CN110533163A - 基于长短时记忆神经网络的压裂砂堵预警方法 - Google Patents

Abstract

本发明属于石油天然气压裂施工技术领域，尤其是涉及一种基于长短时记忆神经网络的压裂砂堵预警方法，包括如下步骤：步骤一，收集从压裂采集原始数据，再对原始数据进行预处理，将分组后的样本集合划分为训练集和测试集；步骤二，构建基于LSTM的压裂砂堵预测模型，并通过步骤一得到的训练集对砂堵预测模型进行训练；步骤三，待砂堵预测模型训练完成后，测试模型的预测准确率；预测结果为砂堵或不砂堵。本发明将长短时记忆神经网络引入到压裂砂堵预测中，采用聚类的算法对原始数据进行预处理，提取有效特征数据，去除冗余的数据对后续模型训练的影响；利用LSTM模型计算压裂砂堵概率，计算压裂砂堵预警的概率，为现场压裂监测提供直观、量化的指标。

Description

基于长短时记忆神经网络的压裂砂堵预警方法

技术领域

本发明属于石油天然气压裂施工技术领域，尤其是涉及一种基于长短时记忆神经网络的压裂砂堵预警方法。

背景技术

随着全球能源消耗增加，常规石油资源量不断减少，低渗透油气藏在石化资源供给方面的重要性日益突出，作为低渗透油气藏资源开发和低产井增产改造主要技术手段的压裂施工技术，在低渗透油气藏资源开发中应用愈发广泛。我国已将页岩气列为新型能源发展重点，纳入了国家能源发展规划。在页岩气压裂施工的过程中，压裂砂堵是影响压裂效果和经济效益的主要难题。

压裂砂堵是压裂施工过程中压裂支持剂在压裂加砂阶段聚集在压裂井底或裂缝中造成堵塞，使施工压力突然升高，进而导致压裂施工难以进行下去的现象。发生砂堵时，若没有尽快采取有效应对措施，容易造成压裂施工的失败，浪费压裂液和支持剂，对压裂施工井进行冲砂解堵或大修，极大增加额外的施工成本，严重的报废施工井甚至因憋压造成重大人员伤亡。砂堵主要分两种，一种是脱砂，一种是桥堵。由于支撑剂过早的沉降而形成的堵塞叫做脱砂，这种砂堵出现的过程比较缓慢。桥堵就是支撑剂在通过较窄的裂缝时在裂缝壁面形成的堵塞，比脱砂形成要快的多。砂堵如果没有及时发现并处理，一旦出现就会带来一系列的问题。地层因素、设计因素、现场施工因素、机械设备因素等都可能会引起压裂砂堵，而且作用机理较为复杂。因此，如何有效避免砂堵的产生一直是压裂设计和施工作业中非常棘手的难题。

目前，压裂施工现场缺乏利用地面实时数据实现砂堵预警的智能系统，基本依靠人工肉眼进行曲线监控和分析，因此存在误判、漏判等问题。少数院校，利用压裂仪表车实时数据建立了双对数曲线斜率压裂砂堵风险预警模型和广义回归曲线拟合模型，尝试实现压裂砂堵的实时预警。

(1)人工肉眼曲线监测

现场压裂工程师紧盯压裂曲线，根据工程师的经验判断油压升高是否正常，并作出相应的对策。由于工程师经验的不一、水平不同，很难准确、及时的发现砂堵风险。

(2)双对数曲线斜率压裂砂堵预警

压力-时间双对数曲线预警分析方法是现今最常用的压裂砂堵诊断方法。基于对压裂施工时的实时压力曲线的变化情况进行实时分析，可以对井下裂缝的延伸情况进行分析判断，监测裂缝的发育。

发明内容

本发明的目的是提供一种基于长短时记忆神经网络的压裂砂堵预警方法，该方法基于时间循环经网络，能够处理和预测时间序列中间隔和延迟相对较长的砂堵风险，通过压裂现场采集端实时采集仪表车泵注数据和压裂设计参数，通过网络传输至云服务，实现前后方压裂施工监控和砂堵风险预警。

