水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质与流程

1.本发明涉及水平定向钻进领域，具体涉及水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质。


背景技术：

2.随着城市环保要求的不断提高，为减小地面开挖对环境的破坏，以及给城市交通和居民生活带来的负面影响，水平定向钻进逐渐成为城市区域、河流湖泊、自然保护区和复杂地层环境下地下管网铺设的主要技术手段。
3.水平定向钻进扩孔过程中，作用在扩孔器上的扭矩（即扩孔扭矩）不仅是扩孔级数合理设计的参考因素，同时也是钻机选型的重要依据。
4.然而现有的常规技术中水平定向钻进过程中扩孔扭矩的确定不仅需要考虑到地层原因以及扩孔器上扩孔钻头的类型，还要考虑施工参数的影响，导致影响扩孔扭矩的因素过多，对于扩孔扭矩的预测难度较大，预测结果误差较大，可靠性不高，进而难以在工程实践中广泛推广应用。


技术实现要素：

5.因此，本发明要解决的技术问题在于克服现有技术中影响扩孔扭矩的因素过多，对于扩孔扭矩的预测难度较大，预测结果误差较大，可靠性不高，进而难以在工程实践中广泛推广应用的缺陷，从而提供水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质。
6.本发明实施例提供了水平定向钻进扩孔扭矩预测方法，包括如下步骤：采集水平定向钻进数据和与所述水平定向钻进数据对应的扩孔扭矩初始数据；对所述水平定向钻进数据进行预处理，生成多个扩孔扭矩预测数据；基于所述多个扩孔扭矩预测数据确定所述水平定向钻进数据对所述扩孔扭矩的平均影响参数；基于所述平均影响参数对所述水平定向钻进数据进行筛选，以得到不同钻进数据组合；基于所述不同钻进数据组合与所述扩孔扭矩初始数据生成线性拟合决定系数；选取最大线性拟合决定系数对应的钻进数据组合构建扩孔扭矩预测模型，并利用所述扩孔扭矩预测模型对水平定向钻进扩孔扭矩进行预测。
7.上述水平定向钻进扩孔扭矩预测方法，利用扩孔扭矩预测模型，基于水平定向钻进数据对水平定向钻进扩孔扭矩进行预测，能有效提高扩孔扭矩预测精度，运用简单、快捷有效，为水平定向钻进扩孔级数设计及钻机选型提供了数据依据。
8.可选地，所述水平定向钻进数据，包括：回拖力数据、转速数据、回拖距离数据、钻孔角度变化数据、扩孔后直径数据、泥浆泵量数据和泥浆漏斗粘度数据。
9.可选地，所述对所述水平定向钻进数据进行预处理，生成多个扩孔扭矩预测数据，
包括：分别将增加预设数值后的水平定向钻进数据与减少预设数值后的水平定向钻进数据输入初始神经网络模型中，生成多个扩孔扭矩预测数据；其中，所述多个扩孔扭矩预测数据包括增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据和减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
10.上述仅采集水平定向钻进数据进行数据处理，不涉及繁琐的数值计算，只需输入相关参数，便可获得扩孔扭矩预测值，易于被广大工程实践人员所接受。
11.可选地，所述水平定向钻进数据对所述扩孔扭矩的平均影响参数，包括平均影响值；其中，所述平均影响值的计算公式如下：上式中，miv表示平均影响值，n表示水平定向钻进数据的数量，a1表示增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据，a2表示减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
12.上述通过平均影响参数筛选出对扩孔扭矩影响显著的关键因素，即水平定向钻进数据，忽略对扩孔扭矩影响较小的次要因素，在减少预测模型输入变量个数的同时，提高了其在工程实践中的适用性。
13.可选地，所述基于所述平均影响参数对所述水平定向钻进数据进行筛选，以得到不同钻进数据组合，包括：将所述平均影响参数从大到小进行排序，基于排序结果选取不同预设数量的平均影响参数对应的所述水平定向钻进数据进行排列组合，生成所述不同钻进数据组合。
14.可选地，所述基于所述不同钻进数据组合与所述扩孔扭矩初始数据生成线性拟合决定系数，包括：基于所述不同钻进数据组合分别构建中间神经网络模型，并利用所述中间神经网络模型生成不同钻进数据组合对应的扩孔扭矩预测数据；基于所述不同钻进数据组合对应的扩孔扭矩预测数据与所述扩孔扭矩初始数据生成所述线性拟合决定系数。
