基于粒子群算法的钻进参数多目标优化

李琳　张栋栋　沙林秀　徐红

摘 要： 为了使钻进过程达到最优，提出了基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型。参考典型的多目标优化进化算法NSGA?Ⅱ，提出了一种多目标粒子群算法（MOPSO）。采用一个钻进参数优化实例对优化模型和算法进行检验，得到分布均匀的Pareto最优解，一些最优解与传统的钻进参数单目标优化的解近似；讨论了算法中的种群规模、迭代次数和外部档案规模三个参数，得到一组兼顾解质量和计算时间的参数值，其计算时间的统计结果证明模型和算法满足钻进参数动态优化的要求。

关键词： 钻进参数； 多目标优化； 机械钻速； 粒子群

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）10?0024?04

Abstract： In order to make the drilling process optimal， a multi?objective optimization model of drilling parameters based on the penetration rate， the bit life and the mechanical specific energy of bit is proposed. Inspired by a classic multi?objective evolution optimization algorithm NSGA?II， a multi?objective particle swarm optimization （MOPSO） algorithm is proposed. The optimized model and algorithm were verified with a real example whose drilling parameters were optimized. The evenly distributed Pareto optimal solutions were obtained， some of which are similar to the solutions of the traditional single?objective optimization of drilling parameter. Three parameters of population scale， iteration number and external population scale in the algorithm are discussed. A group of parameter values which balance the solution quality and the computing time are chosen. The statistical result of computing time proves that the model and the algorithm meet the need of the dynamic optimization of drilling parameters.

Keywords： drilling parameter； MOP； ROP； PSO

0 引 言

钻进参数优化的目的是寻求一定的钻压、转速配合，使钻进过程达到最佳的技术经济效果[1]。为了达到这一目地，首先需要确定一个衡量钻进技术经济效果的标准，传统上一般以单位进尺成本为目标[2?3]。这一指标实际是机械钻速和钻头磨损的成本组合。为了更好地研究钻进参数优化，可以将其划分为两个阶段：无偏好的钻进参数多目标优化阶段和成本最低偏好决策阶段。由于成本最低偏好决策需要相应的成本函数，而这些成本函数的确定常常需要考虑复杂的商业原理、法律条文和会计准则，因此本文只讨论第一阶段，即无偏好的钻进参数多目标优化。

最近大量事例和迹象表明进化算法的机理最适合求解多目标优化问题，遗传算法是进化算法的主流，第二代非支配排序遗传算法（NSGA?Ⅱ）被认为是其中最优秀的一种算法[4]。受NSGA?Ⅱ启发得到一种多目标粒子群算法（MOPSO），标准函数测试实验证明其运行效率更高，运行时间更优[5]。本文采用该算法求解无偏好的钻进参数多目标优化。

1 钻进参数多目标优化模型

本文提出基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型，采用类似于NSGA?Ⅱ的MOPSO算法求解，根据一个实例，得到了分布均匀的优化结果，证明了模型正确、算法有效，最后讨论并确定了MOPSO算法的参数。

表2 种群规模对计算时间的影响

参考文献

[1] 陈庭根，管志川.钻井工程理论与技术[M].北京：中国石油大学出版社，2000.

[2] 伊鹏，刘衍聪，郭欣，等.基于改进自适应遗传算法的钻井参数优化设计[J].石油机械，2010，38（2）：32?73.

[3] 李士斌，张立刚，荆玲，等.钻井参数优选新方法[J].石油钻探技术，2007，35（4）：9?11.

[4] 崔逊学.多目标进化算法及其应用[M].北京：国防工业出版社，2006.

[5] 赵张娜.多目标粒子群优化方法的实验分析[D].北京：中国地质大学，2012.

[6] 李琳，聂臻，沙林秀.基于NSGA2的多目标钻进参数优化研究[J].石油机械，2013，41（3）：55?71.

[7] 樊洪海，冯广庆，肖伟，等.基于机械比能理论的钻头磨损监测新方法[J].石油钻探技术，2012，40（3）：116?120.

[8] 景宁，樊洪海，翟应虎，等.基于比能理论的钻头工作状态监测方法[J].断块油气田，2011，18（4）：538?540.

[9] 刘厚才，陈志钢.非支配排序均匀遗传算法[J].计算机应用研究，2011，28（11）：4020?4025.

[10] 王洋，刘金园，王东风，等.基于改进NSGA?Ⅱ算法的电厂多目标负荷分配[J].电力科学与工程，2010，26（8）：56?60.

[11] 谈恩民，王鹏.基于NSGA?II算法的SoC测试多目标优化研究[J].电子测量与仪器学报，2011，25（3）：226?232.

[12] 汪文彬，钟声.基于改进拥挤距离的多目标进化算法[J].计算机工程，2009，35（9）：211?213.

[13] 徐未强，朱元昌，邸彦强.改进的差异进化多目标优化算法在靶场测控方案优化设计中的应用[J].现代电子技术，2011，34（3）：8?10.

