(jìn)行食物的獲取,并且不斷監(jiān)視發(fā)現(xiàn)者用以爭奪食物。但發(fā)現(xiàn)者和追隨者的身份并不是固定的,它們會根據(jù)實際情況的不同,自由地切換身份。在麻雀覓食期間,如果警戒者覺察到危險時,就會向麻雀種群發(fā)出警告,種群則立即做出反捕食的行為。

發(fā)現(xiàn)者按式(1)進(jìn)行位置更新:

(1)

跟隨者按式(2)進(jìn)行位置更新:

(2)

警戒者按式(3)進(jìn)行位置更新:

(3)

2 支持向量機(jī)

針對線性可分問題,使用支持向量機(jī)(support vector machine,SVM)進(jìn)行分類時,旨在找到一個最優(yōu)超平面將數(shù)據(jù)完全分離,并使得距離該平面最近的數(shù)據(jù)點到該平面距離最大。該過程可以理解為解決下述最優(yōu)化問題。

(4)

式(4)中:i=1,2,…,l;ξi為松弛變量因子,且ξi≥0;ω為垂直于超平面的向量;b為偏移量;xi為第i個樣本;yi為分類類別,取值為1或-1;C為懲罰因子,當(dāng)出現(xiàn)錯誤分類時C就會增大。

為求解式(4),首先需要引入拉格朗日函數(shù):

(5)

式(5)中:x為樣本點構(gòu)成的向量;α為拉格朗日方程的系數(shù)因子構(gòu)成的向量;αi為拉格朗日方程的系數(shù)因子。

對式(5)中的ω和b分別求偏導(dǎo)并令其為0,解得式(4)的對偶問題:

(6)

式(6)中:aj為拉格朗日方程的系數(shù)因子;xj為第j個樣本。

進(jìn)一步解得,線性情況下的決策函數(shù)為

(7)

式(7)中:

為第i個拉格朗日乘子。

對于非線性問題,需要使用核函數(shù)將樣本數(shù)據(jù)映射到高維空間中,從而變?yōu)榫€性可分。

核函數(shù)的表達(dá)式為

K(xi,xj)=φ(xi)φ(xj)

(8)

一般常使用徑向基核函數(shù),表達(dá)式為

(9)

式(9)中:g為核函數(shù)的寬度;‖x-y‖2為樣本點x和樣本點y之間的距離。

同理,可以得到對于非線性情況下的決策函數(shù)為

(10)

綜上,使用SVM解決分類問題時,懲罰因子C和核參數(shù)g對分類結(jié)果有著較大的影響。

3 改進(jìn)的麻雀搜索算法

SSA算法同樣是群智能優(yōu)化算法,其不可避免地存在群智能優(yōu)化算法的普遍問題,即算法搜索到全局最優(yōu)解附近時,種群多樣性減少,容易陷入局部最優(yōu)[9]。

3.1 自適應(yīng)非線性慣性遞減權(quán)重

分析發(fā)現(xiàn)者位置移動方式可以得出:發(fā)現(xiàn)者在尋找最佳覓食位置的過程中,移動的步長容易過大。這種“大步”的移動雖然能夠在一定程度上縮短尋找最優(yōu)解的時間,但這種方式容易錯過全局最優(yōu)解。大量的智能優(yōu)化算法的研究表明,慣性權(quán)重參數(shù)對于增強(qiáng)全局搜索能力以及跳出局部最優(yōu)解的能力起著較為積極的作用。因此,為了解決上述問題,受粒子群算法的啟發(fā),提出了一種自適應(yīng)非線性慣性遞減權(quán)重的策略,并將該策略引入發(fā)現(xiàn)者位置更新公式中。自適應(yīng)非線性慣性遞減權(quán)重ωm的計算公式為

(11)

式(11)中:ω1和ω2為慣性調(diào)整參數(shù);取ω1=0.9,ω2=0.4。

引入慣性權(quán)重ωm后,發(fā)現(xiàn)者按照式(12)進(jìn)行位置更新。

(12)