15.上述通过计算不同钻进数据组合的线性拟合决定系数，为后续选取最优钻进数据组合奠定了基础，进一步地对扩孔扭矩影响显著的关键因素进行了筛选，提高了对扩孔扭矩的预测精度。
16.可选地，所述选取最大线性拟合决定系数对应的钻进数据组合构建扩孔扭矩预测模型，并利用所述扩孔扭矩预测模型对水平定向钻进扩孔扭矩进行预测，包括：选取最大线性拟合决定系数对应的钻进数据组合作为最优钻进数据组合，基于所述最优钻进数据组合构建初始预测模型；对所述初始预测模型的初始权值和阈值进行优化，并将优化后的初始权值和初始阈值赋值给所述初始预测模型，生成所述水平定向钻进扩孔扭矩预测模型；
采集当前水平定向钻进数据，将所述当前水平定向钻进数据输入所述水平定向钻进扩孔扭矩预测模型中，生成当前扩孔扭矩。
17.上述对初始预测模型的权值和阈值进行优化，提高了扩孔扭矩的预测精度。
18.在本技术的第二个方面，还提出了水平定向钻进扩孔扭矩预测装置，包括：采集模块，用于采集水平定向钻进数据和与所述水平定向钻进数据对应的扩孔扭矩初始数据；预处理模块，用于对所述水平定向钻进数据进行预处理，生成多个扩孔扭矩预测数据；确定模块，用于基于所述多个扩孔扭矩预测数据确定所述水平定向钻进数据对所述扩孔扭矩的平均影响参数；排列模块，用于基于所述平均影响参数对所述水平定向钻进数据进行筛选，以得到不同钻进数据组合；生成模块，用于基于所述不同钻进数据组合与所述扩孔扭矩初始数据生成线性拟合决定系数；预测模块，用于选取最大线性拟合决定系数对应的钻进数据组合构建扩孔扭矩预测模型，并利用所述扩孔扭矩预测模型对水平定向钻进扩孔扭矩进行预测。
19.可选地，所述水平定向钻进数据，包括：回拖力数据、转速数据、回拖距离数据、钻孔角度变化数据、扩孔后直径数据、泥浆泵量数据和泥浆漏斗粘度数据。
20.可选地，所述预处理模块，包括：分别将增加预设数值后的水平定向钻进数据与减少预设数值后的水平定向钻进数据输入初始神经网络模型中，生成多个扩孔扭矩预测数据；其中，所述多个扩孔扭矩预测数据包括增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据和减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
21.可选地，所述确定模块中所述水平定向钻进数据对所述扩孔扭矩的平均影响参数包括平均影响值；其中，所述平均影响值的计算公式如下：：上式中，miv表示平均影响值，n表示水平定向钻进数据的数量，a1表示增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据，a2表示减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
22.可选地，所述排列模块，包括：将所述平均影响参数从大到小进行排序，基于排序结果选取不同预设数量的平均影响参数对应的所述水平定向钻进数据进行排列组合，生成所述不同钻进数据组合。
23.可选地，所述生成模块，包括：生成单元，用于基于所述不同钻进数据组合分别构建中间神经网络模型，并利用
所述中间神经网络模型生成不同钻进数据组合对应的扩孔扭矩预测数据；计算单元，用于基于所述不同钻进数据组合对应的扩孔扭矩预测数据与所述扩孔扭矩初始数据生成所述线性拟合决定系数。
24.可选地，所述预测模块，包括：构建单元，用于选取最大线性拟合决定系数对应的钻进数据组合作为最优钻进数据组合，基于所述最优钻进数据组合构建初始预测模型；优化单元，用于对所述初始预测模型的初始权值和阈值进行优化，并将优化后的初始权值和初始阈值赋值给所述初始预测模型，生成所述水平定向钻进扩孔扭矩预测模型；预测单元，用于采集当前水平定向钻进数据，将所述当前水平定向钻进数据输入所述水平定向钻进扩孔扭矩预测模型中，生成当前扩孔扭矩。
25.在本技术的第三个方面，还提出了一种计算机设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述计算机程序，执行上述第一方面的方法。
26.在本技术的第四个方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述第一方面的方法。
附图说明
