基于神经网络的井眼姿态测量误差补偿研究

邵婷婷, 亓宏涛, 肖剑, 秦俊, 王可可

(1. 延安大学 物理与电子信息学院， 延安 716000； 2. 延安大学 信息与通信工程研究所， 延安 716000)

基于神经网络的井眼姿态测量误差补偿研究

邵婷婷1,2, 亓宏涛1, 肖剑1, 秦俊1, 王可可1

(1. 延安大学 物理与电子信息学院， 延安 716000； 2. 延安大学 信息与通信工程研究所， 延安 716000)

分析了国内常用磁性电子测斜仪在工作过程中可能存在的误差及其来源。对井眼姿态测量中的主要测量参数井斜角和方位角，采用径向基函数(RBF)和反向传播(BP)神经网络算法，分别建立了以实测井斜角为输入、标准井斜角为输出的单入单出网络模型，和以实测井斜角和方位角构成的二维向量为输入、标准方位角构成的一维向量为输出的双入单出网络模型，并用测斜仪器的测量数据进行了测试。测试结果表明，采用RBF和BP神经网络补偿算法，可将井斜角的测量精度提高至±0.16°以内，方位角的测量精度提高至±1.7°以内，误差补偿效果较好。

井眼； 井斜角； 方位角； 神经网络； 误差补偿

0 引言

石油是重要的一次能源，原油的开采需要经过探、钻、测、压等多个环节，其中油井井眼的姿态测量是测井技术的重要组成部分，实际作业过程中由测斜仪器测量的井斜角和方位角等参数来描述[1]，井斜角是油井井轴与测斜仪器铅垂线的夹角，方位角是指仪器在水平面上的投影与磁北方向间的夹角[2]。由磁传感器和加速度计构成的磁性电子测斜仪，因体积小、功耗低、抗振动和冲击性能好等优点，在各大油田得到了广泛的应用[3]。测斜仪井斜角和方位角的测量范围分别是0°～90°，0°～360°，国外测斜仪测量精度分别为±0.1°，±1°，而国内测斜仪的精度分别为±0.2°，±2°[4]。随着油田开发程度的加深，对测斜仪器测量精度的要求也越来越高。本文针对国内常用的磁性电子测斜仪，对井斜角基于径向基RBF网络函数，建立了以测量井斜角为输入、补偿后的井斜角为输出的单入单出神经网络模型，对方位角基于误差反向传播BP神经网络函数，建立了以实测井斜角和方位角构成的二维向量为输入、标准方位角构成的一维向量为输出的双入单出神经网络模型，并均进行了现场测试。测试结果表明，采用RBF和BP神经网络补偿算法，可将井斜角的测量精度提高至±0.16°以内，方位角的测量精度提高至±1.7°以内。

1 误差分析

磁性电子测斜仪的核心是由三轴磁通门和加速度计及其相关电路组成，其中三个磁通门传感器按照正交方式沿测斜仪轴线安装。按照根据相关理论，可得方位角φ、井斜角θ和工具面角γ的公式[5]。

影响井眼姿态测量精度的因素有很多，如传感器数据的测量误差、传感器在仪器坐标系上的安装误差、温度的漂移误差和井眼环境的磁干扰等[6]。最小二乘法、共轭梯度法、最大似然法等方法均需要根据误差的来源建立校正模型以提高测量精度，但因误差复杂多样，建立准确的数学模型是比较困难的。神经网络技术误差校正不需要建立准确的数学模型，对采集的测斜仪井斜角和方位角测量值学习样本进行建模训练，使之高精度逼近测斜仪测量值输入与输出之间的非线性关系，就可以提高测量精度。

2 神经网络误差补偿模型建立

本文井斜角的测量误差校正采用RBF(radical basis function)神经网络，具有收敛速度快、精度高和可靠性强的优点[7]。方位角的测量误差校正采用BP(back propagation)神经网络，具有网络结构简单，可作用于全局，并行分布处理方式的优点[8]。学习样本测试点的选取关系到误差校正模型的可靠性，既要反映出测斜仪井斜角、方位角输出数据的特点，又要覆盖测斜仪实际应用中的测量范围。

2.1 井斜角误差模型的建立

根据调研，鄂尔多盆地中心地带的陕北石油基地，油井的井斜范围相对比较集中，多分布在10°～35°。因此，本文采用高精度两轴位置转台，分别在井斜角10°，13°，16°，21°，23°，25°，29°， 30°，32°，35°时取样测试点，作为井斜角的训练样本，进行RBF神经网络模型的建立。

本文以实测井斜角为输入、标准井斜角为输出，建立一个单入单出的三层RBF神经网络结构。采用函数newrb(P,T,goal,spread,MN,DF) 建立井斜角的误差补偿RBF神经网络结构，其中P 为输入样本，T为目标数据；goal为均方误差，本文设置为0.000 1；spread为径向基函数的分布密度，本文设置为0.85；MN最大神经元数目，本文设置为1；DF为两次显示之间的神经元数目，本文设置为每次1个。

2.2 方位角误差模型的建立

本文采用高精度两轴位置转台，分别在井斜角10°，12°，16°，18°，20°，23°，26°，28°， 30°，32°，33°，35°时，方位角在0°～360°每隔30°获取取样测试点，作为方位角的训练样本，进行BP神经网络模型的建立。