摘 要： 为了使钻进过程达到最优，提出了基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型。参考典型的多目标优化进化算法NSGA?Ⅱ，提出了一种多目标粒子群算法（MOPSO）。采用一个钻进参数优化实例对优化模型和算法进行检验，得到分布均匀的Pareto最优解，一些最优解与传统的钻进参数单目标优化的解近似；讨论了算法中的种群规模、迭代次数和外部档案规模三个参数，得到一组兼顾解质量和计算时间的参数值，其计算时间的统计结果证明模型和算法满足钻进参数动态优化的要求。

关键词： 钻进参数； 多目标优化； 机械钻速； 粒子群

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）10?0024?04

Abstract： In order to make the drilling process optimal， a multi?objective optimization model of drilling parameters based on the penetration rate， the bit life and the mechanical specific energy of bit is proposed. Inspired by a classic multi?objective evolution optimization algorithm NSGA?II， a multi?objective particle swarm optimization （MOPSO） algorithm is proposed. The optimized model and algorithm were verified with a real example whose drilling parameters were optimized. The evenly distributed Pareto optimal solutions were obtained， some of which are similar to the solutions of the traditional single?objective optimization of drilling parameter. Three parameters of population scale， iteration number and external population scale in the algorithm are discussed. A group of parameter values which balance the solution quality and the computing time are chosen. The statistical result of computing time proves that the model and the algorithm meet the need of the dynamic optimization of drilling parameters.

Keywords： drilling parameter； MOP； ROP； PSO

0 引 言

钻进参数优化的目的是寻求一定的钻压、转速配合，使钻进过程达到最佳的技术经济效果[1]。为了达到这一目地，首先需要确定一个衡量钻进技术经济效果的标准，传统上一般以单位进尺成本为目标[2?3]。这一指标实际是机械钻速和钻头磨损的成本组合。为了更好地研究钻进参数优化，可以将其划分为两个阶段：无偏好的钻进参数多目标优化阶段和成本最低偏好决策阶段。由于成本最低偏好决策需要相应的成本函数，而这些成本函数的确定常常需要考虑复杂的商业原理、法律条文和会计准则，因此本文只讨论第一阶段，即无偏好的钻进参数多目标优化。

最近大量事例和迹象表明进化算法的机理最适合求解多目标优化问题，遗传算法是进化算法的主流，第二代非支配排序遗传算法（NSGA?Ⅱ）被认为是其中最优秀的一种算法[4]。受NSGA?Ⅱ启发得到一种多目标粒子群算法（MOPSO），标准函数测试实验证明其运行效率更高，运行时间更优[5]。本文采用该算法求解无偏好的钻进参数多目标优化。

1 钻进参数多目标优化模型

本文提出基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型，采用类似于NSGA?Ⅱ的MOPSO算法求解，根据一个实例，得到了分布均匀的优化结果，证明了模型正确、算法有效，最后讨论并确定了MOPSO算法的参数。

表2 种群规模对计算时间的影响

参考文献

[1] 陈庭根，管志川.钻井工程理论与技术[M].北京：中国石油大学出版社，2000.

[2] 伊鹏，刘衍聪，郭欣，等.基于改进自适应遗传算法的钻井参数优化设计[J].石油机械，2010，38（2）：32?73.

[3] 李士斌，张立刚，荆玲，等.钻井参数优选新方法[J].石油钻探技术，2007，35（4）：9?11.

[4] 崔逊学.多目标进化算法及其应用[M].北京：国防工业出版社，2006.

[5] 赵张娜.多目标粒子群优化方法的实验分析[D].北京：中国地质大学，2012.

[6] 李琳，聂臻，沙林秀.基于NSGA2的多目标钻进参数优化研究[J].石油机械，2013，41（3）：55?71.

[7] 樊洪海，冯广庆，肖伟，等.基于机械比能理论的钻头磨损监测新方法[J].石油钻探技术，2012，40（3）：116?120.

[8] 景宁，樊洪海，翟应虎，等.基于比能理论的钻头工作状态监测方法[J].断块油气田，2011，18（4）：538?540.

[9] 刘厚才，陈志钢.非支配排序均匀遗传算法[J].计算机应用研究，2011，28（11）：4020?4025.

[10] 王洋，刘金园，王东风，等.基于改进NSGA?Ⅱ算法的电厂多目标负荷分配[J].电力科学与工程，2010，26（8）：56?60.

[11] 谈恩民，王鹏.基于NSGA?II算法的SoC测试多目标优化研究[J].电子测量与仪器学报，2011，25（3）：226?232.

[12] 汪文彬，钟声.基于改进拥挤距离的多目标进化算法[J].计算机工程，2009，35（9）：211?213.

[13] 徐未强，朱元昌，邸彦强.改进的差异进化多目标优化算法在靶场测控方案优化设计中的应用[J].现代电子技术，2011，34（3）：8?10.

