CN107194068A

CN107194068A - 页岩气压裂过程井下异常工况实时预测预警方法及装置

Info

Publication number: CN107194068A
Application number: CN201710364005.6A
Authority: CN
Inventors: 胡瑾秋; 张来斌; 张鑫
Original assignee: China University of Petroleum Beijing
Current assignee: China University of Petroleum Beijing
Priority date: 2017-05-22
Filing date: 2017-05-22
Publication date: 2017-09-22
Anticipated expiration: 2037-05-22
Also published as: CN107194068B

Abstract

本发明实施例公开了一种页岩气压裂过程井下异常工况实时预测预警方法及装置。所述方法包括：基于离线数据构建训练数据集，利用支持向量回归机训练监测参数预测模型；通过计算多个离散化的斜率值，提取特征参数离线数据的趋势特征，基于支持向量分类机建立相应工序阶段下的井下异常工况监测器；利用建立的所述监测参数预测模型和所述井下异常工况监测器，基于在线监测数据进一步开展井下异常工况的实时预测及预警。本发明实施例提供的页岩气压裂过程井下异常工况实时预测预警方法及装置提高了井下异常工况的预测精度。

Description

页岩气压裂过程井下异常工况实时预测预警方法及装置

技术领域

本发明实施例涉及过程数据模式识别技术领域，尤其涉及一种页岩气压裂过程井下异常工况实时预测预警方法及装置。

背景技术

页岩气压裂是页岩气开发的主体技术，压裂过程井下发生异常工况的危害极大，油管内形成的高压会反过来损坏地面设备，比如压裂泵、井口装置等，甚至会破坏地层渗流，导致压裂施工失败。

页岩气压裂过程井下异常工况预测本质上是模式识别问题。在页岩气压裂施工现场，人工依据数据采集系统上监测参数的变化趋势预测未来时刻井下的工况。由于个体知识、经验以及责任心差异等原因，导致不能及时预测和处理异常工况的情况经常发生。lgP-lgt法被用来分析压裂过程中井下裂缝在扩展过程中的状态。压力的斜率被用来分析携砂液在裂缝中运移的阻力，从而指导加砂。无论是lgP-lgt，还是压力曲线斜率法，仅仅利用了压力参数的信息，忽略了其余监测参数携带的重要信息，限制了自身的适用范围，同时不能用于异常工况。学者定性的分析了压裂施工曲线形态特征，可以作为现场施工监控的依据。然而，压裂过程井下异常工况(包括地层形成裂缝、压窜事故和砂堵事故)的实时监测仍然没能得到解决。

压裂施工曲线是压裂时地面所得到的最实时，最直接的压裂施工情况的真实反映。当井下出现异常工况时，会引起多个监测参数的异常波动，因此，充分挖掘并融合多个监测参数携带的工况信息，可以为页岩气压裂井下异常工况实时监测提供一条有效途径。基于多源信息融合的模式识别方法不需要建立精确的数学模型，其核心是对多个监测参数进行特征提取并融合，并转化为一种先验知识，用于模式识别。目前，基于多源信息融合的模式识别方法(比如神经网络、QTA、SVC)已经在气象预测，机械故障预测领域得到广泛应用。然而，与上述研究对象相比，由于页岩气压裂技术是近几年在国内展开的，尚缺乏完整的施工曲线数据库，积累的异常工况数据样本非常有限，因此，如何利用有限的样本建立高精度的井下异常工况实时预测模型是急需解决的问题。

