本发明涉及一种基于anfis-pso模型的煤储层地应力预测方法，有能力解决实际的水平地应力预测问题，为后续煤储层可改造性评价的开展提供支撑。
背景技术：
1、地应力，即存在于地壳中的内应力，是地壳运动和地质构造活动的主要驱动力。作为岩体内部固有的天然应力，由重力、构造力、流体动力及结晶力等多种力综合作用形成。通常采用垂向地应力、最大水平地应力、最小水平地应力三个参数来表征。在煤层气勘探开发中，通过准确预测地应力状态，可以指导压裂改造、影响煤层渗透率、评估开发前景并促进技术创新，为煤层气产业的可持续发展提供有力支持。随着我国煤层气勘探与开发不断向深部拓展，所面对的地质环境日趋复杂，对地应力的研究也因此受到了来自各方的高度关注。
2、目前为止，获取地应力的方法主要有室内岩芯测试技术、矿场实测分析、测井曲线解释、地震预测法、基于地质力学数值模拟、利用测井资料计算、基于叠前地震反演预测等。总的来说，目前基于测井解释和数值模拟的地应力计算方法较多，实际运用中依赖于测井声波数据和地应力实测数据，但是在现场实际操作过程中，常常存在可在实验测试样品、测井、试井资料不足的情况，限制了地应力的获取。因此，为了较为简单、准确地对地应力进行计算，更加准确的得到煤储层地应力，利用机器学习、深度学习算法的优势，发明了一种基于anfis-pso模型的煤储层地应力预测方法，从而为地应力预测、煤储层可改造性评价提供基础依据。
技术实现思路
1、本发明要解决的技术问题是：提供一种基于anfis-pso模型的煤储层地应力预测方法，可在试验样品、试井资料不足的情况下提供一种较为简单、准确地对地应力进行预测，为后续煤储层可压性评价提供参考依据。
2、本发明采取的技术方案为：
3、一种基于anfis-pso模型的煤储层地应力预测方法，所述方法包括：
4、步骤1、通过现场测井资料收集数据样本，形成测井数据集；
5、步骤2、通过单轴压缩力学实验、三轴压缩力学实验、巴西劈裂力学实验、现场水力压裂实验等获得煤储层岩石力学参数集；
6、步骤3、通过衡量测井数据集与煤储层岩石力学参数集之间的相关性，确定预测水平地应力的输入特征，构造总样本集；
7、步骤4、构建anfis自适应神经模糊推理系统，所述anfis自适应神经模糊推理系统包括模糊化层、规则层、归一化层、去模糊化层、求和层；
8、步骤5、利用fletcher-reeves共轭梯度法对的anfis模型进行改进，并获得优化的anfis自适应神经模糊推理模型参数；
9、步骤6、利用粒子群优化算法更新粒子位置，通过循环迭代不断更新anfis算法的网络参数，获得优化的anfis-pso模型；
10、步骤7、根据训练集对anfis-pso模型进行训练，得到训练好的模型后，依据评价指标利用测试集测试好模型的的预测精度；
11、步骤8、最后根据常规测井曲线以及训练好的anfis-pso模型有效预测地应力。
12、进一步的技术方案是，所述测井数据包括自然伽马gr、深测向电阻率lld、浅测向电阻率lls、补偿中子cnl、补偿声波ac、补偿密度den、井径cal、垂深tvd；室内实验和现场数据搜集获得煤储层岩石力学参数，包括杨氏模量、泊松比、水平地应力和抗拉强度。
13、上一步进一步的技术方案是，所述煤储层岩石力学参数集包括杨氏模量、泊松比、水平地应力和抗拉强度。
14、进一步的技术方案是，所述步骤3具体过程为：
15、步骤3.1、采用皮尔逊相关系数来衡量测井参数与力学参数之间的相关性，确定预测水平地应力的输入特征；
16、相关性分析公式：
17、式中：r为相关系数；xi、yi为两组样本数据；μx、μy二号两组样本数据的平均值；σx、σy为两组样本数据的标准差；
18、步骤3.2、在训练模型之前对数据集进行了归一化处理；
19、归一化公式：
20、式中：xi为数据归一化之后的数值；x为原始测井数据；xmin为样本数据的最小值；xmax为样本数据的最大值；
21、步骤3.3、每一组输入特征值构成一个完整样本，总和构成总样本集，将总样本集按照8:2的比例随机划分训练集和测试集。
22、进一步的技术方案是，所述步骤4中anfis通过神经网络实现了模糊化处理，转化为模糊隶属度，然后根据模糊隶属度产生模糊推理，最后通过模糊化接口处理，得到最终输出结果，具体步骤如下：
23、步骤4.1、计算每一层节点i的结果：
24、o1,i＝μai(x) (式3)；
25、
26、o2,i＝wi＝μai(x).μbi(y) i＝1,2 (式5)；
27、
28、步骤4.2、计算anfis层输出使用的方程：