摘 要： 为了使钻进过程达到最优，提出了基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型。参考典型的多目标优化进化算法NSGA?Ⅱ，提出了一种多目标粒子群算法（MOPSO）。采用一个钻进参数优化实例对优化模型和算法进行检验，得到分布均匀的Pareto最优解，一些最优解与传统的钻进参数单目标优化的解近似；讨论了算法中的种群规模、迭代次数和外部档案规模三个参数，得到一组兼顾解质量和计算时间的参数值，其计算时间的统计结果证明模型和算法满足钻进参数动态优化的要求。

关键词： 钻进参数； 多目标优化； 机械钻速； 粒子群

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）10?0024?04

Abstract： In order to make the drilling process optimal， a multi?objective optimization model of drilling parameters based on the penetration rate， the bit life and the mechanical specific energy of bit is proposed. Inspired by a classic multi?objective evolution optimization algorithm NSGA?II， a multi?objective particle swarm optimization （MOPSO） algorithm is proposed. The optimized model and algorithm were verified with a real example whose drilling parameters were optimized. The evenly distributed Pareto optimal solutions were obtained， some of which are similar to the solutions of the traditional single?objective optimization of drilling parameter. Three parameters of population scale， iteration number and external population scale in the algorithm are discussed. A group of parameter values which balance the solution quality and the computing time are chosen. The statistical result of computing time proves that the model and the algorithm meet the need of the dynamic optimization of drilling parameters.

Keywords： drilling parameter； MOP； ROP； PSO

0 引 言

钻进参数优化的目的是寻求一定的钻压、转速配合，使钻进过程达到最佳的技术经济效果[1]。为了达到这一目地，首先需要确定一个衡量钻进技术经济效果的标准，传统上一般以单位进尺成本为目标[2?3]。这一指标实际是机械钻速和钻头磨损的成本组合。为了更好地研究钻进参数优化，可以将其划分为两个阶段：无偏好的钻进参数多目标优化阶段和成本最低偏好决策阶段。由于成本最低偏好决策需要相应的成本函数，而这些成本函数的确定常常需要考虑复杂的商业原理、法律条文和会计准则，因此本文只讨论第一阶段，即无偏好的钻进参数多目标优化。

最近大量事例和迹象表明进化算法的机理最适合求解多目标优化问题，遗传算法是进化算法的主流，第二代非支配排序遗传算法（NSGA?Ⅱ）被认为是其中最优秀的一种算法[4]。受NSGA?Ⅱ启发得到一种多目标粒子群算法（MOPSO），标准函数测试实验证明其运行效率更高，运行时间更优[5]。本文采用该算法求解无偏好的钻进参数多目标优化。

1 钻进参数多目标优化模型

本文提出基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型，采用类似于NSGA?Ⅱ的MOPSO算法求解，根据一个实例，得到了分布均匀的优化结果，证明了模型正确、算法有效，最后讨论并确定了MOPSO算法的参数。

表2 种群规模对计算时间的影响

参考文献

[1] 陈庭根，管志川.钻井工程理论与技术[M].北京：中国石油大学出版社，2000.

[2] 伊鹏，刘衍聪，郭欣，等.基于改进自适应遗传算法的钻井参数优化设计[J].石油机械，2010，38（2）：32?73.

[3] 李士斌，张立刚，荆玲，等.钻井参数优选新方法[J].石油钻探技术，2007，35（4）：9?11.

[4] 崔逊学.多目标进化算法及其应用[M].北京：国防工业出版社，2006.

[5] 赵张娜.多目标粒子群优化方法的实验分析[D].北京：中国地质大学，2012.

[6] 李琳，聂臻，沙林秀.基于NSGA2的多目标钻进参数优化研究[J].石油机械，2013，41（3）：55?71.

[7] 樊洪海，冯广庆，肖伟，等.基于机械比能理论的钻头磨损监测新方法[J].石油钻探技术，2012，40（3）：116?120.

[8] 景宁，樊洪海，翟应虎，等.基于比能理论的钻头工作状态监测方法[J].断块油气田，2011，18（4）：538?540.

[9] 刘厚才，陈志钢.非支配排序均匀遗传算法[J].计算机应用研究，2011，28（11）：4020?4025.

[10] 王洋，刘金园，王东风，等.基于改进NSGA?Ⅱ算法的电厂多目标负荷分配[J].电力科学与工程，2010，26（8）：56?60.

[11] 谈恩民，王鹏.基于NSGA?II算法的SoC测试多目标优化研究[J].电子测量与仪器学报，2011，25（3）：226?232.

[12] 汪文彬，钟声.基于改进拥挤距离的多目标进化算法[J].计算机工程，2009，35（9）：211?213.

[13] 徐未强，朱元昌，邸彦强.改进的差异进化多目标优化算法在靶场测控方案优化设计中的应用[J].现代电子技术，2011，34（3）：8?10.