本发明的目的是通过下述技术方案来实现的：

本发明的基于长短时记忆神经网络的压裂砂堵预警方法，包括如下步骤：

步骤一，收集从压裂采集原始数据，原始数据包含油压、套压、排量、砂比、输砂总量、总液量、时间等p维参数以及与每个压裂砂堵特征一一对应的1维的实际砂堵结果，再对从压裂现场采集的原始数据进行预处理，预处理时，对原始数据进行特征选择，即从p维的砂堵特征中选出跟砂堵砂堵息息相关的n维砂堵特征，其中，n≤p，再将n维的砂堵特征及每个砂堵特征对应的1维的实际砂堵结果作为样本集合，然后对样本集合进行分组，按照8∶2的分割比例，将分组后的样本集合划分为训练集和测试集；

步骤二，构建基于LSTM的压裂砂堵预测模型，并通过步骤一得到的训练集对砂堵预测模型进行训练；

步骤三，待砂堵预测模型训练完成后，可以用测试集测试模型的预测准确率；在实际预测时，向砂堵预测模型输入一条或多条n维的砂堵特征，得到1维的预测结果，预测结果为砂堵或不砂堵。

所述的步骤一中，对原始数据进行预处理过程如下：

步骤1.1：将从压裂现场采集的原始数据中所有的砂堵特征组成一个q维的砂堵特征集合，将原始数据中所有的实际砂堵结果组成一个1维的实际砂堵结果集合；

步骤1.2：从q维的砂堵特征集合中删除第i个维度，其中，i＝1，2，...或q；将其余q-1个维度作为特征子集Mi，其中，i＝1，2，...或p；对q维的砂堵特征集合重复删除维度，每次删除的维度不同，则得到特征子集M1，M2，...和Mq；将q维的砂堵特征集合记为特征子集M0，将M0，M1，M2，...和Mq分别和对应的实际砂堵结果集合组成样本子集S0，S1，S2，...，Sq；对于样本子集S0，S1，S2，...和Sq，分别采用十折交叉验证方法计算神经网络模型对于该样本子集的平均误差，将S0，S1，S2，...和Sq对应的平均误差分别记为X0，X1，X2，...和Xq；

步骤1.3：分别比较X1，X2，...和Xq与X0的差距，当X1，X2，...和Xq中任意一个平均误差Xi与X0相差小于预设值m时，则认为单独删除第i维特征后，不影响整体误差，则将第i维数据视为冗余特征；若不存在冗余特征，则执行步骤1.4；若只存在1维冗余特征，则直接将该维特征从砂堵特征集合中剔除，接着执行步骤1.4；若存在多维冗余特征，则从q维砂堵特征集合中删除最先得到的冗余特征，得到q-1维砂堵特征集合，将得到的q-1维特征集合作为下一轮循环的砂堵特征集合，令q＝q-1，重复执行步骤1.2和步骤1.3；

步骤1.4：将不存在冗余特征的n维的砂堵特征及每个砂堵特征对应的1维的实际砂堵结果集合组成样本集合，然后根据不同回采点和时间段对训练集进行分组，每组包含k条连续的样本数据，每条样本数据包括n维的砂堵特征和n维的砂堵特征中每条砂堵特征对应的1维的实际砂堵结果，n表示不存在冗余特征的砂堵特征集合的维数；接下来，按照8∶2的分割比例，将分组后的将样本集合划分为训练集和测试集，训练集与测试集互不相交。

所述的步骤二中，基于LSTM的砂堵预测模型包括输入层、隐藏层和输出层，其中：

输入层：通过该层每次向砂堵预测模型中输入训练集中的一组样本数据中的压裂砂堵特征参数；

隐藏层：隐藏层只包含两个LSTM单元，LSTM单元的输入输出即·为隐藏层的输入输出。隐藏层的输入为一个n维向量和一个维向量，n维向量来自于输入层，n维向量来自于上一时刻的隐藏层的输出；隐藏层有两个方向的输出，一个是给输出层的n维向量，另一个是给下一时刻隐藏层的n维向量；

输出层：输出层的输入为来自隐藏层的n维向量，对隐藏层学习的结果向量进行分类，输出为1维砂堵结果，通过将输出的砂堵结果与该样本数据中的实际砂堵结果相比较，计算误差。