27.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1为本发明实施例1中水平定向钻进扩孔扭矩预测方法的流程图；图2为本发明实施例1中步骤s105的流程图；图3为本发明实施例1中步骤s106的流程图；图4为本发明实施例1中水平定向钻进扩孔扭矩预测方法的示意图；图5为本发明实施例1中测试样本期望值与测试样本测试值的对比示意图；图6为本发明实施例2中水平定向钻进扩孔扭矩预测装置的原理框图；图7为本发明实施例2中生成模块65的一个具体示例的原理框图；图8为本发明实施例2中预测模块66的原理框图。
具体实施方式
29.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
30.基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了
便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
32.此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
33.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
34.实施例1本实施例提供水平定向钻进扩孔扭矩预测方法，如图1所示，包括如下步骤：s101、采集水平定向钻进数据和与所述水平定向钻进数据对应的扩孔扭矩初始数据。
35.其中，基于现有的大量水平定向钻进管道铺设工程，采集水平定向钻进数据，包括：回拖力数据（单位：千牛，）、转速数据（单位：转/分钟，）、回拖距离数据（单位：米，）、钻孔角度变化数据（单位：弧度，）、扩孔后直径数据（单位：毫米，）、泥浆泵量数据（单位：升/分钟，）、泥浆漏斗粘度数据（单位：斯，）；以及与上述水平定向钻进数据对应的扩孔扭矩初始数据，即扩孔扭矩（单位：牛顿
·
米，）。
36.进一步地，将采集到的水平定向钻进数据和扩孔扭矩初始数据基于上述各物理量的单位进行转换，基于转换后的水平定向钻进数据和扩孔扭矩初始数据建立数据集，随机选取数据集中的部分数据作为训练样本p，数据集中的剩余数据作为测试样本v。
37.进一步地，训练样本的数目约占数据集样本总数的4/5，或通过在（1，数据集样本总数）范围内产生随机整数的方式来确定。
38.s102、对所述水平定向钻进数据进行预处理，生成多个扩孔扭矩预测数据。
39.具体的，确定bp神经网络结构（前馈神经网络结构）、隐含层神经元数目、传递函数及评价函数，并构建初始神经网络模型，将训练样本p中的回拖力数据、转速数据、回拖距离数据、钻孔角度变化数据、扩孔后直径数据、泥浆泵量数据、泥浆漏斗粘度数据作为输入变量，扩孔扭矩初始数据作为输出变量对初始神经网络模型进行训练。
40.其中，初始神经网络模型采用三层bp神经网络结构（即输入层、隐含层和输出层），隐含层传递函数采用双曲正切s形函数，输出层传递函数采用线性函数，并以均方误差作为网络性能评价函数，隐含层神经元数目通过下式计算得到：上式中，m表示隐含层神经元数目，n表述输入变量个数。
41.进一步地，分别将增加预设数值后的水平定向钻进数据（指测试样本p中的水平定向钻进数据）与减少预设数值后的水平定向钻进数据输入初始神经网络模型中，生成多个扩孔扭矩预测数据；其中，所述多个扩孔扭矩预测数据包括增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据和减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
42.其中，训练样本p中的输入变量（即测试样本p中的水平定向钻进数据）在其原值的基础上增加10%构成新的训练样本p1，其原值的基础上减小10%构成新的训练样本p2，将p1和p2输入初始神经网络模型中预测p1和p2所对应的输出，分别为a1（即增加预设数值后的
水平定向钻进数据对应的扩孔扭矩预测数据）和a2（即减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据）。
43.s103、基于所述多个扩孔扭矩预测数据确定所述水平定向钻进数据对所述扩孔扭矩的平均影响参数。
44.其中，所述水平定向钻进数据对所述扩孔扭矩的平均影响参数，包括平均影响值，所述平均影响值的计算公式如下：上式中，miv表示平均影响值，n表示水平定向钻进数据的数量（即训练样本数目），a1表示增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据，a2表示减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
