具体实施方式

下述实施例中所使用的实验方法如无特殊说明，均为常规方法。

下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。

本发明考虑受限区对海上油气田开发过程中平台位置优选的影响，基于粒子群算法，提出的受限区约束下丛式井平台位置优选方法，突破了现有最小总进尺平台位置优选方法未考虑受限区的缺陷(现有方法计算的平台位置很可能在受限区内)，为海上油气田开发降低钻井进尺和成本提供了保障。

本发明基于粒子群算法模拟鸟群觅食飞行路线，通过学习个体经验和群体经验，二者协同迭代寻找最优解，算法易编程实现，输入靶点坐标及受限区边界后，运行程序，即可得到受限区约束下钻井总进尺最小的平台位置。

为实现上述目的，本发明采取以下技术方案：

1)确定目标油气田的井数n、靶点坐标、靶点垂深以及受限区的边界范围。

2)预设粒子个数N(代表N个平台位置)、最大迭代次数T、学习因子C1与C2、惯性权重最大值Wmax和惯性权重最小值Wmin、速度最大值Vmax和速度最小值Vmin。

3)对N个粒子的位置x(i,j)进行初始化，其中i表示第i个粒子，j＝1或2，x(i,1)表示粒子的东西坐标，x(i,2)表示粒子的南北坐标，初始阶段，粒子的位置在油田扩大范围内且受限区外是随机分布的；

对N个粒子的速度v(i,j)进行初始化，初始速度介于Vmin和Vmax之间，速度为正表示对x(i,j)进行增大，为负表示对x(i,j)进行减小。

4)计算每个粒子的初始最优位置p(i,j)和初始最小总进尺pbest(i)，每个粒子的初始最优位置p(i,j)为第3步骤的初始位置x(i,j)，初始最小总进尺pbest(i)为各位置对应的钻井总进尺，pbest(i)计算公式见后。

5)计算初始阶段，整个粒子群的全局最优平台位置g和全局最小总进尺gbest：

从第1个粒子至第N个粒子进行遍历，选取全部粒子中最小的总进尺pbest(i)作为初始全局最小总进尺gbest，对应的平台位置p(i,j)作为初始全局最优位置g。

6)进行第一轮迭代(共进行T轮)，更新全部N个粒子的位置x(i,j)，得到x(i,j)新，利用步骤4)重新计算每个粒子的总进尺pbest(i)，选其中的最小值作为第一轮迭代后的全局最小总进尺gbest，所对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优平台位置g，位置x(ij)的更新步骤见后。

7)然后进行第2至T轮迭代，依次记录每轮迭代的全局最优平台位置g和全局最小总进尺gbest，T轮迭代后的g和gbest就是最终的全局最优平台位置和全局最小总进尺。

上述的方法中，步骤2)中，设置粒子个数N＝2×m，最大迭代次数T＝10×m，学习因子C1＝C2＝1.5，推荐惯性权重最大值Wmax＝0.9和最小值Wmin＝0.4，速度最大值Vmax＝1和最小值Vmin＝-1。

其中，m表示油田区域的面积，km²。

上述步骤中参数设置由固定值和函数值两类组成，其中学习因子C1与C2、惯性权重最大值Wmax和最小值Wmin、速度最大值Vmax和最小值Vmin为固定值；粒子个数N、最大迭代次数T不是固定值，而是随着油田面积变化的函数，这样取值既能保证算法运行，又能保证结果精度。

在以往的粒子群算法中，对粒子个数N、最大迭代次数T的取值是固定值，但这种取值方法可能会导致粒子个数不足以覆盖油田面积和迭代次数不够，使算法无法收敛，因此本发明中采用函数值方式，保证程序能正常运行。此外，速度最大值和最小值取前述固定值时，计算收敛速度较快、精度较高。

上述的方法中，步骤3-4)中每个粒子的初始位置是在油田区域扩大10倍的范围内(称为“扩大范围”)且受限区外是随机分布的，该倍数可根据实际情况调节。

上述的方法中，步骤4)中，第i个粒子的对应的钻井总进尺pbest(i)如下：

式中，n为井的数量；i＝1～n；dep(s)代表第s口井的进尺，包含直井段、造斜段、稳斜段等。

上述的方法中，步骤6)中，粒子位置x(i,j)的更新步骤如下：

首先计算动态惯性权重w：

w＝Wmax-(Wmax-Wmin)×k/T

式中，k代表第k轮迭代；

对粒子的速度v(i,j)进行更新，公式如下：

v(i,j)新＝w×v(i,j)+C1×rand×[p(i,j)-x(i,j)]+C2×rand×[g-x(i,j)]

其中，C1，C2为学习因子，v(i,j)＝rand×(Vmax-Vmin)+Vmin；

若得到的v(i,j)新不在Vmin到Vmax之间，则进行规则化处理：

然后对粒子的位置x(i,j)进行更新，公式如下：

x(i,j)新＝x(i,j)+vx(i,j)

