融合多模型深層地應(yīng)力預(yù)測方法?

張文東 呂扇扇 張興森 張衛(wèi)東

（1.中國石油大學(xué)（華東）計算機與通信工程學(xué)院 青島 266580）（2.中國石油大學(xué)（華東）石油工程學(xué)院 青島 266580）

1 引言

地應(yīng)力狀態(tài)對油田油井的穩(wěn)定性具有重要的意義，更是油氣田勘探開發(fā)、油氣井工程設(shè)計和施工的重要基礎(chǔ)資料。但是由于研究手段和測試技術(shù)的限制，深層地應(yīng)力很難測得，或者部分?jǐn)?shù)據(jù)不理想［1～2］。如何利用少量的地應(yīng)力資料來反演深層地應(yīng)力場的問題一直是相關(guān)研究者研究的熱點［3］。

孫煒鋒、譚成軒等［4］將BP神經(jīng)網(wǎng)絡(luò)方法引入到應(yīng)力場研究，采集了一些真實數(shù)據(jù)進行了擬合分析，并對深部的地應(yīng)力做了預(yù)測，其實驗結(jié)果表明了BP神經(jīng)網(wǎng)絡(luò)可以較好地建立地應(yīng)力大小與各基本指標(biāo)之間的相關(guān)關(guān)系，可以作為地應(yīng)力大小預(yù)測的一種有效手段。郭喜峰、尹健民等［5］采用有限元回歸分析，預(yù)測了部分重要工程部位在內(nèi)的整個工程區(qū)巖體地應(yīng)力場，其實驗表明回歸計算值能夠較好地擬合實測值，表明這種基于有限元正演分析的多元回歸反演方法是一種經(jīng)濟、可靠的方法。張廣智、陳嬌嬌等［6］提出了適用于頁巖地層的巖石物理等效模型的建立流程，并以此為基礎(chǔ)實現(xiàn)了最小水平地應(yīng)力的有效預(yù)測，建立的頁巖氣巖石物理等效模型具有更高的橫波預(yù)測精度。Singha D K等［7］利用有限元模型預(yù)測的輸出是應(yīng)力大小和方向，包括建模誤差，經(jīng)實驗證明了其可行性。趙小龍［8］運用了建立在統(tǒng)計學(xué)理論基礎(chǔ)上的支持向量機（SVM）理論建立計算機模型，利用井場實測的水平最大應(yīng)力和孔隙壓力場是數(shù)據(jù)進行了擬合，模擬結(jié)果誤差較小。

基于上述研究，本文提出融合多模型預(yù)測方法，該方法將多個子預(yù)測模型以投票優(yōu)勝的策略融合在一起，有效克服由單個模型精度不滿足工程需求的問題，并減小了擬合誤差，達到了更好的預(yù)測效果。

2 融合多模型深層地應(yīng)力預(yù)測

當(dāng)前實現(xiàn)預(yù)測的機器學(xué)習(xí)算法很多，例如線性回歸模型建立了兩組變量間的線性因果關(guān)系，便于分析，但是其忽略了交互效應(yīng)和非線性的因果關(guān)系。而BP神經(jīng)網(wǎng)絡(luò)［9～10］有自學(xué)習(xí)、推廣和概括的能力，但其有可能會陷入過擬合而使預(yù)測效果不好。LS-SVM［11～12］有效抑制過擬合，以及利用內(nèi)積核函數(shù)向高維空間非線性映射等優(yōu)點，但是缺失了稀疏性。而本文中提出的方法通過各子模型之間的投票優(yōu)勝，使各個子模型對于最終模型的預(yù)測值的貢獻權(quán)重不同，有效克服由單個子模型預(yù)測精度不足的問題。

2.1 模型思想

主要思想：首先需要構(gòu)建多個子預(yù)測模型，然后分別訓(xùn)練該子預(yù)測模型，訓(xùn)練集由隨機選取的樣本獲得，而每個子預(yù)測模型對融合模型的最終預(yù)測結(jié)果的貢獻值不一樣，融合模型由多個子模型以投票優(yōu)勝的策略融合一起。訓(xùn)練時某子模型的殘差平方和的值越小，該子模型權(quán)重增加；否則，權(quán)重減少，得到最終融合模型，如圖1所示。

