基于网络优化的钻井事故预测方法、装置、设备及介质与流程

本发明涉及数据处理，尤其涉及一种基于网络优化的钻井事故预测方法、装置、设备及介质。

背景技术：

1、在石油及天然气勘探与开发领域，钻井作业的安全与效率直接关系到项目的成功与否及经济效益。钻井过程中，钻井状态的实时监测与异常事故的及时预警是保障作业安全、提高钻井效率的重要手段。然而，目前广泛采用的钻井事故预测方法主要依赖于专家的主观判断与长期积累的现场经验，这种方法存在明显的局限性。

2、首先，人工判断受到专家个人主观偏见、疲劳状态、经验水平等多种因素的影响，难以保证判断的准确性和一致性。特别是在复杂多变的钻井环境下，单一专家的判断可能无法全面、准确地反映钻井状态，增加了误判和漏判的风险。

3、其次，专家的钻井现场经验虽然宝贵，但其传承和复制却面临巨大挑战。不同专家之间的经验难以直接对比和融合，且经验的积累需要长时间的实践和学习，这使得钻井事故预测的知识体系难以在短时间内实现大规模的复制与应用，限制了钻井作业安全水平的提升。

4、为了克服上述问题，研究人员开始探索基于智能算法的钻井事故预测方法。其中，基于遗传算法的bp神经网络模型因其强大的自学习和非线性映射能力而备受关注。然而，现有的基于遗传算法的bp神经网络钻井事故预测方法仍存在一定的不足。具体来说，该方法中遗传算法采用的单一种群进化策略容易导致早熟收敛问题，即算法在搜索过程中过早地陷入局部最优解而难以找到全局最优解。此外，传统的选择算子、交叉算子和变异算子等方法在应对复杂钻井环境时可能表现出一定的局限性，无法充分挖掘和利用数据中的有用信息，影响了预测结果的准确性和可靠性。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术局限性问题。为此，本发明提出一种基于网络优化的钻井事故预测方法、装置、设备及介质，能够高效准确进行钻井事故预测。

2、一方面，本发明实施例提供了一种基于网络优化的钻井事故预测方法，包括：

3、获取钻井数据，基于钻井数据整理得到测试集和验证集；钻井数据包括钻井特征数据和钻井事故类型；

4、将预设神经网络作为第一神经网络；预设神经网络的网络拓扑结构基于钻井特征数据的特征数量预设得到；

5、初始化种群部落；将种群部落作为第一部落；第一部落包括第一数量的种群，每个种群包括第二数量的个体，个体包括与第一神经网络的网络拓扑结构对应的网络参数，第二数量表征预设区间内的随机数；第一部落的每个种群设置有进化概率，进化概率包括交叉概率和变异概率中的至少一种；

6、遍历第一部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第一预测正确率；获取第一部落中最大的第一预测正确率作为目标正确率，当目标正确率大于第一阈值，将目标正确率对应的个体作为目标个体，否则，基于每个种群的进化概率对相应的种群进行第一进化处理，得到第二部落；

7、遍历第二部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第二预测正确率；基于第二预测正确率结合预设的部落选择算子从第二部落中每个种群获取选择个体，根据选择个体对第二部落进行种群之间的第二进化处理，得到第三部落；

8、将迭代次数加1；当迭代次数达到迭代阈值，根据最后一次迭代得到的第三种群确定目标个体；否则，将第三部落作为第三部落，然后返回执行遍历第一部落中每个种群的所有个体的步骤；其中，迭代次数初始为0；

9、通过验证集处理得到第一神经网络应用目标个体的网络参数对应的第四预测正确率，当第四预测正确率大于第二阈值，将目标个体的网络参数应用到第一神经网络作为目标神经网络；否则，调整第一神经网络的网络拓扑结构，得到第二神经网络，将迭代次数重置为0，将第二神经网络作为第一神经网络，然后返回执行初始化种群部落的步骤；

10、通过目标神经网络根据待预测钻井数据进行钻井事故预测，得到钻井预测结果。

11、可选地，预设神经网络包括输入层、隐藏层和输出层；方法还包括以下步骤：

12、根据钻井特征数据的特征数量设置预设神经网络的输入层的神经元的第一数量；

13、基于第一数量，结合预设数量关系设置预设神经网络的隐藏层的神经元的第二数量；其中，输出层的神经元的第三数量为1；网络参数包括权重参数和阈值参数；

14、根据第一数量和第二数量的乘积与第二数量和第三数量的乘积的和确定权重参数的第四数量；根据第二数量与第三数量的和确定阈值参数的数量。

15、可选地，遍历第一部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第一预测正确率；获取第一部落中最大的第一预测正确率作为目标正确率，当目标正确率大于第一阈值，将目标正确率对应的个体作为目标个体，否则，基于每个种群的进化概率对相应的种群进行第一进化处理，得到第二部落，包括以下步骤：