45.s104、基于所述平均影响参数对所述水平定向钻进数据进行筛选，以得到不同钻进数据组合。
46.其中，将所述平均影响参数（即测试样本p中水平定向钻进数据对应的平均影响值）从大到小进行排序，基于排序结果选取不同预设数量（）的平均影响参数对应的所述水平定向钻进数据进行排列组合，生成所述不同钻进数据组合。
47.例如，依据平均影响参数中的平均影响值的排序结果将水平定向钻进数据进行排序，排序结果为：回拖力数据、转速数据、回拖距离数据、钻孔角度变化数据、扩孔后直径数据、泥浆泵量数据、泥浆漏斗粘度数据；选取排序前三的水平定向钻进数据作为第一组钻进数据组合（回拖力数据，转速数据，回拖距离数据），选取排序前四的水平定向钻进数据作为第二组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据），选取排序前五的水平定向钻进数据作为第三组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据）；选取排序前六的水平定向钻进数据作为第四组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据）；选取排序前七的水平定向钻进数据作为第五组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据，泥浆漏斗粘度数据）；进而，生成五组钻进数据组合，即（回拖力数据，转速数据，回拖距离数据）、（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据）、（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据）、（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据）、（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据，泥浆漏斗粘度数据）。
48.s105、基于所述不同钻进数据组合与所述扩孔扭矩初始数据生成线性拟合决定系数。
49.s106、选取最大线性拟合决定系数对应的钻进数据组合构建扩孔扭矩预测模型，并利用所述扩孔扭矩预测模型对水平定向钻进扩孔扭矩进行预测。
50.上述水平定向钻进扩孔扭矩预测方法，利用扩孔扭矩预测模型，基于水平定向钻进数据对水平定向钻进扩孔扭矩进行预测，能有效提高扩孔扭矩预测精度，运用简单、快捷
有效，为水平定向钻进扩孔级数设计及钻机选型提供了数据依据。
51.优选地，如图2所示，步骤s105中所述基于所述不同钻进数据组合与所述扩孔扭矩数据生成线性拟合决定系数，包括：s1051、基于所述不同钻进数据组合分别构建中间神经网络模型，并利用所述中间神经网络模型生成不同钻进数据组合对应的扩孔扭矩预测数据。
52.具体的，分别构建不同钻进数据组合对应的中间神经网络模型，其bp神经网络结构、隐含层神经元数目、传递函数及评价函数以及输出变量与初始神经网络模型相同，输入变量为不同钻进数据组合；将训练样本p中的数据对中间神经网络模型进行训练，生成训练后的中间神经网络模型。
53.进一步地，按照不同钻进数据组合将测试样本v中的水平定向钻进数据进行排列组合，将排列组合后的水平定向钻进数据输入至上述训练后的中间神经网络模型中，生成不同钻进数据组合对应的扩孔扭矩预测数据。
54.s1052、基于所述不同钻进数据组合对应的扩孔扭矩预测数据与所述扩孔扭矩初始数据生成所述线性拟合决定系数。
55.其中，线性拟合决定系数的计算公式如下：上式中，表示线性拟合决定系数，表示测试样本数目，表示第个测试样本的期望输出（即测试样本中扩孔扭矩初始数据），为第个测试样本的bp神经网络预测输出（即扩孔扭矩预测数据）。
56.优选地，如图3所示，步骤s106中所述选取最大线性拟合决定系数对应的钻进数据组合构建扩孔扭矩预测模型，并利用所述扩孔扭矩预测模型对水平定向钻进扩孔扭矩进行预测，包括：s1061、选取最大线性拟合决定系数对应的钻进数据组合作为最优钻进数据组合，基于所述最优钻进数据组合构建初始预测模型。
57.具体的，基于最优钻进数据组合构建初始预测模型，其bp神经网络结构、隐含层神经元数目、传递函数及评价函数以及输出变量与初始神经网络模型相同，输入变量为最优钻进数据组合；将训练样本p中的数据对初始预测模型进行训练，生成训练后的初始预测模型。