所述的步骤二中，砂堵预测模型训练过程包括如下步骤：

步骤2.1：将当前时刻的输入记为xt，上一时刻的输出记为ht-1，遗忘门的权重矩阵记为Wf，输入门的权重矩阵记为Wi，外部输入门g权重记为Wg，输出门的权重矩阵记为Wo；

步骤2.2：将训练集中的一组数据传入输入层，训练集中的每组数据包括k条连续的压裂数据，每条压裂数据包括n维的砂堵特征和1维的实际压裂结果；输入层将k条连续的砂堵数据中的k条n维砂堵特征传给隐藏层；

步骤2.3：隐藏层的LSTM单元接收到输入层传来的k条n维特砂堵征，用xt表示砂堵预测模型中当前时刻t的输入，t∈{1，2，...，k}，t的初始值取1，后续依次取2，3...和k；

步骤2.4：计算遗忘门的值ft：

f t＝σ(W f·[h t-1，x t]+b f)；式中，Wf是遗忘门的权重矩阵，ht-1是砂堵预测模型上一时刻的输出，xt是砂堵预测模型当前时刻的输入，[ht-1，xt]表示向量ht-1和xt连接而成的向量，bf是遗忘门的偏置项，σ是激活函数，激活函数为sigmoid函数；

步骤2.5：计算LSTM单元当前时刻t的输入门的值it：

it＝σ(W i·[ht-1，xt]+bi)；

步骤2.6：计算LSTM单元的当前时刻t的用于描述当前输入的单元状态式中，Wc是单元状态的权重矩阵，bc是单元状态c的偏置项；

gt＝tanh(Wg·[ht-1，xt]+bg)；

步骤2.7：计算LSTM单元的当前时刻t的单元状态ct：式中，ct-1是上一时刻的单元状态，ft是遗忘门的输出值，it是输入门的输出值，ct是当前输入的单元状态，符号·表示按元素乘，即矩阵按位相乘；

Ct＝ft·ct-1+it·gt；

步骤2.8：计算LSTM单元的当前时刻t的输出门的值ot：

ot＝σ(Wo·[ht-1，xt]+bo)；

式中，Wo是输出门的权重矩阵，bo是输出门的偏置项；

步骤2.9：计算LSTM单元的当前时刻t的输出值ht：式中，ot是输出门的值，ct是当前单元状态的值，符号·表示按元素乘；若t＜k，令t＝t+1，再次执行步骤2.4至步骤2.9；若t＝k，则此时的输出值ht是最后一个时刻的输出值，将此时的ht传给输出层，执行步骤2.10；

ht＝ot·tanh(ct)；

步骤2.10；输出层收到隐藏层传来的最后一个时刻的输出值ht，并将隐藏层LSTM单元的最后一个时刻的输出值ht进行解码操作，转变为“0”或者“1”，“0”或者“1”为预测的砂堵结果，当为“0”时表示不砂堵，当为“1”时表示砂堵。

本发明的优点：

本发明的基于长短时记忆神经网络的压裂砂堵预警方法，将长短时记忆神经网络引入到压裂砂堵预测中，采用聚类的算法对原始数据进行预处理，提取有效特征数据，去除冗余的数据对后续模型训练的影响；LSTM神经网络模型能够学习动态压裂数据数据的变化规律，满足对压裂施工时间序列数据实时分析判断的需求；利用LSTM模型计算压裂砂堵概率，计算压裂砂堵预警的概率，为现场压裂监测提供直观、量化的指标。

附图说明

图1为本发明的系统框架示意图。

图2为本发明的流程图。

图3为本发明的长短时记忆神经网络结构示意图。

具体实施方式

下面结合附图进一步说明本发明的具体实施方式。

如图1-3所示，本发明的基于长短时记忆神经网络的压裂砂堵预警方法，包括如下步骤：

步骤一，收集从压裂采集原始数据，原始数据包含油压、套压、排量、砂比、输砂总量、总液量、时间等p维参数以及与每个压裂砂堵特征一一对应的1维的实际砂堵结果，再对从压裂现场采集的原始数据进行预处理，预处理时，对原始数据进行特征选择，即从p维的砂堵特征中选出跟砂堵砂堵息息相关的n维砂堵特征，其中，n≤p，再将n维的砂堵特征及每个砂堵特征对应的1维的实际砂堵结果作为样本集合，然后对样本集合进行分组，按照8：2的分割比例，将分组后的样本集合划分为训练集和测试集；