16、将第一部落中的第一个种群作为目标种群；

17、将目标种群中的第一个个体作为预备个体；

18、将预备个体的网络参数应用到第一神经网络作为预备神经网络；

19、利用预备神经网络对测试集中的所有钻井特征数据进行预测处理，得到预备结果；将所有预备结果与其对应的钻井特征数据配对的钻井事故类型进行比对，根据相同结果的比例得到预备个体的网络参数对应的第一预测正确率；

20、将目标种群中预备个体的下一个个体作为预备个体，返回执行将预备个体的网络参数应用到第一神经网络作为预备神经网络的步骤，直至得到目标种群所有个体的第一预测正确率；

21、获取目标种群中最大的第一预测正确率作为目标正确率，当目标正确率大于第一阈值，将目标正确率对应的个体作为目标个体，否则，基于目标种群预设置的进化概率对目标种群进行第一进化处理；第一进化处理包括交叉操作和变异操作中的至少一种；

22、将第一部落中目标种群的下一个种群作为目标种群，返回执行将目标种群中的第一个个体作为预备个体的步骤，直至得到目标个体或者第二部落。

23、可选地，基于第二预测正确率结合预设的部落选择算子从第二部落中每个种群获取选择个体，包括以下步骤：

24、基于第二预测正确率处理得到第二部落中每个种群的正确率标准差；

25、根据第一阈值依次与第二部落中每个种群的正确率标准差作差，得到第二部落中每个种群的目标差值；

26、根据第二部落中每个种群的目标差值与相应的种群的第二数量的乘积确定第二部落中每个种群的选择个体的选择数量；

27、基于选择数量，从相应的种群获取相应数量的个体作为选择个体；

28、其中，选择个体为每个种群中第二预测正确率最大的一批个体。

29、可选地，根据选择个体对第二部落进行种群之间的第二进化处理，包括以下步骤：

30、获取第二部落中每个种群的选择个体的选择数量，进而确定第二部落中所有种群的选择总数；

31、获取第二部落中每个种群最大的第二预测正确率，进而相加得到正确率之和；

32、基于第二部落中每个种群最大的第二预测正确率与正确率之和的比值确定每个种群对应的接纳比例；

33、根据第二部落中每个种群的接纳比例与选择总数的乘积确定每个种群对应的接纳数量；

34、基于第二预测正确率由大到小的顺序对第二部落中所有选择个体进行排序，得到选择序列；

35、根据接纳数量由小到大的顺序，依次从选择序列的前序取出接纳数量的选择个体作为接纳个体放入接纳数量在第二部落中相应的种群中。

36、可选地，根据选择个体对第二部落进行种群之间的第二进化处理，还包括以下步骤：

37、将第二部落中的第一个种群作为目标种群；

38、基于目标种群的选择数量和接纳数量，结合预设运行规则处理得到目标种群的交叉数量；

39、从放入目标种群中的所有接纳个体中随机获取一个接纳个体作为第一个体，从放入第二部落中除目标种群以外其它种群的所有接纳个体中随机获取一个接纳个体作为第二个体；

40、对第一交叉个体和第二交叉个体进行基因交叉处理，得到交叉个体；

41、将交叉个体放入目标种群，将交叉次数加1；交叉次数初始化为0；

42、返回执行从放入目标种群中的所有接纳个体中随机获取一个接纳个体作为第一个体的步骤，直至交叉次数等于交叉数量，将交叉次数重置为0，将第二部落中目标种群的下一个种群作为目标种群；

43、返回执行基于目标种群的选择数量和接纳数量，结合预设运行规则处理得到目标种群的交叉数量的步骤，直至第二部落中的所有种群均放入对应的交叉数量的交叉个体。

44、可选地，根据最后一次迭代得到的第三种群确定目标个体，包括以下步骤：

45、遍历第三部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第三预测正确率；

46、将第三部落中最大的第三预测正确率对应的个体作为目标个体。

47、另一方面，本发明实施例提供了一种基于网络优化的钻井事故预测装置，包括：

48、第一模块，用于获取钻井数据，基于钻井数据整理得到测试集和验证集；钻井数据包括钻井特征数据和钻井事故类型；

49、第二模块，用于将预设神经网络作为第一神经网络；预设神经网络的网络拓扑结构基于钻井特征数据的特征数量预设得到；

50、第三模块，用于初始化种群部落；将种群部落作为第一部落；第一部落包括第一数量的种群，每个种群包括第二数量的个体，个体包括与第一神经网络的网络拓扑结构对应的网络参数，第二数量表征预设区间内的随机数；第一部落的每个种群设置有进化概率，进化概率包括交叉概率和变异概率中的至少一种；