发明内容

针对上述技术问题，本发明实施例提供了一种页岩气压裂过程井下异常工况实时预测预警方法及装置，以提高井下异常工况的预测精度。

一方面，本发明实施例提供了一种页岩气压裂过程井下异常工况实时预测预警方法，所述方法包括：

基于离线数据构建训练数据集，利用支持向量回归机训练监测参数预测模型；

通过计算多个离散化的斜率值，提取特征参数离线数据的趋势特征，基于支持向量分类机建立相应工序阶段下的井下异常工况监测器；

利用建立的所述监测参数预测模型和所述井下异常工况监测器，基于在线监测数据进一步开展井下异常工况的实时预测及预警。

另一方面，本发明实施例还提供了一种页岩气压裂过程井下异常工况实时预测预警装置，所述装置包括：

模型建立模块，用于基于离线数据构建训练数据集，利用支持向量回归机训练监测参数预测模型；

模型训练模块，用于通过计算多个离散化的斜率值，提取特征参数离线数据的趋势特征，基于支持向量分类机建立相应工序阶段下的井下异常工况监测器；

预警模块，用于利用建立的所述监测参数预测模型和所述井下异常工况监测器，基于在线监测数据进一步开展井下异常工况的实时预测及预警。

本发明实施例提供的页岩气压裂过程井下异常工况实时预测预警方法及装置通过基于离线数据构建训练数据集，利用支持向量回归机训练监测参数预测模型，通过计算多个离散化的斜率值，提取特征参数离线数据的趋势特征，基于支持向量分类机建立相应工序阶段下的井下异常工况监测器，以及利用建立的所述监测参数预测模型和所述井下异常工况监测器，基于在线监测数据进一步开展井下异常工况的实时预测及预警，大大提高了对井下异常工况进行预测的预测精度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明的页岩气压裂过程井下异常工况实时预测预警方法的流程图；

图2是本发明的工况变化过程示意图；

图3是本发明的滑动窗口示意图；

图4A是本发明的特征参数的变化趋势示意图；

图4B是本发明的特征参数的变化趋势示意图；

图4C是本发明的特征参数的变化趋势示意图；

图4D是本发明的特征参数的变化趋势示意图；

图5是本发明的参数预测及趋势提取示意图；

图6是本发明的井口压力预测效果图；

图7是本发明的不同时刻的井口压力预测值示意图；

图8是本发明的不同时刻的排量预测值示意图

图9是本发明的页岩气压裂过程井下异常工况实时预测预警装置的结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

图1示出了页岩气压裂过程井下异常工况实时预测预警方法的具体步骤。参见图1，页岩气压裂过程井下异常工况实时预测预警方法包括：S11，基于离线数据构建训练数据集，利用支持向量回归机训练监测参数预测模型；S12，通过计算多个离散化的斜率值，提取特征参数离线数据的趋势特征，基于支持向量分类机建立相应工序阶段下的井下异常工况监测器；S13，利用建立的所述监测参数预测模型和所述井下异常工况监测器，基于在线监测数据进一步开展井下异常工况的实时预测及预警。

1.建立监测参数预测模型

1.1)建立训练数据集

在压裂过程中，井下工况从正常到异常是一个渐变的发展过程，监测参数也会由平稳波动逐渐演变为剧烈变化。因此，整个工况变化过程可以划分为正常工况阶段、过渡阶段和异常工况阶段，过渡阶段指的是监测参数平稳波动和剧烈波动之间的时间区间，该时间区间内的工况是异常工况的早期征兆，如图2所示。从数学角度分析，可以将早期征兆和异常工况之间的关系看成映射关系。因此，在建立参数预测模型的过程中，有必要将过渡阶段内的时间序列数据作为模型的输入项，真实异常工况阶段的时间序列数据作为输出项。

假设当前时刻为t，参数预测模型的预测步长为t_st，样本的时间窗口宽度为t_win，t、t_st和t_win的关系如图3所示，则对于任意未来时刻t^*∈(t,t+t_st]，可以利用[t^*-t_w-t_st,t^*-t_st]内的时间序列数据预测t^*时刻的参数值。

t_c表示采样周期(即相邻两个采样点的时间间隔)，V表示每个时间窗口内时间序列数据的数量，根据公式(1)得到。F表示预测步长内时间序列数据的数量，根据公式(2)得到。

选取H组监测参数的时间序列数据。为了保证SVR更准确地捕捉到异常工况特征，每组数据必须包含正常工况发展为异常工况时完整的过程数据，例如，图2展示了一段完整的井口压力的时间序列数据。通过连续向前滑动时间窗口(如图3所示)，分别从每组监测参数的时间序列数据中选取K组训练样本。与此同时，根据预测步长t_st，相应的选取每个时间窗口对应的预测项。

对于每类监测参数，总的时间窗口数量(也称之为训练样本总数)为M＝H*K，表示为T₁,T₂,…,T_M，包含M组训练样本的输入数据集用矩阵R表示，如公式(3)所示，矩阵的行向量表示时间窗口内的时间序列数据，r_mv表示第m个时间窗口T_m,m＝1,2,…,M内的第v,v＝1,2,…,V个监测参数值。相应的，输入数据集R中每个时间窗口对应的预测项用输出数据集L表示，如公式(4)所示，r^Tm表示与时间窗口T_m,m＝1,2,…,M的距离为t_st的监测参数值。