58.或者，调取最优钻进数据组合对应的中间神经网络模型作为训练后的初始预测模型。
59.s1062、对所述初始预测模型的初始权值和阈值进行优化，并将优化后的初始权值和初始阈值赋值给所述初始预测模型，生成所述水平定向钻进扩孔扭矩预测模型。
60.具体的，确定遗传算法初始参数，即初始种群规模为20，种群进化代数为50，交叉
概率为0.6、变异概率为0.1，初始权值范围为（-3，3），初始阈值范围为（-3，3），通过遗传算法对初始预测模型的初始权值及初始阈值进行优化。
61.其中，通过遗传算法对初始预测模型的初始权值和初始阈值进行优化的具体步骤如下：（1）种群初始化：随机产生一个规模为w的初始种群，其中每个个体包含了bp神经网络的一组权值和阈值；（2）个体编码：采用实数编码方法将个体编码为实数串；（3）个体适应度值计算：个体解码后得到bp神经网络权值和阈值，通过训练样本p对bp神经网络进行训练；通过训练后的bp神经网络获得训练样本p的预测输出，将该预测输出与训练样本p的期望输出之间的误差平方和的倒数作为个体适应度值，其计算公式为：式中，n为训练样本数目，表示第个测试样本的期望输出，为第个测试样本的bp神经网络预测输出。
62.（4）选择操作：采用比例选择算子计算个体被选中的概率，个体被选中的概率为：式中，w为种群规模，为个体的适应度值。
63.（5）交叉操作：将个体x和个体y在j位交叉，交叉后的j位基因为：（5）交叉操作：将个体x和个体y在j位交叉，交叉后的j位基因为：式中，为个体x交叉后的j位基因，为个体y交叉后的j位基因，为[0，1]区间上的随机数。
[0064]
（6）变异操作：选择个体x的j位基因进行变异操作，变异后的j位基因为：
式中，为j位基因的上限，为j位基因的下限，为当前迭代次数，为最大迭代次数，为[0，1]区间上的随机数。
[0065]
（7）通过上述（1）~（6），得到最优个体，即得到bp神经网络的最优初始权值和最优初始阈值。
[0066]
s1063、采集当前水平定向钻进数据，将所述当前水平定向钻进数据输入所述水平定向钻进扩孔扭矩预测模型中，生成当前扩孔扭矩。
[0067]
如图4所示，下面通过一个具体的实施例来说明水平定向钻进扩孔扭矩预测方法的，具体步骤如下：步骤一：基于现有水平定向钻进管道铺设工程的施工数据，收集相关数据84组，并对其单位进行转换，进而建立如下表1所示的扩孔扭矩数据集：表1：
步骤二：通过在（1，84）范围内随机产生68个整数确定训练样本p（如表2所示），并将剩余16组数据作为测试样本v。
[0068]
表2：
步骤三：选取三层bp神经网络结构，隐含层神经元数目为15，隐含层传递函数采用双曲正切s形函数，输出层传递函数采用线性函数，并以均方误差作为网络性能评价函数,以回拖力数据、转速数据、回拖距离数据、钻孔角度变化数据、扩孔后直径数据、泥浆泵量数据、泥浆漏斗粘度数据作为输入变量，以扩孔扭矩作为输出变量构建初始bp神经网络模型，并通过表2中的训练样本p对其加以训练。
[0069]
步骤四：将训练样本p中的输入变量在其原值的基础上分别增加10%和减小10%构成两个新的训练样本p1和p2,利用步骤三中的初始bp神经网络预测p1和p2所对应的输出，分别为a1和a2；a1和a2的差值即为改变该输入变量后对输出变量（扩孔扭矩）产生的影响值；依次计算各输入变量的平均影响参数中的平均影响值，并依据平均影响值大小排序；平均影响值的计算公式如下所示：上式中，miv为各输入变量的平均影响值，n为训练样本数目。
[0070]
计算出的平均影响值如下表3所示：表3：
步骤五：按照各输入变量平均影响参数大小排列不同输入钻进数据组合，如下表4所示：表4：以上述不同输入钻进数据组合分别构建bp神经网络模型（输出变量及其他网络参数与步骤三保持一致）；通过训练样本p对不同输入钻进数据组合的bp神经网络模型进行训练，并通过下式计算测试样本v的bp神经网络输出与期望输出间的线性拟合决定系数：其中：表示线性拟合决定系数，表示测试样本数目，为第个测试样本的期望输出，为第个测试样本的bp神经网络预测输出。
[0071]
其中，基于上式计算出的线性拟合决定系数如下表5所示：表5：
步骤六：步骤五中线性拟合决定系数最大时（=0.93）所对应的输入钻进数据组合为扩孔后直径数据、回拖力数据、转速数据、回拖距离数据。
[0072]
以扩孔后直径数据、回拖力数据、转速数据、回拖距离数据为输入变量，将隐含层神经元数目设置为9，进而构建bp神经网络模型（输出变量及其他网络参数与步骤三保持一致）并通过表2中的训练样本p对其加以训练。