2.2 融合多模型地應(yīng)力預(yù)測方法

給定樣本數(shù)據(jù)，假設(shè)

1）訓(xùn)練數(shù)據(jù) X=(x1，x2，…，xn)，數(shù)據(jù)的實測值L=(l1，l2，…，ln)，xi為一個訓(xùn)練樣本，li為該訓(xùn)練樣本的實測值，其中i=(1，…，n)，n為訓(xùn)練樣本數(shù)目；

圖1 多模型算法模型示意圖

2）fr(·)為單個子模型函數(shù)，r=(1，…，m)，m為子模型數(shù)目，子模型輸出值F(·)為融合模型；

具體算法流程如下。

Step 1.從N個樣本中選取n個樣本X=(x1，x2，…，xn)進行模型訓(xùn)練，先將樣本X輸入到子模型，訓(xùn)練子模型 fr(·)，并得到各個子模型的預(yù)測值

Step2.將各個子模型的預(yù)測值Y=(Y1，Y2，…，Ym)輸入融合模型 F(·)中，如式（1），訓(xùn)練融合模型，得到的誤差為式（2）

按式（3）將誤差函數(shù)J()θ對θ求偏導(dǎo)，得到每個θ對應(yīng)的梯度：

由于是要最小化風(fēng)險函數(shù)，所以按每個參數(shù)θ的梯度負(fù)方向，更新每個θ：

當(dāng)誤差達到設(shè)定閾值時，得到最終模型F(·)；

Step 3.將測試樣本輸入融合模型，得到預(yù)測值Z=(z1，z2，…，zs)，s為測試樣本數(shù)目。

3 實驗與分析

選取某油田實例實測數(shù)據(jù)進行分析，提取地層密度、靜態(tài)泊松比、靜態(tài)楊氏模量、內(nèi)摩擦角、Biot系數(shù)、單軸抗拉強度、單軸抗壓強度、斷裂韌性、孔隙壓力等9個參數(shù)［13］作為地應(yīng)力狀態(tài)預(yù)測研究的主要特征，對深層地應(yīng)力進行實驗預(yù)測。并將實驗結(jié)果與LS-SVM、BP神經(jīng)網(wǎng)絡(luò)以及線性回歸等地應(yīng)力預(yù)測模型做了對比分析。為了便于分析比較，同時對預(yù)測模型的整體性能進行客觀評價，定義以下誤差指標(biāo)［14～15］：

其中，N為預(yù)測樣本數(shù)目，zi為第i個地應(yīng)力樣本的實測值，為第i個地應(yīng)力樣本的預(yù)測值，而希爾不等系數(shù)是表示擬合值和真實值之間的擬合程度，其值總是介于0～1之間，數(shù)值越小，表明其擬合程度越好，預(yù)測精度越高，當(dāng)為0時，為100%擬合。

3.1 融合多模型地應(yīng)力預(yù)測

從油田實測的35組樣本數(shù)據(jù)中隨機選取20個樣本訓(xùn)練各個子模型，將各個子模型的預(yù)測值作為參數(shù)輸入到融合模型中，再對融合模型進行優(yōu)化，得到最終的模型。再選取剩余的15組數(shù)據(jù)作為預(yù)測樣本，所得預(yù)測結(jié)果如圖2，表1、2所示，從實驗中我們可以看出：地應(yīng)力預(yù)測中最小水平地應(yīng)力和最大水平地應(yīng)力預(yù)測擬合結(jié)果較好，并且有部分?jǐn)?shù)據(jù)達到了重合，且最大水平地應(yīng)力的平均相對誤差為0.824%，最小水平地應(yīng)力的平均相對誤差0.919%，達到工程需求。

