基于蚁群优化Elman神经网络的传感器补偿.pdfVIP

l84 化 工 自 动 化 及 仪 表 第38卷 基于蚁群优化 Elman神经网络的传感器补偿 王秀芳 ，句莉莉。，陈 超 ，魏春明 (1．东北石油大学 电气信息工程学院，黑龙江 大庆大庆油田有限公司 天然气分公司，黑龙江 大庆 163457； 3．渤海钻探定 向井公 司，天津 300280) 摘要 ： 为 了提高随钻测斜仪的工作稳定性和测量精度 ，将蚁群算法和神经 网络相融合 ，采用信 息素挥发 因 子P和信息素更新策略 自动调整 自适应蚁群算法优化 Elman神经网络的权 阚值 ，将其应用到随钻测斜仪 的传感 器补偿 中。仿真结果表 明，自适应蚁群 Elman神经网络 的补偿效果优于Elman网络和遗传 Elman网络 ，补偿精度 达 10～，补偿效果良好 。 关键词 ： 随钻测斜仪 ；自适应蚁群算法；传感器补偿 ；Elman网络 中图分类号 ：TP183 文献标识码 ：A 文章编号 ：1000—3932(2011)02-0184-04 随钻测斜仪广泛应用于现代定 向钻井工程 出。通过 自适应地改变信息素挥发因子P来提高 中，可以在不间断钻井过程的情况下准确 、可靠且 算法的全局性。 实时提供方位井斜等一些参数信息。通常在高温 假设信息素挥发因子P的初始值P(t。)=1， 高压的复杂环境下工作 ，造成了测量精度下降、稳 则当蚁群算法求得 的最优值在 Ⅳ次循环 内没有 定性差等一些问题。随着现场对测量精度要求的 明显改进时，P按式 (1)自适应调整 ： 日益提高，必须对 随钻测斜仪 中的传感器进行补 (f)： 0．95p(t-1)≥pⅢ (。·95P(一1)≥pmIn) (1) 偿 。 Elman神经 网络具有很强 的非线性 映射能 式 中：Pmi．— p的最小值 ，可以防止P过小降低算 力…，可以很好地实现传感器的非线性校正，但用 法的收敛 。为 了提高蚁群算法 的全局搜索能力 ， 传统算法训练容易陷于局部极值点。遗传 Elman 提高搜索速度 ，还在每次循环结束时保留最优解 。 神经网络 可以应用于传感器的补偿 ，但补偿精 1．2 信息素更新策略的自适应调整 度不高。蚁群算法 是一种最新发展的仿生优化 通过式(1)自适应调整信息素挥发 因子p的 算法 ，该算法采用正反馈并行 自催化机制 ，具有较 大小 ，虽然可以提高全局搜索能力 ，但却在一定程 强的鲁棒性、优 良的分布式计算机制以及易于与 度上使算法的收敛速度降低。因而提出一种 自适 其他算法相结合等优点 ，但是需要较长 的计算 时 应改变 r值的方法 ： 间，容易出现停滞现象。为克服这一缺点，采用信 f(t+1)=(1一P)r+△f (2) 息素挥发因子P和信息素更新策略 自动调整的 自 r(1一P)¨州 f(t)+△r (r…) 适应蚁群算法 AACA(AdaptiveAntColonyAlgo- ‘+’=i(1一p)-一m()r(t)+△r．(rfⅡ) rithm) 优化 Elman神经网络的权 阈值，并将其 (3) 应用到随钻测斜仪 的传感器补偿 中，取得 了很好 式中： ——一个与收敛次数 m成正 比的函数 ， 的补偿效果 。