步骤二，构建基于LSTM的压裂砂堵预测模型，并通过步骤一得到的训练集对砂堵预测模型进行训练；

步骤三，待砂堵预测模型训练完成后，可以用测试集测试模型的预测准确率；在实际预测时，向砂堵预测模型输入一条或多条n维的砂堵特征，得到1维的预测结果，预测结果为砂堵或不砂堵。

所述的步骤一中，对原始数据进行预处理过程如下：

步骤1.1：将从压裂现场采集的原始数据中所有的砂堵特征组成一个q维的砂堵特征集合，将原始数据中所有的实际砂堵结果组成一个1维的实际砂堵结果集合；

步骤1.2：从q维的砂堵特征集合中删除第i个维度，其中，i＝1，2，...或q；将其余q-1个维度作为特征子集Mi，其中，i＝1，2，...或p；对q维的砂堵特征集合重复删除维度，每次删除的维度不同，则得到特征子集M1，M2，...和Mq；将q维的砂堵特征集合记为特征子集M0，将M0，M1，M2，...和Mq分别和对应的实际砂堵结果集合组成样本子集S0，S1，S2，...，Sq；对于样本子集S0，S1，S2，...和Sq，分别采用十折交叉验证方法计算神经网络模型对于该样本子集的平均误差，将S0，S1，S2，...和Sq对应的平均误差分别记为X0，X1，X2，...和Xq；

步骤1.3：分别比较X1，X2，...和Xq与X0的差距，当X1，X2，...和Xq中任意一个平均误差Xi与X0相差小于预设值m时，则认为单独删除第i维特征后，不影响整体误差，则将第i维数据视为冗余特征；若不存在冗余特征，则执行步骤1.4；若只存在1维冗余特征，则直接将该维特征从砂堵特征集合中剔除，接着执行步骤1.4；若存在多维冗余特征，则从q维砂堵特征集合中删除最先得到的冗余特征，得到q-1维砂堵特征集合，将得到的q-1维特征集合作为下一轮循环的砂堵特征集合，令q＝q-1，重复执行步骤1.2和步骤1.3；

步骤1.4：将不存在冗余特征的n维的砂堵特征及每个砂堵特征对应的1维的实际砂堵结果集合组成样本集合，然后根据不同回采点和时间段对训练集进行分组，每组包含k条连续的样本数据，每条样本数据包括n维的砂堵特征和n维的砂堵特征中每条砂堵特征对应的1维的实际砂堵结果，n表示不存在冗余特征的砂堵特征集合的维数；接下来，按照8∶2的分割比例，将分组后的将样本集合划分为训练集和测试集，训练集与测试集互不相交。

所述的步骤二中，基于LSTM的砂堵预测模型包括输入层、隐藏层和输出层，其中：

输入层：通过该层每次向砂堵预测模型中输入训练集中的一组样本数据中的压裂砂堵特征参数；

隐藏层：隐藏层只包含两个LSTM单元，LSTM单元的输入输出即·为隐藏层的输入输出。隐藏层的输入为一个n维向量和一个维向量，n维向量来自于输入层，n维向量来自于上一时刻的隐藏层的输出；隐藏层有两个方向的输出，一个是给输出层的n维向量，另一个是给下一时刻隐藏层的n维向量；

输出层：输出层的输入为来自隐藏层的n维向量，对隐藏层学习的结果向量进行分类，输出为1维砂堵结果，通过将输出的砂堵结果与该样本数据中的实际砂堵结果相比较，计算误差。

所述的步骤二中，砂堵预测模型训练过程包括如下步骤：

步骤2.1：将当前时刻的输入记为xt，上一时刻的输出记为ht-1，遗忘门的权重矩阵记为Wf，输入门的权重矩阵记为Wi，外部输入门g权重记为Wg，输出门的权重矩阵记为Wo；