本文采用实测井斜角和方位角构成的二维向量为输入、标准方位角构成的一维向量为输出，建立了一个双入单出的BP神经网络结构。

本文采用函数newff(PR,[S1 S2 S3],{TF1 TF2 TF3},BTF)建立方位角的误差补偿BP神经网络结构，其中PR为输入样本；S1为输入维数，本文取2；S2为隐含层神经元个数，通过试凑验证，本文取7；S3为输出维数，本文取1；TFi为各层传输函数，输入层和隐含层的传输函数取tansig，输出层的传输函数为purelin；BTF为BP网络的训练函数，本文取traingdx，学习函数取learngdm，性能函数取mse。BP网络训练需要确定训练参数，由于采集的方位角数据样本比较多，本文将最大收敛次数设置为10000；训练目标误差设置为10-5；显示间隔设置越小，收敛过程越慢，最大收敛次数越难达到，经过试验本文将显示间隔设置为200；网络的学习速率越小，则训练周期越长，收敛越慢，本文将收敛速率设置为0.05；网络动量因子取0.9。

3 实验数据及结果分析

网络模型建立并训练完毕之后，为了测试补偿效果，在同一实验条件下，对部分学习样本和测量数据，作为建好的RBF神经网络模型输入，经仿真得到补偿后的井斜角；分别对误差最大的井斜15°时的方位角学习样本数据和井斜25°时的方位角测量数据，作为建好的BP网络模型的输入，经仿真得到补偿后的方位角。相关取样数据和测试测量数据,如表1、表2所示。

表1(a) 井斜角学习样本取样数据

表1(b) 误差补偿后井斜角测试测量数据

由实验数据可知，转台上实测井斜角补偿前误差最大可达±0.72°，经过RBF神经网络补偿后，测试的井斜角精度提高至±0.16°；转台上实测方位角补偿前在井斜20°时，误差最大可达±2.1°，经过BP神经网络补偿后方位角训练样本和测试数据的校正误差均提高至±1.7°以内，井斜角和方位角的测量精度均得到了改善。

4 总结

本文针对国内常用的磁性电子测斜仪，基于径向基RBF网络函数和误差反向传播BP神经网络函数，分别对井眼姿态测量参数井斜角和方位角，建立了误差校正模型，并在同一实验条件下进行了现场测试。测试结果表明，采用RBF

表2(a) 方位角学习样本取样数据

表2(b) BP网络误差校正后方位角测试测量数据

和BP神经网络补偿算法，可将井斜角的测量精度提高至±0.16°以内，方位角的测量精度提高至±1.7°以内。

[1] 邵婷婷, 张博超, 周美丽等. 基于RBF神网络的测斜仪方位角校正研究[J]. 国外电子测量技术，2016, 35(2):77-79.

[2] 谢川. 一种基于磁强计和倾角传感器的钻井测斜仪[J].仪器仪表学报，2010, 31(10):2357-2361.

[3] 赵代弟, 张晓明, 赖正喜等. 油井套管中测斜仪方位角精确解算方法[J]. 测试技术学报, 2015, 29(1): 63-67.

[4] 邝学农. 连续测斜方法的研究和仪器设计[D]. 西安: 西安石油大学, 2007.2-3.

[5] 王琪, 李孟委, 王增跃等. 基于隧道磁阻传感器的三维电子罗盘设计[J]. 传感技术学报, 2015, 28(6): 895-899.

[6] 潘萌, 程为彬, 嘉宏亮等. 一种测斜仪安装位置误差补偿方法[J]. 测试技术学报, 2014, 28(3): 219-224.

[7] 储兵, 吴陈, 杨习贝. 基于RBF神经网络与粗糙集的数据挖掘算法[J]. 计算机技术与发展, 2013, 23(7): 87-90.

[8] 野雪莲, 杨孔雨. 舆情趋势预测中神经网络的优化算法[J]. 网络新媒体技术, 2016, 5(1): 33-37.

Study on Measuring Error Compensation of Borehole Attitude Based on Neural Network

Shao Tingting1,2,Qi Hongtao1,Xiao Jian1,Qin Jun1,Wang Keke1

(1. College of Physics and Electronic Information，Yan’an University，Yan’an 716000，China;2. Institute of Information and Communication Engineering,Yan’an University,Yan’an 716000,China)

The possible error and source of domestic common magnetic dip meter are analyzed. For the angle of deviation, according to the radial basis function (RBF) compensation algorithm, a neural network is established, and its input is the measured deviation angle and output is the compensated deviation angle. For the azimuth, according to the error back propagation (BP) compensation algorithm, a neural network is also established, and its input is a two dimensional vector whose components are measured deviation angle and azimuth, and its output is the expected azimuth. The sampling data of the magnetic dip meter are used to test, and the experiment results show that, using the RBF and BP neural network compensate algorithms, the angle of deviation precision can be improved to ±0.16°, and the azimuth precision can be improved to ±1.7°.

Borehole; Angle of deviation; Azimuth; Neural network; Error compensation

陕西省科技厅项目(2014JM2-5058) 陕西省教育厅项目(15JK1827),延安市科学技术研究发展计划项目(2014KG-02),延安大学高水平大学学科建设项目(2015SXTS02),2015年陕西省大学生创新创业训练计划项目(1433)

邵婷婷(1982-)女，山东淄博人，西北工业大学，硕士研究生，副教授，研究方向：智能控制与信息处理，延安 716000 亓宏涛(1994-)男，陕西咸阳人，延安大学电子信息工程，硕士研究生，研究方向：智能控制与信息处理，延安 716000 肖剑(1993-)男，陕西铜川人，延安大学电子信息工程，硕士研究生，研究方向：智能控制与信息处理，延安 716000 秦俊(1994-)男，陕西咸阳人，延安大学电子信息工程，硕士研究生，研究方向：智能控制与信息处理，延安 716000 王可可(1991-)男，陕西宝鸡人，延安大学电子信息工程,硕士研究生，研究方向：智能控制与信息处理，延安 716000

1007-757X(2017)01-0024-03

TP212.9

A

2016.09.21)