式(12)中:tmax為最大迭代次數(shù)。

根據(jù)式(11)可以看出,該自適應(yīng)非線性慣性遞減權(quán)重在迭代初期衰減緩慢,更加有利于進(jìn)行全局搜索,確定最優(yōu)解的位置,而在迭代的后期,衰減較為迅速,這有利于局部搜索并縮短找到最優(yōu)解的時間。

3.2 萊維飛行策略

萊維飛行(Levy)通常以短距離和隨機(jī)較長距離進(jìn)行隨機(jī)搜索。大量研究表明,自然界中很多動物的運(yùn)動軌跡都符合萊維分布[10]。正是由于萊維飛行這種隨機(jī)搜索的方式,使得其在智能優(yōu)化算法尋找最優(yōu)解的過程中,更加充分地進(jìn)行全局搜索和局部搜索,同時更加容易跳出局部最優(yōu)。

Levy的計算公式為

L=0.01s

(13)

式(13)中:s為Levy飛行步長。

(14)

式(14)中:

(15)

σv=1

(16)

引入Levy飛行策略的警戒者按照式(17)進(jìn)行位置更新[11]。

(17)

4 ISSA算法性能測試

為驗證ISSA算法在求解目標(biāo)函數(shù)的極值問題中的可行性及優(yōu)越性,將ISSA與SSA、GWO、GA算法在8個基準(zhǔn)測試函數(shù)上進(jìn)行對比測試。

4.1 基準(zhǔn)測試函數(shù)

測試函數(shù)表達(dá)式如表1所示。其中f1~f3為高維單峰函數(shù),f4~f6為高維多峰函數(shù),f7~f8為低維多峰函數(shù)。高維單峰函數(shù)只有一個最優(yōu)解,用于測試算法的收斂速度。多峰函數(shù)存在多個局部最優(yōu)解,這種特性容易使算法陷入局部最優(yōu)。因此,從高維和低維不同角度對算法跳出局部最優(yōu)的性能進(jìn)行測試。

4.2 算法性能對比分析

使用MATLAB R2019a對4種不同的算法進(jìn)行對比實驗。為避免單次實驗出現(xiàn)偶然誤差,進(jìn)一步增強(qiáng)實驗結(jié)果的可信度,實驗中對8種基準(zhǔn)測試函數(shù)分別獨立運(yùn)行30次,取平均值和標(biāo)準(zhǔn)差作為評價指標(biāo)。本文研究中,統(tǒng)一設(shè)置種群維度為30,最大迭代次數(shù)為1 000。實驗結(jié)果如表2所示。

分析表2的實驗結(jié)果,可以得到:在3個高峰測試函數(shù)f1~f3中,ISSA算法的尋優(yōu)精度以及穩(wěn)定性均比其他算法有顯著的提升,并且平均值和標(biāo)準(zhǔn)差相對于其他算法至少提升了2個數(shù)量級。在3個高維多峰函數(shù)f4~f6中,在求解f5和f6時,ISSA和SSA算法的平均值和標(biāo)準(zhǔn)差均為0,兩種算法的尋優(yōu)能力相同,ISSA相對于其他2種算法,尋優(yōu)能力還是有顯著提升。對于f4函數(shù),ISSA算法的平均值最接近函數(shù)的最優(yōu)值,并且標(biāo)準(zhǔn)差也是最小的,算法魯棒性高。在2個低維多峰測試函數(shù)f7~f8中,對于f7的求解,ISSA在尋優(yōu)精度以及穩(wěn)定性方面比其他算法表現(xiàn)優(yōu)異;在f7函數(shù)中,SSA算法在平均值和標(biāo)準(zhǔn)差方面均比ISSA算法表現(xiàn)良好,ISSA算法的優(yōu)越性沒有體現(xiàn)出來。但相較于其他算法有著顯著提升。

表1 基準(zhǔn)測試函數(shù)Table 1 Benchmark functions

表2 基準(zhǔn)函數(shù)優(yōu)化結(jié)果比較Table 2 Comparison of the results of benchmark function optimization

