[发明专利]基于快速自适应量子遗传算法的复杂井眼轨迹优化方法

说明书

技术领域

本发明涉及先进智能优化算法领域，特别涉及基于快速自适应量子遗传算法的复杂井眼轨迹优化方法。

背景技术

随着油气田开发技术的不断提高，定向井、超深井、水平井、大位移井、侧钻井、分支井以及多靶井等复杂井眼轨迹类型与日俱增，加之非常规、深水、深层、极地等油气田数量增长。科学的井眼轨迹设计是钻井工程中的关键技术之一。

在井眼轨迹优化中，主要经历的两个阶段：一是将三维井眼轨迹优化问题转化平面上的二维优化问题，采用最优化方法实现二维井眼轨迹的优化；二是采用先进的智能优化算法实现三维井眼轨迹的优化。目前，在三维井眼轨迹优化技术正处于第二个阶段。国内外采用粒子群算法(PSO)，改进的粒子群算法(NPSO)，混合杜鹃搜索优化(hCSO)，改进的遗传算法(NGA)以及混合蝙蝠飞行优化算法(hBFO)等智能算法实现三维井眼轨迹优化。而现有的算法的效率、稳定性和鲁棒性存在不足，使得优化三维井眼轨迹的实时性较差，优化的结果不够理想。

发明内容

针对在复杂三维井眼轨迹优化问题中自变量多，约束条件复杂的特点，为提高多靶点多井段复杂井眼轨迹优化结果的精度和优化速度，克服现有算法的实时较差的问题，本发明的目的在于提供一种基于快速自适应量子遗传算法(FAQGA)的复杂井眼轨迹优化方法。

为实现上述目的，本发明技术方案是这样实现的：

基于快速自适应量子遗传算法的复杂井眼轨迹优化方法，包括如下步骤：

(1)生成Fibonacci数列，计算F_n/F_n+x，其中x＝1,2,3…；n为常数；

(2)初始化种群Q(t)和设置算法参数：令iteration＝0，随机产生n条染色体组成初始化群体Q₀(t)；设置量子旋转门转角步长初值和Δθ₀，变异概率P_m，最大迭代次数Gen_max＝200；设置FAQGA的算法参数；

(3)解空间变换，当优化过程限定在单位空间Iⁿ＝[-1,1]ⁿ内，在Bloch球面坐标中m个量子位有3m个坐标，利用线性变换，将这3m个坐标由n维单位空间Iⁿ＝[-1,1]ⁿ映射优化问题的解空间，每个坐标对应解空间中的一个优化变量，第i条染色体q_i^t所对应第j个量子位相应的解空间变量为：

式(3)中，和是第j个量子位的Bloch坐标值。每条染色体对应优化问题的三个解。b_i和a_i分别为优化问题解空间的最大值和最小值。

(4)计算目标函数值：针对复杂井眼轨迹优化问题，选择井身实际测量深度TMD(True Measurement Depth，TMD)为优化目标，对井身、井斜角、井斜方位角以及井段曲率参数优选，以自变量的取值，套管的长度及目标垂直井深为约束条件，目标函数可定义为：

obj_function＝min{TMD}

其中：TMD＝Dkop+D1+D2+D3+D4+D5+HD

s.t.X_min≤X≤X_max

cas_jmin≤cas_j≤cas_jmax

TVD_min≤TVD≤TVD_max (4)

式(4)中，X＝(HD,phi1～phi3,theta1～theta6,D_d,D_B,D_s1～D_s3,D_kop)∈R¹⁶，即解空间R¹⁶由16维决策向量X组成，即16为待优化参数的个数；TMD为优化目标函数，ft；j为套管设计的段数。井眼轨迹各段计算公式定义为：

D₂＝(D_d-D_kop-D₁×(sinφ₁-sinφ₀)/(φ₁-φ₀))/cos(φ₁)

(6)