[0073]
步骤七：确定初始种群规模为20，种群进化代数为50，交叉概率为0.6、变异概率为0.1，初始权值范围为（-3，3），初始阈值范围为（-3，3）。
[0074]
采用遗传算法对步骤六中bp神经网络模型的初始权值及阈值进行优化，输入层到隐含层优化后的权值如下表6所示：表6：隐含层到输出层优化后的权值如下表7所示：表7：隐含层及输出层优化后的阈值如下表8所示：
表8：步骤八：将步骤七中优化得到的初始权值和阈值赋给步骤六中的bp神经网络模型，并通过训练样本p对其加以训练，进而建立基于平均影响值法和遗传算法的扩孔扭矩bp神经网络预测模型。
[0075]
步骤九：通过步骤八中所建立的预测模型对测试样本v的扩孔扭矩进行预测，并将其与期望值进行对比，结果如图5所示。
[0076]
实施例2本实施例提供水平定向钻进扩孔扭矩预测装置，如图6所示，包括：采集模块61，用于采集水平定向钻进数据和与所述水平定向钻进数据对应的扩孔扭矩初始数据。
[0077]
其中，基于现有的大量水平定向钻进管道铺设工程，采集水平定向钻进数据，包括：回拖力数据（单位：千牛，）、转速数据（单位：转/分钟，）、回拖距离数据（单位：米，）、钻孔角度变化数据（单位：弧度，）、扩孔后直径数据（单位：毫米，）、泥浆泵量数据（单位：升/分钟，）、泥浆漏斗粘度数据（单位：斯，）；以及与上述水平定向钻进数据对应的扩孔扭矩初始数据，即扩孔扭矩（单位：牛顿
·
米，）。
[0078]
进一步地，将采集到的水平定向钻进数据和扩孔扭矩初始数据基于上述各物理量的单位进行转换，基于转换后的水平定向钻进数据和扩孔扭矩初始数据建立数据集，随机选取数据集中的部分数据作为训练样本p，数据集中的剩余数据作为测试样本v。
[0079]
进一步地，训练样本的数目约占数据集样本总数的4/5，或通过在（1，数据集样本总数）范围内产生随机整数的方式来确定。
[0080]
预处理模块62，用于对所述水平定向钻进数据进行预处理，生成多个扩孔扭矩预测数据。
[0081]
具体的，确定bp神经网络结构（前馈神经网络结构）、隐含层神经元数目、传递函数及评价函数，并构建初始神经网络模型，将训练样本p中的回拖力数据、转速数据、回拖距离数据、钻孔角度变化数据、扩孔后直径数据、泥浆泵量数据、泥浆漏斗粘度数据作为输入变量，扩孔扭矩初始数据作为输出变量对初始神经网络模型进行训练。
[0082]
其中，初始神经网络模型采用三层bp神经网络结构（即输入层、隐含层和输出层），隐含层传递函数采用双曲正切s形函数，输出层传递函数采用线性函数，并以均方误差作为网络性能评价函数，隐含层神经元数目通过下式计算得到：
上式中，m表示隐含层神经元数目，n表述输入变量个数。
[0083]
进一步地，分别将增加预设数值后的水平定向钻进数据（指测试样本p中的水平定向钻进数据）与减少预设数值后的水平定向钻进数据输入初始神经网络模型中，生成多个扩孔扭矩预测数据；其中，所述多个扩孔扭矩预测数据包括增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据和减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
[0084]
其中，训练样本p中的输入变量（即测试样本p中的水平定向钻进数据）在其原值的基础上增加10%构成新的训练样本p1，其原值的基础上减小10%构成新的训练样本p2，将p1和p2输入初始神经网络模型中预测p1和p2所对应的输出，分别为a1（即增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据）和a2（即减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据）。
[0085]
确定模块63，用于基于所述多个扩孔扭矩预测数据计算所述水平定向钻进数据对所述扩孔扭矩的平均影响参数。
[0086]
其中，所述水平定向钻进数据对所述扩孔扭矩的平均影响参数，包括平均影响值，所述平均影响值的计算公式如下：：上式中，miv表示平均影响值，n表示水平定向钻进数据的数量（即训练样本数目），a1表示增加预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据，a2表示减少预设数值后的水平定向钻进数据对应的扩孔扭矩预测数据。
[0087]
排列模块64，用于基于所述平均影响参数对所述水平定向钻进数据进行筛选，以得到不同钻进数据组合。