若得到的x(i,j)新不在扩大范围内且受限区外，则进行规则化处理：

其中，Xmin、Xman、Ymin、Ymax分别为扩大范围的西、东、南、北坐标边界。

更新位置后的粒子群，若全局最小总进尺gbest小于上一轮的全局最小总进尺gbest，则记录其对应的全局最优平台位置g。经T轮迭代后，得到最终全局最优平台位置g和最终全局最小总进尺gbest。

步骤6)中，通过计算动态惯性权重w来更新速度v(i,j)，如v(i,j)新＝w×v(i,j)+C1×rand×[p(i,j)-x(i,j)]+C2×rand×[g-x(i,j)]，公式中第一项为历史惯性，第二项为个体经验，第三项为群体经验。在本步骤中综合学习了个体经验和群体经验来获得新速度，容错性更强。而且惯性权重w是随着迭代轮次变化的动态值，能在每一轮迭代中提供合适的惯性权重，能防止静态值可能引起的程序无法收敛的现象。

步骤6-7)中，得到v(i,j)新后进一步计算x(i,j)新，利用更新位置后的粒子群计算全局最小总进尺，若全局最小总进尺gbest小于上一轮的全局最小总进尺gbest，则记录其对应的全局最优平台位置g。经T轮迭代后，得到最终的全局最优平台位置g，和最终全局最小总进尺gbest。

最终全局最优平台位置g表示在考虑受限区的影响后，平台选在该位置处，钻井总进尺最小，总进尺为gbest。经实际验证，上述参数(含固定值、函数值)的设置能够保证程序运行稳定，收敛速度快。

下面以某一油气田为例，说明本发明方法的优选过程：

1)确定目标油气田的井数为16口定向井，靶点坐标、靶点垂深如表1中所示。

本例中，受限区类型为航道区，航道边界即为受限区边界。相对位置如图1所示。

表1定向井的靶点坐标、靶点垂深

2)油田区域面积约30km²，因此设置粒子个数N＝60，最大迭代次数T＝300，学习因子C1＝C2＝1.5，惯性权重最大值Wmax＝0.9和最小值Wmin＝0.4，速度最大值Vmax＝1和最小值Vmin＝-1。

3)对60个粒子的位置x(i,j)进行初始化，如表2所示，x(i,1)表示第i个粒子的东西坐标，x(i,2)表示第i个粒子的南北坐标，初始阶段，粒子的位置在油田扩大范围内且受限区外是随机分布。如图1所示。

表2粒子位置初始化

对60个粒子的速度v(i,j)进行初始化，初始速度介于Vmin和Vmax之间。

4)计算每个粒子的初始最优平台位置p(i,j)和初始最小总进尺pbest(i)。

每个粒子的初始最优平台位置p(i,j)即为第3步骤的初始平台位置x(i,j)，将全部16口井的进尺累加，得到每个粒子对应的初始最小总进尺pbest(i)，如表3所示。

表3每个粒子的初始最优平台位置和初始最小总进尺

5)计算初始阶段，整个粒子群的全局最优平台位置g和全局最小总进尺gbest。

从第1个粒子至第60个粒子进行遍历，选取60个粒子中最小的pbest(i)作为初始全局最小总进尺gbest，对应的粒子位置x(i,j)作为初始全局最优平台位置g。

本算例中，初始全局最小总进尺gbest＝91633m，对应的初始全局最优平台位置如表4所示。

表4粒子群的初始全局最优平台位置和初始全局最小总进尺

6)进行第一轮迭代(共进行T＝300轮)，在第一轮迭代中，对粒子群位置进行更新。假如粒子位置超出了“扩大范围”或者进入了受限区，则根据实施方式中的步骤6)做出相应调整，得到粒子群的新位置x(i,j)新都位于扩大范围内且受限区外。根据60个粒子的新位置，利用步骤4)重新计算每个粒子的pbest(i)，如表5所示。

表5第1轮迭代后，每个粒子的新位置和最小总进尺

选其中的最小值作为第一轮迭代后的全局最小总进尺gbest，对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优平台位置g。

本算例中，第一轮迭代后全局最小总进尺gbest＝84509/m。对应的全局最优平台位置如表6所示。

表6第1轮迭代后，粒子群的全局最优平台位置和全局最小总进尺

7)然后进行第2至300轮迭代，依次记录每轮迭代的全局最优平台位置g和全局最小总进尺gbest，300轮迭代后的g和gbest就是最终的全局最优平台位置和全局最小总进尺。本算例中最终的全局优平台位置和最小总进尺如表7所示。

表7第300轮迭代后，粒子群的全局最优平台位置和全局最小总进尺

结果表明：在航道受限区约束下，平台位置选在(393348，4350337)位置处，钻井总进尺最小，为71596m。如图1和2所示。

本发明基于的粒子群算法属于人工智能仿生算法，通过模拟鸟群的觅食行为，综合考虑个体经验和群体经验，迭代寻找最优解，搜索速度快，算法编程后运行稳定，结果可靠。

以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化与修改，均应属于本发明保护的范围。而且需要说明的是，本发明的各组成部分并不仅限于上述整体应用，本发明的说明书中描述的各技术特征可以根据实际需要选择一项单独采用或选择多项组合使用，因此本发明当然地涵盖了与本案发明点有关的其他组合及具体应用。