步骤2.2：将训练集中的一组数据传入输入层，训练集中的每组数据包括k条连续的压裂数据，每条压裂数据包括n维的砂堵特征和1维的实际压裂结果；输入层将k条连续的砂堵数据中的k条n维砂堵特征传给隐藏层；

步骤2.3：隐藏层的LSTM单元接收到输入层传来的k条n维特砂堵征，用xt表示砂堵预测模型中当前时刻t的输入，t∈{1，2，...，k}，t的初始值取1，后续依次取2，3...和k；

步骤2.4：计算遗忘门的值ft：

f t＝σ(W f·[h t-1，x t]+b f)；式中，Wf是遗忘门的权重矩阵，ht-1是砂堵预测模型上一时刻的输出，xt是砂堵预测模型当前时刻的输入，[ht-1，xt]表示向量ht-1和xt连接而成的向量，bf是遗忘门的偏置项，σ是激活函数，激活函数为sigmoid函数；

步骤2.5：计算LSTM单元当前时刻t的输入门的值it：

it＝σ(W i·[ht-1，xt]+bi)；

步骤2.6：计算LSTM单元的当前时刻t的用于描述当前输入的单元状态式中，Wc是单元状态的权重矩阵，bc是单元状态c的偏置项；

gt＝tanh(Wg·[ht-1，xt]+bg)；

步骤2.7：计算LSTM单元的当前时刻t的单元状态ct：式中，ct-1是上一时刻的单元状态，ft是遗忘门的输出值，it是输入门的输出值，ct是当前输入的单元状态，符号·表示按元素乘，即矩阵按位相乘；

Ct＝ft·ct-1+it·gt；

步骤2.8：计算LSTM单元的当前时刻t的输出门的值ot：

ot＝σ(Wo·[ht-1，xt]+bo)；

式中，Wo是输出门的权重矩阵，bo是输出门的偏置项；

步骤2.9：计算LSTM单元的当前时刻t的输出值ht：式中，ot是输出门的值，ct是当前单元状态的值，符号·表示按元素乘；若t＜k，令t＝t+1，再次执行步骤2.4至步骤2.9；若t＝k，则此时的输出值ht是最后一个时刻的输出值，将此时的ht传给输出层，执行步骤2.10；

ht＝ot·tanh(ct)；

步骤2.10；输出层收到隐藏层传来的最后一个时刻的输出值ht，并将隐藏层LSTM单元的最后一个时刻的输出值ht进行解码操作，转变为“0”或者“1”，“0”或者“1”为预测的砂堵结果，当为“0”时表示不砂堵，当为“1”时表示砂堵。

实施例

下面结合附图进一步详细描述本发明的技术方案：

如图1所示，基于长短时记忆神经网络的压裂砂堵预警方法，它包括以下步骤：

步骤1：通过压裂现场数据采集模块自动采集压裂仪表车实时作业数据，包括：油压、套压、砂比(砂浓度)、加砂总量、输液总量。采集同一区块压裂历史数据，建立压裂砂堵数据库，为后续模型建立与训练准备数据；

步骤2：对采集的油压、套压、砂比(砂浓度)、加砂总量、输液总量数据进行差值和时间序列、数据不平衡问题处理。由于油压、排量、套压等指标本身无法很好的解释砂堵，因此我们使用后一时刻的指标值减去前一时刻指标值，以此指标的增量作为新的指标用来解释砂堵；原始时间序列数据无法之间运用到模型中，需要将原始数据张量(样本数)以时间步长为窗宽滑动取值，重构成(样本数-时间步长+1，时间步长)的张量形式；

步骤3：利用业务经验和特征选择技术，最终保留油压和排量；在油压、套压、砂比(砂浓度)、加砂总量、输液总量中逐一剔除1个特征，计算剩余特征集与砂堵结果的相关性，最终提取压裂砂堵特征值为油压、排量；