29、
30、式中：μai(x)为x到模糊集a的mf；ci和σi为前提参数；μbi(y)为y到模糊集b的mf；wi为归一化层的结果；(pi，qi，ri)为结果参数集；o1,i、o2,i、o3,i和o4,i是分别为第一到第四层节点i的结果；o5,i为anfis算法计算的结果。
31、进一步的技术方案是，步骤5中利用fletcher-reeves共轭梯度法对的anfis模型进行改进，并获得优化的anfis自适应神经模糊推理模型参数，具体步骤包括：
32、步骤5.1、第一步是沿着目标误差函数的负梯度方向进行搜索：
33、d0＝g0 (式9)；
34、式中：g0为第一步负梯度的方向向量；d0为第一步的搜索方向；
35、步骤5.2、沿当前方向进行线性搜索，确定沿该方向移动的最佳距离：
36、wn+1＝wn+αndn (式10)；
37、式中：wn为当前的权值向量；dn是当前的搜索方向；αn为学习速率；
38、步骤5.3、沿上一步负梯度搜索方向进行下一步的搜索：
39、dn＝gn+βndn-1 (式11)；
40、式中：gn为当前负梯度的方向向量；βn为搜索步长；
41、步骤5.4、搜索步长βn采用的fletcher-reeves共轭梯度法：
42、
43、为了确保算法的收敛性，使目标误差函数的值继续下降，应当在训练次数为权重数的整数倍时修正方向，即βn＝0，同时，在每一个训练过程中都要进行判断并修正，即gntdn≥0时，使用负梯度方向作为新的搜索方向，一直沿着下降方向搜索，最后，当达到设定的目标误差函数的最小值或最大训练次数时，搜索结束。
44、进一步的技术方案是，所述步骤6利用粒子群优化算法更新粒子位置，通过循环迭代不断更新anfis算法的网络参数，公式如下：
45、
46、式中：xik+1为更新位置；xik是当前位置；vik+1为更新速度；vik为当前速度；c1和c2为学习系数；rand1和rand2为分布在区间[0,1]的随机数；pbestik为个体最佳位置；gbestik为群体最佳位置；i为粒子数；k是迭代次数。
47、进一步的技术方案是，所述步骤7的评价指标为均方根误差rmse、平均绝对误差mae、确定系数r2，以此作为评价指标来评估模型的准确性和可靠性；
48、评价指标公式如下所示：
49、
50、
51、本发明的有益效果：
52、本发明包括首先选取研究区矿井进行地应力的常规测井解释，形成样本数据集，对测井数据进行特征选择和归一化处理，建立基于粒子群优化的anfis水平地应力预测模型，将anfis-pso模型应用到矿井水平地应力预测中，通过均方根误差rmse、平均绝对误差mae、确定系数r2作为评价指标来评估模型的准确性和可靠性，为后续可改造性评价的开展提供支撑。
1.一种基于anfis-pso模型的煤储层地应力预测方法，其特征在于：
2.根据权利要求1所述的基于anfis-pso模型的地应力预测方法，其特征在于：所述测井数据集包括自然伽马gr、深测向电阻率lld、浅测向电阻率lls、补偿中子cnl、补偿声波ac、补偿密度den、井径cal、垂深tvd；
3.根据权利要求1所述的基于anfis-pso模型的地应力预测方法，其特征在于：所述煤储层岩石力学参数集包括杨氏模量、泊松比、水平地应力和抗拉强度。
4.根据权利1所述的基于anfis-pso模型的地应力预测方法，其特征在于，所述步骤3具体过程为。
5.步骤3.1、采用皮尔逊相关系数来衡量测井数据集与煤储层岩石力学参数集之间的相关性，确定预测水平地应力的输入特征；
6.根据权利要求1所述的基于anfis-pso模型的地应力预测方法，其特征在于：所述步骤4中anfis通过神经网络实现了模糊化处理，转化为模糊隶属度，然后根据模糊隶属度产生模糊推理，最后通过模糊化接口处理，得到最终输出结果，具体步骤如下：
7.根据权利要求1所述的基于anfis-pso模型的地应力预测方法，其特征在于：所述步骤5中利用fletcher-reeves共轭梯度法对的anfis模型进行改进，并获得优化的anfis自适应神经模糊推理模型参数，具体步骤包括：
8.根据权利要求1所述的基于anfis-pso模型的地应力预测方法，其特征在于：所述步骤6利用粒子群优化算法更新粒子位置，通过循环迭代不断更新anfis算法的网络参数，公式如下：
9.根据权利要求1所述的基于anfis-pso模型的地应力预测方法，其特征在于：所述步骤7的评价指标为均方根误差rmse、平均绝对误差mae、确定系数r2，以此作为评价指标来评估模型的准确性和可靠性。