圖2 水平地應(yīng)力預(yù)測值

表1 融合多模型預(yù)測結(jié)果與地應(yīng)力實測數(shù)據(jù)的比較

3.2 不同地應(yīng)力預(yù)測方法的分析

將融合多模型預(yù)測方法與線性回歸、BP神經(jīng)網(wǎng)絡(luò)和LS-SVM模型的預(yù)測結(jié)果進行了比較，最大水平地應(yīng)力各預(yù)測方法如表2所示，從指標(biāo)MRE來看，融合多模型預(yù)測方法較線性回歸、BP神經(jīng)網(wǎng)絡(luò)、LS-SVM下降了0.029、0.03和0.003，總體上顯示了較高的預(yù)測精度；指標(biāo)RMSE可以評價數(shù)據(jù)的變化程度，融合多模型預(yù)測方法明顯優(yōu)于且較線性回歸、BP神經(jīng)網(wǎng)絡(luò)、LS-SVM下降了1.614、1.704和0.095；通過指標(biāo)TIC可以看出，融合多模型預(yù)測方法擬合結(jié)果明顯好于線性回歸、BP神經(jīng)網(wǎng)絡(luò)、LS-SVM。

表2 最大水平地應(yīng)力方法比較

從表3最小水平地應(yīng)力方法比較中，也可以看出融合多模型預(yù)測方法較其他三種算法相比，MRE、RMSE、TIC三個誤差指標(biāo)均有所下降。由此可以看出，融合多模型預(yù)測方法結(jié)果較穩(wěn)定，且較其他預(yù)測模型提高了預(yù)測精度。

表3 最小水平地應(yīng)力方法比較

4 結(jié)語

1）融合多模型預(yù)測方法作為智能巖石力學(xué)研究中的一種方法，可應(yīng)用于巖石力學(xué)或工程中巖性不確定的深層地應(yīng)力預(yù)測問題，是解決深層地應(yīng)力問題的一種有效方法。

2）融合多模型預(yù)測方法較前人其他算法比較，精度得到了大大提升，擬合誤差小，且增加了穩(wěn)定性，說明該方法對地應(yīng)力預(yù)測方面具有更大的應(yīng)用價值。

3）溫度不均、水壓梯度、地表剝蝕或其它物理化學(xué)變化等也可引起相應(yīng)的應(yīng)力場，因此下一步研究應(yīng)將更多影響地應(yīng)力的因素考慮在內(nèi)。

［1］李世海，李曉，劉曉宇.工程地質(zhì)力學(xué)及其應(yīng)用中的若干問題［J］.巖石力學(xué)與工程學(xué)報，2006，25（6）：1125-1140.LI Shihai，LI Xiao，LIU Xiaoyu.Some Issues in Engineer?ing Geomechanics and Its Application［J］.Chinese Jour?nal of Rock Mechanics and Engineering，2006，25（6）：1125-1140.

［2］王成虎.地應(yīng)力主要測試和估算方法回顧與展望［J］.地質(zhì)評論，2014，60（5）：971-996.WANG Chenghu.Brief Review and Outlook of Main Esti?mate and Measurement Methods for In-situ Stress in Rock Mass［J］.Geological review，2014，60（5）：971-996.

［3］練章華，曾久長，樂斌，等.油氣井工程中地應(yīng)力場反演研究的發(fā)展［J］.石油鉆采工藝，2009，31（1）：1-5.LIAN Zhanghua，ZENG Jiuchang，LE Bin，et al.Develop?ment of Inversion Study on In-situ Stress Field in Petro?leum Engineering［J］.Oil Drilling&Production Technolo?gy，2009，31（1）：1-5.

［4］孫煒鋒，譚成軒，王志明，等.基于BP神經(jīng)網(wǎng)絡(luò)的深埋隧洞地應(yīng)力預(yù)測研究［J］.地質(zhì)力學(xué)學(xué)報，2007，13（3）：227-232.SUN Weifeng，TAN Chengxuan，WANG Zhiming，et al.Prediction of Crustal Stress of Deep-Buried Tunnels Based on BP Artificial neural network［J］.Journal of Geo?mechanics，2007，13（3）：227-232.