1.2)建立参数预测模型

压裂施工日常操作、环境干扰会引起传感器采样数据中存在奇异值，为了减少奇异样本值对参数预测模型带来的影响，根据公式(5)(6)(7)，将训练数据集(包含输入数据集和输出数据集)作归一化处理。归一化后的输入数据集和输出数据集分别作为支持向量回归机(SVR)的输入项和输出项，采用粒子群优化算法(PSO)对SVR中惩罚参数C和核参数g进行寻优，建立SVR模型。

式中：表示第m个时间窗口T_m,m＝1,2,…,M内的第v,v＝1,2,…,V个监测参数值的归一化值。μ表示所有样本数据的均值，σ表示所有样本数据的标准差。V表示每个时间窗口内时间序列数据的数量，M表示总的时间窗口数量。

2.建立异常工况监测器

2.1)选择特征参数

在压裂施工的不同工序中，异常工况所引起的异常波动的监测参数不同。因此，在建立异常工况监测器之前，需要依据正在进行的工序，选择表征能够异常工况的特征参数，提高异常工况分类的准确率。

(1)若是压裂工序处于“泵注前置液”阶段，即未加“支撑剂”，砂比系数为0。最可能的工况是“地层形成裂缝”，引起“井口压力和排量”的异常波动，因此，选择井口压力和排量作为异常工况监测器的特征参数。

(2)若是压裂工序处在“加砂”阶段，此时砂比系数不为0，则异常工况包括“近井砂堵、远井砂堵，地层间压窜事故”，等等，通常造成井口压力和套管压力的异常波动，因此，选择井口压力和套管压力作为异常工况监测器的特征参数。

2.2)确定斜率阈值区间

在井下异常工况发生的初期(如图2中过渡阶段)，异常工况征兆表现微弱，特征参数波动不明显，因此，为了提取特征参数早期的微弱变化趋势，实现对异常工况的早期预测，本文通过计算和比较当前时刻下特征参数采样值与过去不同时刻下特征参数采样值的斜率，表征当前时刻下特征参数的变化趋势，变化趋势可以用斜率值的组合表示。

几种典型的特征参数变化趋势图4所示，用x表示时间，y表示特征参数。若分析x₀时刻特征参数的趋势时，首先设置3个不同的时间片，时间片长度分别记为TS₁，TS₂，TS₃，其中TS₃＝3TS₁，TS₂＝2TS₁，然后分别计算3个时间片对应的特征参数的斜率，记为A₁，A₂，A₃。由于3个拟合线相交于(x₀,y₀)，便于分析斜率的意义。

图4A：若A₁＞A₂＞A₃＞0，表明趋势一直处于上升的趋势；图4B：若A₃＜A₂＜A₁＜0，表明趋势一直处于下降的趋势；图a和图b均属于简单变化趋势。

图4C：若A₁＜A₂＜0＜A₃或A₁＜0＜A₂＜A₃，表明趋势为先上升再下降；图4D：若A₃＜0＜A₂＜A₁或A₃＜A₂＜0＜A₁，表明趋势为先下降再上升；图4C和图4D属于复合变化趋势。若A₁，A₂，A₃的值均等于0，表明曲线一直处于平稳期。由于随机噪声或信号干扰，平稳期的斜率值不可能等于0，而是在0附近波动。

从上述可以看出，通过3个斜率值的正负性及大小关系可以表示特征参数不同的变化趋势。当时间片长度一定时，斜率绝对值越大，表明特征参数趋势变化越明显。为了表征特征参数的变化程度，进一步设置斜率阈值，将连续的斜率值作离散化处理，采用离散值的斜率值表示特征参数的变化程度。

分别选取H_Δ组正常工况阶段内和H_Ω组异常工况阶段内(如图2所示)特征参数的时间序列数据。设置3个时间片，分别为TS₁，TS₂，TS₃，其中TS₃＝3TS₁，TS₂＝2TS₁，从每组时间序列数据的末端开始，依次逆向计算不同时刻的斜率值，选择正常工况下每个时间片对应的最大斜率绝对值和异常工况下每个时间片对应的最小斜率绝对值，分别作为每个时间片对应的斜率阈值下限和上限。则第i特征参数的第j时间片的斜率阈值上限和下限分别记为U_ij和L_ij。