[0088]
其中，将所述平均影响参数（即测试样本p中水平定向钻进数据对应的平均影响值）从大到小进行排序，基于排序结果选取不同预设数量（）的平均影响参数对应的所述水平定向钻进数据进行排列组合，生成所述不同钻进数据组合。
[0089]
例如，依据平均影响参数中的平均影响值的排序结果将水平定向钻进数据进行排序，排序结果为：回拖力数据、转速数据、回拖距离数据、钻孔角度变化数据、扩孔后直径数据、泥浆泵量数据、泥浆漏斗粘度数据；选取排序前三的水平定向钻进数据作为第一组钻进数据组合（回拖力数据，转速数据，回拖距离数据），选取排序前四的水平定向钻进数据作为第二组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据），选取排序前五的水平定向钻进数据作为第三组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据）；选取排序前六的水平定向钻进数据作为第四组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据）；选取排序前七的水平定向钻进数据作为第五组钻进数据组合（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据，泥浆漏斗粘度数据）；进而，生成五组钻进数据组合，即（回拖力数据，转速数据，回拖距离数据）、（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据）、（回拖力数据，转速数据，回拖
距离数据，钻孔角度变化数据，扩孔后直径数据）、（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据）、（回拖力数据，转速数据，回拖距离数据，钻孔角度变化数据，扩孔后直径数据，泥浆泵量数据，泥浆漏斗粘度数据）。
[0090]
生成模块65，用于基于所述不同钻进数据组合与所述扩孔扭矩初始数据生成线性拟合决定系数。
[0091]
预测模块66，用于选取最大线性拟合决定系数对应的钻进数据组合构建扩孔扭矩预测模型，并利用所述扩孔扭矩预测模型对水平定向钻进扩孔扭矩进行预测。
[0092]
上述水平定向钻进扩孔扭矩预测装置，利用扩孔扭矩预测模型，基于水平定向钻进数据对水平定向钻进扩孔扭矩进行预测，能有效提高扩孔扭矩预测精度，运用简单、快捷有效，为水平定向钻进扩孔级数设计及钻机选型提供了数据依据。
[0093]
优选地，如图7所示，所述生成模块65，包括：生成单元651，用于基于所述不同钻进数据组合分别构建中间神经网络模型，并利用所述中间神经网络模型生成不同钻进数据组合对应的扩孔扭矩预测数据。
[0094]
具体的，分别构建不同钻进数据组合对应的中间神经网络模型，其bp神经网络结构、隐含层神经元数目、传递函数及评价函数以及输出变量与初始神经网络模型相同，输入变量为不同钻进数据组合；将训练样本p中的数据对中间神经网络模型进行训练，生成训练后的中间神经网络模型。
[0095]
进一步地，按照不同钻进数据组合将测试样本v中的水平定向钻进数据进行排列组合，将排列组合后的水平定向钻进数据输入至上述训练后的中间神经网络模型中，生成不同钻进数据组合对应的扩孔扭矩预测数据。
[0096]
计算单元652，用于基于所述不同钻进数据组合对应的扩孔扭矩预测数据与所述扩孔扭矩初始数据生成所述线性拟合决定系数。
[0097]
其中，线性拟合决定系数的计算公式如下：上式中，表示线性拟合决定系数，表示测试样本数目，表示第个测试样本的期望输出（即测试样本中扩孔扭矩初始数据），为第个测试样本的bp神经网络预测输出（即扩孔扭矩预测数据）。
[0098]
优选地，如图8所示，所述预测模块66，包括：构建单元661，用于选取最大线性拟合决定系数对应的钻进数据组合作为最优钻进数据组合，基于所述最优钻进数据组合构建初始预测模型。
[0099]
具体的，基于最优钻进数据组合构建初始预测模型，其bp神经网络结构、隐含层神经元数目、传递函数及评价函数以及输出变量与初始神经网络模型相同，输入变量为最优钻进数据组合；将训练样本p中的数据对初始预测模型进行训练，生成训练后的初始预测模型。
[0100]
或者，调取最优钻进数据组合对应的中间神经网络模型作为训练后的初始预测模型。
[0101]
优化单元662，用于对所述初始预测模型的初始权值和阈值进行优化，并将优化后的初始权值和初始阈值赋值给所述初始预测模型，生成所述水平定向钻进扩孔扭矩预测模型。