［5］郭喜峰，尹健民，劉元坤，等.清遠抽水蓄能電站地應(yīng)力場有限元回歸分析［J］.長江科學(xué)院院報，2008，25（5）：55-58.GUO Xifeng，YIN Jianmin，LIU Yuankun，et al.FEM Re?gression Analysis of In-situ Stress Field For Qingyuan Pumped Storage Power Plant［J］.Journal of Yangtze River Scientific Research Institute，2008，25（5）：55-58.

［6］張廣智，陳嬌嬌，陳懷震，等.基于頁巖巖石物理等效模型的地應(yīng)力預(yù)測方法研究［J］.地球物理學(xué)報，2015，58（6）：2112-2122.ZHANG Guangzhi，CHEN Jiaojiao，CHEN Huaizhen，et al.Prediction for In-situ Formation Stress of Shale based on Rock Physics Equivalent Model［J］.Chinese Journal of Geophysics，2015，58（6）：2112-2122.

［7］Singha D K，Chatterjee R.Geomechanical modeling using finite element method for prediction of in-situ stress in Krishna-God4avari basin，India［J］.International Journal of Rock Mechanics&Mining Sciences，2015，73（5）：15-27.

［8］趙小龍.基于支持向量機的深層地應(yīng)力預(yù)測模型［J］.特種油氣藏，2016，23（1）：139-141.ZHAO Xiaolong.SVM Deep Geo-stress Prediction Model［J］.Special oil and gas reservoir，2016，23（1）：139-141.

［9］王洪元，史國棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用［M］.北京：中國石化出版社，2002.WANG Hongyuan，SHI Guodong.Artificial neural network technology and its application［M］.Beijing：China Petro?chemical Press，2002.

［10］夏戰(zhàn)國，王珂，王志曉.基于網(wǎng)絡(luò)復(fù)雜性的BP算法［J］.計算機工程與設(shè)計，2008，29（15）：3867-3869.XIA Zhanguo，WANG Ke，WANG Zhixiao.BP algorithm based on network complexity［J］.Computer Engineering and Design，2008，29（15）：3867-3869.

［11］顧燕萍，趙文杰，吳占松.最小二乘支持向量機的算法研究［J］.清華大學(xué)學(xué)報（自然科學(xué)版），2010，50（7）：1063-1066.GU Yanping，ZHAO Wenjie，WU Zhansong.Least Squares Support Vector Machine Algorithm［J］.Journal of Tsinghua University（Science and Technology），2010，50（7）：1063-1066.

［12］Wang Y，Guo W.Local prediction of the chaotic fh-code based on LS-SVM［J］.Journal of Systems Engineering and Electronics，2008，19（1）：65-70.

［13］李志明，張金珠.地應(yīng)力與油氣勘探開發(fā)［M］.北京：石油工業(yè)出版社，1997.LI Zhiming，ZHANG Jinzhu.Ground stress and oil and gas exploration and development［M］.Beijing：Petroleum Industry Press，1997.

［14］徐曼，喬穎，魯宗相.短期風(fēng)電功率預(yù)測誤差綜合評價方法［J］.電力系統(tǒng)自動化，2011，35（12）：20-26.XU Man，QIAO Ying，LU Zongxiang.A Comprehensive Error Evaluation Method for Short-term Wind Power Pre?diction［J］.Automation of Electric Power Systems，2011，35（12）：20-26.incremental Fisher discriminant analysis［J］.2004，2：757-760 Vol.2.

［15］高陽，張碧玲，毛京麗，等.基于機器學(xué)習(xí)的自適應(yīng)光伏超短期出力預(yù)測模型［J］.電網(wǎng)技術(shù)，2015，39（2）：307-311.GAO Yang，ZHANG Biling，MAO Jingli，et al.Machine Learning-Based AdaptiveVery-Short-Term Forecast Model for Photovoltaic Power［J］.Power System Technol?ogy，2015，39（2）：307-311.