2.3)斜率离散化

选取H_θ组特征参数的时间序列数据(每组数据包含工况变化的3个阶段)，分别在每组特征参数的时间序列数据上随机选取K_θ个时刻采样点，并在每个时刻采样点设置3个时间片，记为TS₁，TS₂，TS₃，其中TS₃＝3TS₁，TS₂＝2TS₁，计算出每个时刻采样点对应的一组斜率值。根据斜率阈值区间将斜率值作离散化处理。第i个特征参数的第j个时间片对应的斜率阈值区间记为[L_ij,U_ij]，则在时刻t，第i个特征参数的第j个时间片对应斜率的离散规则为式(8)：

式中，A_ij表示第i个特征参数的第j个时间片对应的斜率值。λ表示特征参数的类别数量；

2.4)建立数据集

将前面步骤中所有时刻采样点的离散化的斜率值构建如公式(9)所示的矩阵，D表示N个样本(N＝H_θ*K_θ等于总的时刻采样点数)，每个样本用行向量表示，每一行由一个时刻采样点处Z(Z＝3*λ)个离散化的斜率值和相应的类别标签ψ组成，类别标签表示正常工况和异常工况，并分别采用数字0和1表示。

2.5)建立井下异常工况监测器

从矩阵D中随机选出3/4的样本建立训练数据集，剩余样本作为测试数据集。在训练支持向量分类机(SVM)工况监测器的过程中，Z个离散化的斜率值和对应的类别标签分别作为SVM工况监测器的输入项和输出项，并采用粒子群优化算法(PSO)对SVM中惩罚参数C和核函数参数g寻优，建立SVM井下异常工况监测器。

3.实时预测井下异常工况

在监测参数预测模型和异常工况监测器基础上进一步开展井下异常工况的实时预测预警。上述实时预测预警的具体过程描述如下：

3.1)选择特征参数

根据当前压裂施工所处的工序，确定表征异常工况的特征参数，并选择特征参数的预测模型，和当前工序下的异常工况监测器。

3.2)实时构建输入数据集

利用在线监测数据，实时构建特征参数预测模型的输入数据集。具体过程如图3所示：从t-t_w-t_st开始，依次向前滚动时间窗口，结束于当前时刻t，建立包含V组样本的实时输入数据集，实时输入数据集的格式与公式(3)相同。每当在线监测参数的最新采样值到来时，更新一遍输入数据集。

3.3)实时提取特征参数的趋势

特征参数的变化趋势是通过离散化的斜率值表征的。将实时输入数据集作为特征参数预测模型的输入项，预测(t,t+t_st]内的时间序列数据，如图5所示。对于每个特征参数，将t+t_st作为趋势提取的时刻点，设置3个时间片，记为TS₁，TS₂，TS₃，其中TS₃＝3TS₁，TS₂＝2TS₁，分别计算一组斜率值，并根据每个特征参数的斜率阈值区间，将斜率值作离散化处理。

3.4)实时预测井下异常工况

将离散化的斜率值转换成如式(9)所示的数据集，作为工况监测器的输入项，实时预测当前工序阶段内井下异常工况，得到井下工况的预警结果，并发布预警信息。

本发明提出一种基于多源信息融合的页岩气压裂过程井下异常工况实时预测预警系统及装置。首先采用有限的井下工况离线数据，建立监测参数预测模型和异常工况监测器。再采用SVM训练异常工况监测器时，利用多个离散化的斜率值表征特征参数的变化趋势，并构建输入数据集。最终，基于在线监测数据实现井下异常工况的实时预测及预警。

第一实施例

本实施例采用“焦页板块”页岩气井压裂过程中“泵注前置液”阶段的井下工况作为案例对象验证本发明的准确性和适用性。井口压力和排量是“泵注前置液”阶段异常工况的特征参数，因此，需要建立井口压力和排量的预测模型。接下来以井口压力预测模型为例，展示建模步骤。

1.建立监测参数预测模型

1.1)建立训练数据集

设时间窗口宽度t_win＝1min，预测步长t_st＝1min，井口压力的采样周期t_c＝2s，因此，根据式(1)可知，每个时间窗口内时间序列数据的总数V＝30。

选取H＝10组井口压力的时间序列数据，分别从每组数据中选取K＝500组训练样本，建立包括S＝5000组训练样本的输入数据集。同理，根据预测步长，建立包含S＝5000个样本的输出数据集。