[0102]
具体的，确定遗传算法初始参数，即初始种群规模为20，种群进化代数为50，交叉概率为0.6、变异概率为0.1，初始权值范围为（-3，3），初始阈值范围为（-3，3），通过遗传算法对初始预测模型的初始权值及初始阈值进行优化。
[0103]
其中，通过遗传算法对初始预测模型的初始权值和初始阈值进行优化的具体步骤如下：（1）种群初始化：随机产生一个规模为w的初始种群，其中每个个体包含了bp神经网络的一组权值和阈值；（2）个体编码：采用实数编码方法将个体编码为实数串；（3）个体适应度值计算：个体解码后得到bp神经网络权值和阈值，通过训练样本p对bp神经网络进行训练；通过训练后的bp神经网络获得训练样本p的预测输出，将该预测输出与训练样本p的期望输出之间的误差平方和的倒数作为个体适应度值，其计算公式为：式中，n为训练样本数目，表示第个测试样本的期望输出，为第个测试样本的bp神经网络预测输出。
[0104]
（4）选择操作：采用比例选择算子计算个体被选中的概率，个体被选中的概率为：式中，w为种群规模，为个体的适应度值。
[0105]
（5）交叉操作：将个体x和个体y在j位交叉，交叉后的j位基因为：（5）交叉操作：将个体x和个体y在j位交叉，交叉后的j位基因为：式中，为个体x交叉后的j位基因，为个体y交叉后的j位基因，为[0，1]区间上的随机数。
[0106]
（6）变异操作：选择个体x的j位基因进行变异操作，变异后的j位基因为：
式中， 为j位基因的上限，为j位基因的下限，为当前迭代次数，为最大迭代次数，为[0，1]区间上的随机数。
[0107]
（7）通过上述（1）~（6），得到最优个体，即得到bp神经网络的最优初始权值和最优初始阈值。
[0108]
预测单元663，用于采集当前水平定向钻进数据，将所述当前水平定向钻进数据输入所述水平定向钻进扩孔扭矩预测模型中，生成当前扩孔扭矩。
[0109]
实施例3本实施例提供一种计算机设备，包括存储器和处理器，处理器用于读取存储器中存储的指令，以执行上述任意方法实施例中的水平定向钻进扩孔扭矩预测方法。
[0110]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。
[0111]
因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
[0112]
而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0113]
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。
[0114]
应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。
[0115]
可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0116]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0117]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0118]
实施例4本实施例提供一种计算机可读存储介质，所述计算机存储介质存储有计算机可执
行指令，该计算机可执行指令可执行上述任意方法实施例中的水平定向钻进扩孔扭矩预测方法。
[0119]
其中，所述存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，rom）、随机存储记忆体（random access memory，ram）、快闪存储器（flash memory）、硬盘（hard disk drive，缩写：hdd）或固态硬盘（solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0120]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。
[0121]
对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。
[0122]
这里无需也无法对所有的实施方式予以穷举。
[0123]
而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。