綜上,ISSA算法雖然在某些情況下并不優(yōu)異,但總體來看,ISSA算法在單峰和多峰、高維和低維函數(shù)上,相對于其他算法在求解精度上有一定提升,算法穩(wěn)定性也更優(yōu)。

5 ISSA優(yōu)化SVM的井漏預(yù)測模型

5.1 ISSA優(yōu)化SVM流程

將ISSA算法用于優(yōu)化SVM的懲罰因子C和核參數(shù)g,對井漏事故進(jìn)行預(yù)測。其優(yōu)化流程圖如圖1所示。具體優(yōu)化步驟如下。

(1)初始化種群,設(shè)置最大迭代次數(shù)tmax、種群規(guī)模D、發(fā)現(xiàn)者數(shù)量PD、警戒者數(shù)量SD、預(yù)警值R2、安全值ST等初始化參數(shù)。

(2)計算當(dāng)前每只麻雀的適應(yīng)度數(shù)值并對其進(jìn)行排序,取適應(yīng)度較好前PD只麻雀作為發(fā)現(xiàn)者。其余作為追隨者。按照SD數(shù)值,在種群中隨機(jī)選擇一些麻雀作為警戒者。同時,記錄每只麻雀的位置。

圖1 ISSA優(yōu)化SVM流程圖Fig.1 ISSA optimized SVM flow chart

(3)根據(jù)式(12)更新發(fā)現(xiàn)者位置。

(4)根據(jù)式(2)更新追隨者位置。

(5)根據(jù)式(17)更新警戒者位置。

(6)更新最佳適應(yīng)度數(shù)值和最優(yōu)位置。

(7)判斷迭代是否完成,若沒有完成,則重復(fù)步驟(2)。否則,輸出最優(yōu)參數(shù)。按照最優(yōu)參數(shù)C和g構(gòu)建SVM分類預(yù)測模型,輸出預(yù)測結(jié)果。

5.2 ISSA優(yōu)化SVM的井漏預(yù)測實現(xiàn)

實驗所用的井漏數(shù)據(jù)來自國外某大型油田,從每日鉆井報告(DDR)、每日泥漿報告(DMRs)和完井報告(FWRs)中收集了600組數(shù)據(jù)記錄。其中,300組為正常情況的鉆井?dāng)?shù)據(jù),300組為發(fā)生井漏時的鉆井?dāng)?shù)據(jù)。

這600組數(shù)據(jù)共有10個特征,它們分別是北向、東向、巖性、孔徑、孔隙壓力、破裂壓力、剪切應(yīng)力、凝膠強(qiáng)度、泵壓和鉆頭轉(zhuǎn)速。部分樣本數(shù)據(jù)如表3所示。其中,巖性(地層類型)1、2、3分別代表Aghajery類型、Mishan類型以及Gachsaran 7類型。需要說明的是,這里的地層類型命名均是根據(jù)當(dāng)?shù)氐牡刭|(zhì)構(gòu)造決定的,因此本文不做解釋。

將300組為正常情況的鉆井?dāng)?shù)據(jù),300組為發(fā)生井漏時的鉆井?dāng)?shù)據(jù),按照7∶3的比例分為訓(xùn)練集和測試集,進(jìn)行井漏事故的分類預(yù)測。分別建立ISSA、SSA、GWO和GA算法優(yōu)化SVM的分類預(yù)測模型。統(tǒng)一設(shè)置最大迭代次數(shù)為100次,種群數(shù)量為20。4種算法優(yōu)化SVM的井漏分類預(yù)測的適應(yīng)度曲線以及分類準(zhǔn)確率結(jié)果分別如圖2和圖3所示。

由圖2和圖3可知,使用ISSA算法僅需要迭代6次,就可以達(dá)到分類準(zhǔn)確率的最佳適應(yīng)度。而SSA、GWO和GA算法分別需要迭代12次、10次和95次才可以達(dá)到各自對應(yīng)的最佳適應(yīng)度數(shù)值,并且均沒有ISSA算法的最佳適應(yīng)度數(shù)值高。這說明了ISSA相較于其他優(yōu)化算法更加能夠快速、準(zhǔn)確地找出SVM的懲罰參數(shù)C和核參數(shù)g。