51、第四模块，用于遍历第一部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第一预测正确率；获取第一部落中最大的第一预测正确率作为目标正确率，当目标正确率大于第一阈值，将目标正确率对应的个体作为目标个体，否则，基于每个种群的进化概率对相应的种群进行第一进化处理，得到第二部落；

52、第五模块，用于遍历第二部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第二预测正确率；基于第二预测正确率结合预设的部落选择算子从第二部落中每个种群获取选择个体，根据选择个体对第二部落进行种群之间的第二进化处理，得到第三部落；

53、第六模块，用于将迭代次数加1；当迭代次数达到迭代阈值，根据最后一次迭代得到的第三种群确定目标个体；否则，将第三部落作为第三部落，然后返回执行遍历第一部落中每个种群的所有个体的步骤；其中，迭代次数初始为0；

54、第七模块，用于通过验证集处理得到第一神经网络应用目标个体的网络参数对应的第四预测正确率，当第四预测正确率大于第二阈值，将目标个体的网络参数应用到第一神经网络作为目标神经网络；否则，调整第一神经网络的网络拓扑结构，得到第二神经网络，将迭代次数重置为0，将第二神经网络作为第一神经网络，然后返回执行初始化种群部落的步骤；

55、第八模块，用于通过目标神经网络根据待预测钻井数据进行钻井事故预测，得到钻井预测结果。

56、可选地，预设神经网络包括输入层、隐藏层和输出层；装置还包括：

57、第九模块，用于根据钻井特征数据的特征数量设置预设神经网络的输入层的神经元的第一数量；

58、第十模块，用于基于第一数量，结合预设数量关系设置预设神经网络的隐藏层的神经元的第二数量；其中，输出层的神经元的第三数量为1；网络参数包括权重参数和阈值参数；

59、第十一模块，用于根据第一数量和第二数量的乘积与第二数量和第三数量的乘积的和确定权重参数的第四数量；根据第二数量与第三数量的和确定阈值参数的数量。

60、另一方面，本发明实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述基于网络优化的钻井事故预测方法。

61、另一方面，本发明实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述基于网络优化的钻井事故预测方法。

62、本发明实施例通过获取钻井数据，基于钻井数据整理得到测试集和验证集；钻井数据包括钻井特征数据和钻井事故类型；将预设神经网络作为第一神经网络；预设神经网络的网络拓扑结构基于钻井特征数据的特征数量预设得到；初始化种群部落；将种群部落作为第一部落；第一部落包括第一数量的种群，每个种群包括第二数量的个体，个体包括与第一神经网络的网络拓扑结构对应的网络参数，第二数量表征预设区间内的随机数；第一部落的每个种群设置有进化概率，进化概率包括交叉概率和变异概率中的至少一种；遍历第一部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第一预测正确率；获取第一部落中最大的第一预测正确率作为目标正确率，当目标正确率大于第一阈值，将目标正确率对应的个体作为目标个体，否则，基于每个种群的进化概率对相应的种群进行第一进化处理，得到第二部落；遍历第二部落中每个种群的所有个体，进而通过测试集处理得到第一神经网络应用每个个体的网络参数对应的第二预测正确率；基于第二预测正确率结合预设的部落选择算子从第二部落中每个种群获取选择个体，根据选择个体对第二部落进行种群之间的第二进化处理，得到第三部落；将迭代次数加1；当迭代次数达到迭代阈值，根据最后一次迭代得到的第三种群确定目标个体；否则，将第三部落作为第三部落，然后返回执行遍历第一部落中每个种群的所有个体的步骤；其中，迭代次数初始为0；通过验证集处理得到第一神经网络应用目标个体的网络参数对应的第四预测正确率，当第四预测正确率大于第二阈值，将目标个体的网络参数应用到第一神经网络作为目标神经网络；否则，调整第一神经网络的网络拓扑结构，得到第二神经网络，将迭代次数重置为0，将第二神经网络作为第一神经网络，然后返回执行初始化种群部落的步骤；通过目标神经网络根据待预测钻井数据进行钻井事故预测，得到钻井预测结果。本发明实施例基于多个种群，每个种群沿着不同方向进化，种群内的进化和已有工作保持一致，引入了种群之间的交流，从而提升了求解效率；本发明实施例通过改进遗传算法寻找bp神经网络最优参数，从而得到了更加精确钻井事故预测模型，具体地，本发明提出了基于多种群的方法搜索bp神经网络最优参数，增强了全局搜索能力，提升了预警的精准度；本发明能够高效准确实现钻井事故预测。