粗糙集和神经网络相融合的钻井安全评价模型

doi:10.11885/j.issn.16745086.2016.01.19.02

西南石油大学学报(自然科学版) ›› 2017, Vol. 39 ›› Issue (5): 120-128.DOI: 10.11885/j.issn.16745086.2016.01.19.02

粗糙集和神经网络相融合的钻井安全评价模型

李建, 李珂, 王兵

西南石油大学计算机科学学院, 四川成都 610500

收稿日期:2016-01-19 出版日期:2017-10-01 发布日期:2017-10-01
作者简介:李建,1960年生,男,汉族,四川绵阳人,教授,主要从事石油工程计算、数据仓库与数据挖掘等方面的研究。E-mail:lijian2835@sina.com;李珂,1990年生,男,汉族,河南南阳人,硕士研究生,主要从事计算机工程与应用、数据挖掘等方面的研究。E-maill:like4070@163.com;王兵,1977年生,男,汉族,四川南充人,副教授,主要从事钻井安全评价、数据分析与数据挖掘等方面的研究。E-mail:w9521423@sina.com
基金资助:
国家科技重大专项（2011ZX05021-006）；四川省安全生产监督局项目（sichuan-0009-2016AQ）

An Evaluation Model of Drilling Safety Based on Combined Rough Set and Neural Network

LI Jian, LI Ke, WANG Bing

School of Computer Science, Southwest Petroleum University, Chengdu, Sichuan 610500, China

Received:2016-01-19 Online:2017-10-01 Published:2017-10-01
Contact: 李建,E-mail:lijian2835@sina.com

摘要/Abstract

摘要： 针对动态性、随机性和不确定性较强的钻井作业现场，开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统，对采集到的样本数据进行属性约简。其次，根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计，并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围，并采用训练样本对不同神经元个数所对应的网络模型进行训练，选择网络误差最低的网络作为所构建的网络模型。最后，选取16 d的测试样本对网络进行验证，将网络的输出同作业现场的实际结果进行比较，有14 d的网络结果与实际结果相符，测试准确率达到了87.5%。

关键词: 安全评价, 粗糙集, BP神经网络, 属性约简, 钻井作业

Abstract: A safety evaluation study was carried out for a drilling site with strong dynamics, randomness, and uncertainty. A safety evaluation method based on a rough set and a BP neural network is proposed for an operational field. First, the pre-system of the BP neural network is constructed based on the rough set, and a simplification of the attributes of the collected sample data is performed. Second, the input and output layers of the BP neural network are constructed based on the simplification results and the accident scenario on that particular operational day. Furthermore, the number of neurons in the hidden layer of the network is determined through a trial and error method based on the number of neurons in the input and output layers. The training samples are used to train the network models with different number of neurons. The network with the lowest error is selected as the constructed network model. Finally, test samples for 16 days are selected to verify the network. The network results are consistent with the actual results for 14 days, indicating that the test accuracy is 87.5%.

Key words: safety evaluation, rough set, BP neural network, attribute simplification, drilling operation

中图分类号:

TE28

李建, 李珂, 王兵. 粗糙集和神经网络相融合的钻井安全评价模型[J]. 西南石油大学学报(自然科学版), 2017, 39(5): 120-128.

LI Jian, LI Ke, WANG Bing. An Evaluation Model of Drilling Safety Based on Combined Rough Set and Neural Network[J]. 西南石油大学学报(自然科学版), 2017, 39(5): 120-128.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10.11885/j.issn.16745086.2016.01.19.02