表3 部分樣本數(shù)據(jù)Table 3 Part of the sample data

紅色實線表示每次進(jìn)化迭代過程中最佳適應(yīng)度值;藍(lán)色虛線表示每次進(jìn)化迭代過程中種群的平均適應(yīng)度值圖2 4種算法優(yōu)化SVM適應(yīng)度曲線圖Fig.2 Four algorithms to optimize SVM fitness curve

將4種算法分別用于優(yōu)化SVM的懲罰參數(shù)C和核參數(shù)g,構(gòu)建井漏分類預(yù)測模型,結(jié)果如表4所示。通過4種算法的對比分析,可以得出:ISSA-SVM的預(yù)測效果最好,預(yù)測準(zhǔn)確率(Accuracy)可達(dá)到97.765 4%,相比于SSA-SVM、GWO-SVM和GA-SVM模型的預(yù)測準(zhǔn)確率分別提高了0.558 7%、1.676%以及2.234 7%。結(jié)果表明,ISSA算法不僅在尋找最優(yōu)參數(shù)方面速度快,結(jié)合SVM之后,它的分類預(yù)測準(zhǔn)確率也比其他智能優(yōu)化算法更高,ISSA算法效果顯著。

圖3 4種算法優(yōu)化SVM分類結(jié)果圖Fig.3 Four algorithms to optimize the SVM classification result graph

表4 4種算法對比Table 4 Comparison of four algorithms

6 結(jié)論

提出了一種ISSA算法并將其和SVM結(jié)合起來,建立了井漏事故的預(yù)測模型,得到以下結(jié)論。

(1)將ISSA算法與其他智能優(yōu)化算法使用基準(zhǔn)測試函數(shù)進(jìn)行尋優(yōu)性能分析,結(jié)果表明ISSA算法在收斂速度、尋優(yōu)精度方面效果顯著。

(2)提出的ISSA-SVM井漏預(yù)測模型,對于井漏的預(yù)測準(zhǔn)確率可達(dá)到97.765 4%,相對于SSA-SVM、GWO-SVM以及GA-SVM井漏預(yù)測模型,在預(yù)測準(zhǔn)確率和運(yùn)算時間方面有較大的提升,魯棒性更好。同時,為鉆井過程中及時、準(zhǔn)確的發(fā)現(xiàn)井漏事故,減少不必要的損失,提出了一種可行的方案,具有一定意義的參考價值。

猜你喜歡
發(fā)現(xiàn)者測試函數(shù)麻雀
拯救受傷的小麻雀
1958年的麻雀
“發(fā)現(xiàn)者”卡納里斯的法律方法論
法律方法(2018年2期)2018-07-13 03:21:42
麻雀
趣味(語文)(2018年2期)2018-05-26 09:17:55
具有收縮因子的自適應(yīng)鴿群算法用于函數(shù)優(yōu)化問題
讓學(xué)生在小學(xué)數(shù)學(xué)課堂中做一個“發(fā)現(xiàn)者”和“創(chuàng)造者”
魅力中國(2017年6期)2017-05-13 12:56:17
三位引力波發(fā)現(xiàn)者分享2017年諾貝爾物理學(xué)獎
帶勢函數(shù)的雙調(diào)和不等式組的整體解的不存在性
緊盯著窗外的麻雀
山東青年(2016年1期)2016-02-28 14:25:22
約束二進(jìn)制二次規(guī)劃測試函數(shù)的一個構(gòu)造方法
遂宁市| 宁德市| 阜宁县| 洛川县| 东兰县| 石景山区| 乐业县| 昆明市| 泾源县| 沙河市| 内丘县| 抚顺市| 双城市| 达尔| 玉树县| 延安市| 桐庐县| 金昌市| 恩施市| 沁源县| 应城市| 读书| 开封市| 于田县| 嘉荫县| 册亨县| 昌江| 军事| 义乌市| 晋江市| 遂平县| 邵武市| 株洲市| 五家渠市| 青田县| 翁源县| 砚山县| 汝城县| 句容市| 弥渡县| 来宾市|