1.2)建立井口压力预测模型

经过PSO对SVR参数寻优后，得到井口压力预测模型的惩罚参数C＝12.25和核参数g＝3.57。为了验证井口压力预测模型的效果，选用一段井口压力的时间序列数据作为测试数据，并根据建立相应的测试数据集。注意：测试数据集与训练数据集的格式相同，测试数据集也包括输入数据集和输出数据集；不同的是，在验证模型效果时，用于输出数据集虽然在形式上被带入到预测模型中，但是实际上并不参与运算。图6展示了井口压力预测模型的预测效果，可以直观看出，所建立模型能够比较吻合的预测出井口压力的变化趋势。

同理，根据步骤1.1)和步骤2.2)建立排量预测模型，其中排量采样周期为4s，预测模型的时间窗口宽度为1min，预测步长为1min，惩罚参数为7.34，核参数为25.52。

2.建立异常工况监测器

2.1)选择特征参数

由于选择压裂过程“泵注前置液”阶段的井下工况作为案例对象，因此，井口压力和排量是“泵注前置液”阶段异常工况的特征参数。

2.2)确定斜率阈值区间

分别选取5组正常工况阶段和异常工况阶段内井口压力和排量的时间序列数据。设相邻时间片的时间间隔为1min，即TS₁＝1min，TS₂＝2min，TS₃＝3min。井口压力和排量的斜率阈值区间如表1所示。

表1阈值区间

2.3)和2.4)：斜率离散化并建立数据集

选取H_θ＝20组井口压力和排量的时间序列数据，在每组特征参数的时间序列数据上随机选取K_θ＝10个时刻采样点，得到N＝200个样本，部分结果如表2所示。并将表2转换成如式(9)所示的数据集。

表2离散化的斜率值(部分)

随机选取150个样本作为训练数据集，剩余50组作为测试数据集。经过PSO寻优后，SVM异常工况监测器的惩罚参数C＝7.85，核参数g＝45.88。表3所示为已建立的SVM工况监测器对测试数据集的判定结果，其中准确率为88.00％，漏警率为14.29％，虚警率10.34％。

表3测试结果

3.实时预测井下异常工况

当前工序处于“泵注前置液”阶段，则井口压力和排量是当前工序内异常工况的特征参数。本文选取10组特征参数的时间序列数据(每组数据包括工况变化的3个阶段，即正常工况阶段→过渡阶段→异常工况阶段)作为验证数据。图7和图8展示了一组验证数据在不同时刻点的预测效果，从图中可以看出，参数预测模型能够比较吻合的预测出未来1min内参数的变化趋势。

表列出了所提出方法在不同工况阶段的预测结果。所提出方法能够在正常工况阶段对2组异常工况实现准确预测，在过渡阶段对9组异常工况实现准确预测，在异常工况阶段对9组数据实现准确监测。从预警角度分析，在正常工况阶段或过渡阶段准确预测到异常工况，均属于预警的范畴，因此，从表中可以看出，所提出方法未能对第9组异常工况数据实现准确预警，只是在异常工况阶段实现了准确监测。

表4预测区间

*其中符号“-”表示未能预测到异常工况，“+”表示预测到异常工况

第二实施例

本实施例提供了页岩气压裂过程井下异常工况实时预测预警装置的一种技术方案。在该技术方案中，页岩气压裂过程井下异常工况实时预测预警装置包括：模型建立模块91、模型训练模块92，以及预警模块93。