步骤4：将采集的压裂数据切分为训练集合(可进一步分为训练集和验证集合)和测试集合；使用2：8切分，80％数据用于训练，20％用于验证；

步骤5：构建如图2所示的长短时记忆神经网络模型，模型包含一个输入层，一个隐藏层，一个输出层；输入层：通过该层每次向模型中输入训练集中的一组油压、套压、砂比(砂浓度)、加砂总量、输液总量。

本发明的基于长短时记忆神经网络的压裂砂堵预警方法，将长短时记忆神经网络引入到压裂砂堵预测中，采用聚类的算法对原始数据进行预处理，提取有效特征数据，去除冗余的数据对后续模型训练的影响；LSTM神经网络模型能够学习动态压裂数据数据的变化规律，满足对压裂施工时间序列数据实时分析判断的需求；利用LSTM模型计算压裂砂堵概率，计算压裂砂堵预警的概率，为现场压裂监测提供直观、量化的指标。

Claims (4)

1.一种基于长短时记忆神经网络的压裂砂堵预警方法，包括如下步骤：

步骤一，收集从压裂采集原始数据，原始数据包含油压、套压、排量、砂比、输砂总量、总液量、时间等p维参数以及与每个压裂砂堵特征一一对应的1维的实际砂堵结果，再对从压裂现场采集的原始数据进行预处理，预处理时，对原始数据进行特征选择，即从p维的砂堵特征中选出跟砂堵砂堵息息相关的n维砂堵特征，其中，n≤p，再将n维的砂堵特征及每个砂堵特征对应的1维的实际砂堵结果作为样本集合，然后对样本集合进行分组，按照8：2的分割比例，将分组后的样本集合划分为训练集和测试集；

步骤二，构建基于LSTM的压裂砂堵预测模型，并通过步骤一得到的训练集对砂堵预测模型进行训练；

步骤三，待砂堵预测模型训练完成后，可以用测试集测试模型的预测准确率；在实际预测时，向砂堵预测模型输入一条或多条n维的砂堵特征，得到1维的预测结果，预测结果为砂堵或不砂堵。

2.根据权利要求1所述的基于长短时记忆神经网络的压裂砂堵预警方法，其特征在于所述的步骤一中，对原始数据进行预处理过程如下：

步骤1.1：将从压裂现场采集的原始数据中所有的砂堵特征组成一个q维的砂堵特征集合，将原始数据中所有的实际砂堵结果组成一个1维的实际砂堵结果集合；

步骤1.2：从q维的砂堵特征集合中删除第i个维度，其中，i＝1，2，...或q；将其余q-1个维度作为特征子集Mi，其中，i＝1，2，...或p；对q维的砂堵特征集合重复删除维度，每次删除的维度不同，则得到特征子集M1，M2，...和Mq；将q维的砂堵特征集合记为特征子集M0，将M0，M1，M2，...和Mq分别和对应的实际砂堵结果集合组成样本子集S0，S1，S2，...，Sq；对于样本子集S0，S1，S2，...和Sq，分别采用十折交叉验证方法计算神经网络模型对于该样本子集的平均误差，将S0，S1，S2，...和Sq对应的平均误差分别记为X0，X1，X2，...和Xq；

步骤1.3：分别比较X1，X2，...和Xq与X0的差距，当X1，X2，...和Xq中任意一个平均误差Xi与X0相差小于预设值m时，则认为单独删除第i维特征后，不影响整体误差，则将第i维数据视为冗余特征；若不存在冗余特征，则执行步骤1.4；若只存在1维冗余特征，则直接将该维特征从砂堵特征集合中剔除，接着执行步骤1.4；若存在多维冗余特征，则从q维砂堵特征集合中删除最先得到的冗余特征，得到q-1维砂堵特征集合，将得到的q-1维特征集合作为下一轮循环的砂堵特征集合，令q＝q-1，重复执行步骤1.2和步骤1.3；

步骤1.4：将不存在冗余特征的n维的砂堵特征及每个砂堵特征对应的1维的实际砂堵结果集合组成样本集合，然后根据不同回采点和时间段对训练集进行分组，每组包含k条连续的样本数据，每条样本数据包括n维的砂堵特征和n维的砂堵特征中每条砂堵特征对应的1维的实际砂堵结果，n表示不存在冗余特征的砂堵特征集合的维数；接下来，按照8：2的分割比例，将分组后的将样本集合划分为训练集和测试集，训练集与测试集互不相交。

