-
题名基于MFO-BPNN的螺旋钻机钻速预测研究
- 1
-
-
作者
李嘉辉
王英
郑荣跃
叶军
赵京昊
陈立
-
机构
宁波大学机械工程与力学学院
宁波大学土木工程与地理环境学院
浙江工业职业技术学院机电工程学院
浙江易通特种基础工程股份有限公司
-
出处
《机电工程》
CAS
北大核心
2024年第4期633-642,共10页
-
基金
宁波市重大科技攻关暨揭榜挂帅项目(2022Z063)
宁波市北仑区关键核心技术攻关项目(2022001)。
-
文摘
针对利用现有经验公式所建立的螺旋钻机钻速预测模型存在准确度不足的问题,提出了一种基于飞蛾扑火算法(MFO)的反向传播神经网络(BPNN)钻速预测模型。首先,对MFO算法的基本原理进行了研究,构建了MFO算法优化BPNN的具体流程;接着,采集了江苏无锡某施工现场钻探数据,并分析了钻速影响因素,运用小波阈值降噪、归一化和灰色关联度分析等系列方法对采集数据进行了预处理,得到了训练和测试集;然后,将MFO算法运用于神经网络的权值和阈值训练,以代替原有梯度下降法,建立了MFO-BPNN钻速预测模型;最后,对上述预测模型与BPNN模型、遗传算法优化反向传播神经网络(GA-BPNN)模型以及粒子群优化算法优化反向传播神经网络(PSO-BPNN)模型的预测结果和评价指标进行了详细的对比分析。研究结果表明:运用MFO-BPNN建立的钻速预测模型,其可靠性达到了91.65%,其决定系数(R 2)优于其他3种预测模型,3项误差指标也是其中最低的,说明该模型的预测精度良好,适合于桩基础工程的实际应用,可为复杂因素影响下的钻速预测提供一种新思路。
-
关键词
螺旋钻机
钻速预测
飞蛾扑火算法
反向传播神经网络
遗传算法优化反向传播神经网络
粒子群优化算法优化反向传播神经网络
决定系数
桩基础工程
-
Keywords
spiral drilling rigs
drilling speed prediction
moth-flame optimization(MFO)algorithm
back propagation neural network(BPNN)
genetic algorithm optimization-back propagation neural network(GA-BPNN)
particle swarm optimization-back propagation neural network(PSO-BPNN)
coefficients of determination(R 2)
pile foundation engineering
-
分类号
TH69
[机械工程—机械制造及自动化]
TE24
[石油与天然气工程—油气井工程]
-