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2017/V39/I5/120

参考文献

[1] 中国石油天然气集团公司质量安全环保部. HSE风险管理理论与实践[M]. 北京:石油工业出版社, 2009.
[2] 刘菊梅,王宏图,李文华,等. 陆上油气钻井作业评价指标体系的构建[J]. 油气田地面工程, 2009, 28(8):2829. doi:10.3969/j.issn.1006-6896.2009.08.015 LIU Jumei, WANG Hongtu, LI Wenhua, et al. Building of Onshore oil and gas drilling evaluation system[J]. OilGasfield Surface Engineering, 2009, 28(8):28-29. doi:10.3969/j.issn.1006-6896.2009.08.015
[3] 刘菊梅,龙政军,王宏图,等. 陆上油气钻井作业安全评价模型探索[J]. 石油天然气学报, 2010, 32(2):112116. doi:10.3969/j.issn.1000-9752.2010.02.026 LIU Jumei, LONG Zhengjun, WANG Hongtu, et al. Study on safety evaluation model of oil and gas drilling operation[J]. Journal of Oil and Gas Technology, 2010, 32(2):112-116. doi:10.3969/j.issn.1000-9752.2010.02.026
[4] 苏义脑,陈烨,闫铁,等.气体钻井钻头泥包风险预测及影响因素研究[J]. 天然气工业, 2016, 36(6):6065. doi:10.3787/j.issn.1000-0976.2016.06.009 SU Yinao, CHEN Ye, YAN Tie, et al. Risk prediction of bit balling in gas grilling and its ijfluential factors[J]. Natural Gas Industry, 2016, 36(6):60-65. doi:10.3787/j.issn.1000-0976.2016.06.009
[5] VINNEM J, SELJELID J, HAUGEN S, et al. Generalized methodology for operational risk analysis of offshore installations[J]. Proceedings of the Institution of Mechanical Engineers, Part O:Journal of Risk and Reliability, 2008, 223(1):87-97. doi:10.1243/1748006XJRR109
[6] SAATY T L. Decision making with the analytic hierarchy process[J]. International Journal of Services Sciences, 2008, 1(1):83-98. doi:10.1504/IJSSCI.2008.017590
[7] HUANG K, CHEN S F. Study and implementation on the grey comprehensive evaluation support system of ecocity[J]. Journal of Southeast University (English Edition), 2002, 18(4):356-360.
[8] 张文修,吴伟志. 粗糙集理论介绍和研究综述[J]. 模糊系统与数学,2000,14(4):112. doi:10.3969/j.issn.-1001-7402.2000.04.001 ZHANG Wenxiu, WU Weizhi. An introduction and research review of rough set theory[J]. Fuzzy Systems and Mathematics, 2000, 14(4):1-12. doi:10.3969/j.issn.1001-7402.2000.04.001
[9] PAWLAK Z. Rough sets[J]. Communications of ACM, 1995, 38(11):89-95. doi:10.1145/219717.219791
[10] PAWLAK Z. Rough set-theoretical aspects of reasoning about data[M]. Dordrecht:Kluwer Academic Publishers, 1991.
[11] 马海纬,杜慧. 基于粗糙集和BP神经网络的钻井作业安全事故预测[J]. 内江科技, 2015, 36(4):5152, 74. MA Haiwei, DU Hui. The prediction of drilling accidents based on rough set and bp neural network[J]. Neijiang Science and Technology, 2015, 36(4):51-52, 74.
[12] 苏伟,刘景双,李方. BP神经网络在水资源承载能力预测中的应用[J]. 水利水电技术, 2007, 38(11):14. doi:10.3969/j.issn.1000-0860.2007.11.001 SU Wei, LIU Jingshuang, LI Fang. Application of BP neural network in prediction of carrying capacity of water resources[J]. Water Resources and Hydropower Engineering, 2007, 38(11):1-4. doi:10.3969/j.issn.1000-0860.-2007.11.001
[13] 陈小前,罗世彬,王振国,等. BP神经网络应用中的前后处理过程研究[J]. 系统工程理论与实践, 2002, 22(1):6570, 88. doi:10.3321/j.issn:1000-6788.2002.01.010 CHEN Xiaoqian, LUO Shibin, WANG Zhenguo, et al. Research on preprocessing and postprocessing of the application of BP neural network[J]. Systems Engineering Theory and Practice, 2002, 22(1):65-70, 88. doi:10.3321/j.issn:1000-6788.2002.01.010
[14] DING S, JIA W, SU C, et al. An improved BP neural network algorithm based on factor analysis[J]. Journal of Convergence Information Technology, 2010, 5(4):103-108. doi:10.4156/jcit.vol5.issue4.11
[15] 郭杰. 钻井施工现场风险源分析与风险控制措施[J]. 内蒙古石油化工,2010,(20):3133. doi:10.3969/j.issn.-1006-7981.2010.20.014 GUO Jie. Drilling construction site risk source analysis and risk control measures[J]. Inner Mongolia Petrochemical Industry, 2010(20):31-33. doi:10.3969/j.issn.1006-7981.2010.20.014
[16] 王兵,杨小莹,赵春兰,等. 基于贝叶斯网络的钻井作业现场风险评估[J]. 西南石油大学学报(自然科学版), 2015, 37(2):131137. doi:10.11885/j.issn.1674-5086.2014.09.01.02 WANG Bing, YANG Xiaoying, ZHAO Chunlan, et al. Drilling site risk assessment based on bayesian network[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2015, 37(2):131-137. doi:10.11885/-j.issn.1674-5086.2014.09.01.02
[17] ØHRN A, KOMOROWSKI J. Rosetta-a rough set toolkit for analysis of data[C]//Third International Joint Conference on Information Sciences, 1997.
[18] 从爽. MATLAB工具箱的神经网络理论与应用[M]. 合肥:中国科学技术出版社, 2003:5570.
[19] 沈永红,王发兴. 基于信息熵的粗糙集属性离散化方法及应用[J]. 计算机工程与应用, 2008, 44(5):221224. doi:10.3778/j.issn.1002-8331.2008.05.070 SHEN Yonghong, WANG Faxing. Method of attributes discretization in rough sets using information entropy and its application[J]. Computer Engineering and Applications, 2008, 44(5):221-224. doi:10.3778/j.issn.1002-8331.-2008.05.070
[20] 任永功,王杨,闫德勤. 基于遗传算法的粗糙集属性约简算法[J]. 小型微型计算机系统, 2006, 27(5):862865. doi:10.3969/j.issn.1000-1220.2006.05.022 REN Yonggong, WANG Yang, YAN Deqin. Rough set attribute reduction algorithm based on GA[J]. Mini-Micro Systems, 2006, 27(5):862-865. doi:10.3969/j.issn.1000-1220.2006.05.022