模型建立模块91用于基于离线数据构建训练数据集，利用支持向量回归机训练监测参数预测模型。

模型训练模块92用于通过计算多个离散化的斜率值，提取特征参数离线数据的趋势特征，基于支持向量分类机建立相应工序阶段下的井下异常工况监测器。

预警模块93用于利用建立的所述监测参数预测模型和所述井下异常工况监测器，基于在线监测数据进一步开展井下异常工况的实时预测及预警。

优选的，所述模型建立模块91包括：训练数据采集单元，以及模型训练单元。

训练数据采集单元用于采集用于对所述支持向量回归机进行训练的训练数据集。

模型训练单元用于根据所述训练数据集，训练所述支持向量回归机。

优选的，所述模型训练模块92包括：特征参数选取单元、区间确定单元、离散化单元，以及寻优单元。

特征参数选取单元用于根据当前压裂施工工序，从井口压力、排量及套管压力中选取所述支持向量分类机的特征参数。

区间确定单元用于确定所述特征参数的斜率阈值区间。

离散化单元用于将所述特征参数的斜率离散化。

寻优单元用于将离散化后的所述特征参数的斜率作为输入项，通过粒子群优化算法对所述异常工况监测器的惩罚参数及核函数参数进行寻优。

优选的，所述预警模块93包括：监测数据采集单元、数据输入单元，以及预警单元。

监测数据采集单元用于实时采集井口压力、排量及套管压力，作为进行实时预警的监测数据。

数据输入单元用于将所述监测数据作为输入项输入至所述支持向量回归机。

预警单元用于根据所述支持向量回归机的输出量，提取特征参数的趋势特征，进行异常工况的预警。

本发明的有益效果：

(1)页岩气压裂过程中井下异常工况会引起多个监测参数的异常波动，融合多个特征参数的趋势特征可以判断井下异常工况。然而，已有的方法在监测井下异常工况时，仅利用了“压力”参数，忽略了其余监测参数携带的工况信息，从而限制了自身的监测范围，导致异常工况预测准确率低。因此，为了准确预测页岩气压裂过程井下异常工况，需要提取并融合多个特征参数携带的工况特征，提高异常工况预测准确率。

(2)页岩气压裂事业是近几年在国内展开的，尚缺乏完整的施工曲线数据库，积累的异常工况样本数据非常有限。因此，为了减少因缺少数据样本对异常工况预测模型精度的影响，需要在小样本工况数据下建立高精度的异常工况预测模型。

(3)支持向量分类机(SVM)是一种基于多源信息融合的机器学习方法，可以从多个特征参数的变化趋势中提取工况特征，实现对工况的分类。然而，已有的研究在建立SVM的输入数据集时，仅通过提取特征参数的简单变化趋势(即上升、下降、不变)建立输入数据集，而忽略了复合变化趋势，比如先上升后下降趋势、先下降后上升趋势，使得SVM不能准确捕捉到特征参数的异常特征，建立的预测模型准确率低，预测实时性差。因此，在建立SVM的输入数据集时，需要采用多个离散化的斜率值表征特征参数的复合变化趋势，提高异常工况预测的实时性。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种页岩气压裂过程井下异常工况实时预测预警方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于离线数据构建训练数据集，利用支持向量回归机训练监测参数预测模型：

采集用于对所述支持向量回归机进行训练的训练数据集；

根据所述训练数据集，训练所述支持向量回归机。

3.根据权利要求1所述的方法，其特征在于，通过计算多个离散化的斜率值，提取特征参数离线数据的趋势特征，基于支持向量分类机建立相应工序阶段下的井下异常工况监测器包括：

根据当前压裂施工工序，从井口压力、排量及套管压力中选取所述支持向量分类机的特征参数；

确定所述特征参数的斜率阈值区间；

将所述特征参数的斜率离散化；

将离散化后的所述特征参数的斜率作为输入项，通过粒子群优化算法对所述异常工况监测器的惩罚参数及核函数参数进行寻优。

4.根据权利要求1所述的方法，其特征在于，利用建立的所述监测参数预测模型和所述井下异常工况监测器，基于在线监测数据进一步开展井下异常工况的实时预测及预警包括：

实时采集井口压力、排量及套管压力，作为进行实时预警的监测数据；

将所述监测数据作为输入项输入至所述支持向量回归机；

根据所述支持向量回归机的输出量，提取特征参数的趋势特征，进行异常工况的预警。

5.一种页岩气压裂过程井下异常工况实时预测预警装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述模型建立模块包括：

训练数据采集单元，用于采集用于对所述支持向量回归机进行训练的训练数据集；

模型训练单元，用于根据所述训练数据集，训练所述支持向量回归机。

7.根据权利要求5所述的装置，其特征在于，所述模型训练模块包括：

特征参数选取单元，用于根据当前压裂施工工序，从井口压力、排量及套管压力中选取所述支持向量分类机的特征参数；

区间确定单元，用于确定所述特征参数的斜率阈值区间；

离散化单元，用于将所述特征参数的斜率离散化；

寻优单元，用于将离散化后的所述特征参数的斜率作为输入项，通过粒子群优化算法对所述异常工况监测器的惩罚参数及核函数参数进行寻优。

8.根据权利要求5所述的装置，其特征在于，所述预警模块包括：

监测数据采集单元，用于实时采集井口压力、排量及套管压力，作为进行实时预警的监测数据；

数据输入单元，用于将所述监测数据作为输入项输入至所述支持向量回归机；

预警单元，用于根据所述支持向量回归机的输出量，提取特征参数的趋势特征，进行异常工况的预警。