3.根据权利要求1所述的基于长短时记忆神经网络的压裂砂堵预警方法，其特征在于所述的步骤二中，基于LSTM的砂堵预测模型包括输入层、隐藏层和输出层，其中：

输入层：通过该层每次向砂堵预测模型中输入训练集中的一组样本数据中的压裂砂堵特征参数；

隐藏层：隐藏层只包含两个LSTM单元，LSTM单元的输入输出即·为隐藏层的输入输出。隐藏层的输入为一个n维向量和一个维向量，n维向量来自于输入层，n维向量来自于上一时刻的隐藏层的输出；隐藏层有两个方向的输出，一个是给输出层的n维向量，另一个是给下一时刻隐藏层的n维向量；

输出层：输出层的输入为来自隐藏层的n维向量，对隐藏层学习的结果向量进行分类，输出为1维砂堵结果，通过将输出的砂堵结果与该样本数据中的实际砂堵结果相比较，计算误差。

4.根据权利要求1所述的基于长短时记忆神经网络的压裂砂堵预警方法，其特征在于所述的步骤二中，砂堵预测模型训练过程包括如下步骤：

步骤2.1：将当前时刻的输入记为xt，上一时刻的输出记为ht-1，遗忘门的权重矩阵记为Wf，输入门的权重矩阵记为Wi，外部输入门g权重记为Wg，输出门的权重矩阵记为Wo；

步骤2.2：将训练集中的一组数据传入输入层，训练集中的每组数据包括k条连续的压裂数据，每条压裂数据包括n维的砂堵特征和1维的实际压裂结果；输入层将k条连续的砂堵数据中的k条n维砂堵特征传给隐藏层；

步骤2.3：隐藏层的LSTM单元接收到输入层传来的k条n维特砂堵征，用xt表示砂堵预测模型中当前时刻t的输入，t∈{1，2，...，k}，t的初始值取1，后续依次取2，3...和k；

步骤2.4：计算遗忘门的值ft：

ft＝σ(Wf·[ht-1，xt]+bf)；式中，Wf是遗忘门的权重矩阵，ht-1是砂堵预测模型上一时刻的输出，xt是砂堵预测模型当前时刻的输入，[ht-1，xt]表示向量ht-1和xt连接而成的向量，bf是遗忘门的偏置项，σ是激活函数，激活函数为sigmoid函数；

步骤2.5：计算LSTM单元当前时刻t的输入门的值it：

it＝σ(Wi·[ht-1，xt]+bi)；

步骤2.6：计算LSTM单元的当前时刻t的用于描述当前输入的单元状态式中，Wc是单元状态的权重矩阵，bc是单元状态c的偏置项；

gt＝tanh(Wg·[ht-1，xt]+bg)；

步骤2.7：计算LSTM单元的当前时刻t的单元状态ct：式中，ct-1是上一时刻的单元状态，ft是遗忘门的输出值，it是输入门的输出值，ct是当前输入的单元状态，符号·表示按元素乘，即矩阵按位相乘；

Ct＝ft·ct-1+it·gt；

步骤2.8：计算LSTM单元的当前时刻t的输出门的值ot：

ot＝σ(Wo·[ht-1，xt]+bo)；

式中，Wo是输出门的权重矩阵，bo是输出门的偏置项；

步骤2.9：计算LSTM单元的当前时刻t的输出值ht：式中，ot是输出门的值，ct是当前单元状态的值，符号·表示按元素乘；若t＜k，令t＝t+1，再次执行步骤2.4至步骤2.9；若t＝k，则此时的输出值ht是最后一个时刻的输出值，将此时的ht传给输出层，执行步骤2.10；

ht＝ot·tanh(ct)；

步骤2.10；输出层收到隐藏层传来的最后一个时刻的输出值ht，并将隐藏层LSTM单元的最后一个时刻的输出值ht进行解码操作，转变为“0”或者“1”，“0”或者“1”为预测的砂堵结果，当为“0”时表示不砂堵，当为“1”时表示砂堵。