粗糙集和神经网络相融合的钻井安全评价模型

An Evaluation Model of Drilling Safety Based on Combined Rough Set and Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 11

编辑推荐

Metrics

本文评价

[1]	刘浩瀚, 颜永勤, 闵令元, 乐平, 殷艳玲. 基于灰色网络组合优化的年增油量预测[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 89-96.
[2]	张恒汝, 朱科霖, 徐媛媛, 谯英. 抽油机井参数优化的粒计算方法[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 115-123.
[3]	刘永辉, 罗程程, 刘通, 任桂蓉, 王中武. 水平气井井筒气液两相流型预测[J]. 西南石油大学学报(自然科学版), 2019, 41(3): 107-112.
[4]	王兵1 *，杨小莹2，赵春兰3，肖斌1. 基于贝叶斯网络的钻井作业现场风险评估[J]. 西南石油大学学报(自然科学版), 2015, 37(2): 131-137.
[5]	梁政1，董超群1，田家林1，余笃军2，马科笃2. 层次分析法确定压缩机整体评价部件权重[J]. 西南石油大学学报(自然科学版), 2014, 36(5): 176-184.
[6]	张智1，黄熠2，李炎军2，张超2，曾春珉2. 考虑腐蚀的环空带压井生产套管安全评价[J]. 西南石油大学学报(自然科学版), 2014, 36(2): 171-177.
[7]	贺懿;张进;刘怀山. 基于神经网络的面波迭代反演应用研究[J]. 西南石油大学学报(自然科学版), 2010, 32 (1): 40-44.
[8]	刘强张莹张立庆. 沙19断块E¹f¹^₃低电阻率油层成因及识别[J]. 西南石油大学学报(自然科学版), 2009, 31(3): 49-52.
[9]	王勇;鲍志东;刘虎. 低孔低渗储层评价中数学方法的应用研究[J]. 西南石油大学学报(自然科学版), 2007, 29(5): 8-12.
[10]	罗天雨郭建春赵金洲吴建发. 求取压裂气井无阻流量的BP神经网络法[J]. 西南石油大学学报(自然科学版), 2006, 28(3): 67-69.
[11]	石晓飞赵庆飞. 基于粗糙集理论的模糊综合评判权值确定 [J]. 西南石油大学学报(自然科学版), 2001, 23(3): 16-18(5.