CN111335887B - 基于卷积神经网络的气井积液预测方法 - Google Patents
基于卷积神经网络的气井积液预测方法 Download PDFInfo
- Publication number
- CN111335887B CN111335887B CN202010114001.4A CN202010114001A CN111335887B CN 111335887 B CN111335887 B CN 111335887B CN 202010114001 A CN202010114001 A CN 202010114001A CN 111335887 B CN111335887 B CN 111335887B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- picture
- gas well
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 239000007788 liquid Substances 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 206010030113 Oedema Diseases 0.000 claims abstract description 28
- 241000521257 Hydrops Species 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000009825 accumulation Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000012263 liquid product Substances 0.000 claims 2
- 238000011161 development Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 239000012071 phase Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的气井积液预测方法,包括以下步骤:获取气田中气井的日产气量的数据和井口油压的数据,将日产气量的数据和井口油压的数据制作成谱线的图片,对图片集进行预处理操作,每一张图片预处理操作后为预处理图片,得到由预处理图片组成的预处理图片集,设计卷积神经网络模型,将训练集内预处理图片分批次输入卷积神经网络模型进行训练,将测试集输入卷积神经网络模型进行训练,将一张该待预测气井的预处理图片输入训练完毕的卷积神经网络模型,卷积神经网络模型输出预测结果。本发明预测结果能够更加及早的发现井底积液情况,及时的对积液气井展开排水采气作业,恢复气井的正常生产,具有一定的时效性。
Description
技术领域
本发明属于气田开发技术领域,具体来说涉及一种基于卷积神经网络的气井积液预测方法。
背景技术
在气田进行生产的过程中,将伴随着大量出水气井的产生;地层能量的下降,导致气相无法将液相携带至井口、井筒压力波动性大幅度增加以及气相能量的损失引起的井底积液和气井产量的下降,因此准确的预测气井的积液状态并开展相关的排水采气作业,对于气田的高效稳定开发显得至关重要。气液两相在沿井筒向上流动的过程中,液相被气相携带的方式主要有两种形式:伴随着气相的液滴和沿井筒的液膜。基于此物理模型的研究,国内外专家学者提出了液滴模型分析方法与液膜模型分析方法,目前国内常用的气井积液预测模型主要为椭球模型(李闽,郭平,谭光天.气井携液新观点[J].石油勘探与开发,2001,28(5):105-106.)和球帽模型(王毅忠,刘庆文.计算气井最小携液临界流量的新方法[J].大庆石油地质与开发,2007,26(6):82-85.)。
椭球模型和球帽模型都是基于牛顿经典力学对单个液滴受力平衡分析从而得到携带液滴所需气井生产的临界流速(流量)的方法,通过模型计算出的临界流速(流量)与实际产气量对比,判断气井是否处于积液状态,但是上述两种模型并不能够识别出处于正在积液阶段的气井;不能及早的发现井底积液情况以及指导气田在开始积液初期就开展排水采气作业,不利于气田进行合理高效的开发。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于卷积神经网络的气井积液预测方法,该气井积液预测方法通过对现有生产数据的合理分析及学习,实现了对井下积液状况的精准预测及识别,有效的解决了井下积液预测及识别问题,对于现阶段气田合理高效开发具有重大的意义。
本发明的目的是通过下述技术方案予以实现的。
一种基于卷积神经网络的气井积液预测方法,具体包括以下步骤:
S1、数据采集:获取气田中气井的日产气量的数据和井口油压的数据;
S2、数据清洗及数据集制作:将S1的日产气量的数据和井口油压的数据制作成谱线的图片,获得的所有图片组成图片集,在每张图片中,以时间为x轴,将日产气量的数据作为一个y轴,将井口油压的数据作为另一个y轴;
在所述S2中,每张图片中的时间范围不少于7天。
在所述S2中,每张图片的分辨率在(400~800)*(300~600),RGB通道数为3。
S3、数据集预处理:对图片集进行预处理操作,每一张图片预处理操作后为预处理图片,得到由预处理图片组成的预处理图片集,预处理操作为:图像解码、灰度化处理、图像大小调整和归一化操作;
在所述S3中,图像解码位于预处理操作的第一步,归一化操作位于预处理操作的第四步,灰度化处理和图像大小调整分别位于预处理操作的第三步和第二步,第三步和第二步的顺序可互换。
在所述S3中,预处理操作为:首先将每一张图片图像解码为矩阵张量,然后采用插值算法将图片大小调整为(100~200)*(75~150),然后将图片的RGB三通道彩色转换为一通道灰色,最后进行归一化,即可将该图片制作成预处理图片。
在所述S3中,归一化操作的处理公式为式中:xi为归一化操作前一步获得矩阵中的一个数值,yi代表预处理图片的矩阵中的数值,/>代表xi的平均值,i代表xi所在矩阵中数据的数目,i=1……n,s代表xi的标准差,
S4、设计卷积神经网络模型,卷积神经网络模型含有1个输入层、2~6个卷积层、2~6个池化层、3~5个全连接层、1个分类层、1个输出层,卷积神经网络模型的预测结果为积液或非积液;
在所述S4中,分类层采用Softmax函数进行分类,所述S4中Softmax函数的公式为式中Vj代表S4中按顺序计最后一个全连接层中输出单元的输出数值,j表示卷积神经网络模型的预测结果的索引,j=0或1,气井总的分类类别的个数为C,C=2,Sj表示的是第j个类别所占的比率。
在所述S4中,在卷积层与全连接层引入激活函数,激活函数采用ReLU函数,ReLU函数的运算表达式为:f(m)=max{0,m},,式中max代表取m与0的最大值,m代表卷积层进行卷积运算后的输出值或全连接层进行特征整合后的输出值,当m>0时,ReLU函数的梯度恒等于1,当m<0时,f(m)恒等于0。
在所述S4中,在全连接层使用Dropout操作。
在所述S4中,卷积神经网络模型的构建基于Python语言和TensorFlow神经网络框架。
S5、模型训练:将预处理图片集中的预处理图片分成训练集和测试集,训练集和测试集的预处理图片的数量比为(6~7):(3~4),将训练集内预处理图片分批次输入卷积神经网络模型进行训练,每批次训练完毕后,得到训练集的预测结果、交叉熵损失曲线和训练准确率曲线,通过交叉熵损失曲线获得损失值和通过训练准确率曲线获得准确率,当准确率达到97%以上且损失值降低至0.01以下卷积神经网络模型训练完毕;
在所述S5中,卷积神经网络模型的总迭代次数Epoch设置为150~200次。
在所述S5中,卷积神经网络模型中优化器采用Adam Optimizer,优化器的学习率设置为0.0005~0.001。
S6、模型验证:将测试集输入卷积神经网络模型进行训练,得到测试集的损失值和准确率,若测试集的准确率与训练集的准确率的差大于10%和/或测试集的损失值与训练集的损失值的差大于0.1,则判定该卷积神经网络模型存在过拟合的缺陷,重复S4~S5直至测试集的准确率与训练集的准确率的差小于等于10%且测试集的损失值与训练集的损失值的差小于等于0.1,此时判定为该卷积神经网络模型训练完毕;
S7、将该气田中待预测气井的日产气量的数据和井口油压的数据按照S1~S3进行操作,以获得待预测气井的预处理图片,将一张该待预测气井的预处理图片输入S6中所得训练完毕的卷积神经网络模型,卷积神经网络模型输出预测结果。
在所述S7中,待预测气井的日产气量的数据和井口油压的数据的所得图片的时间范围与训练集和测试集的日产气量的数据和井口油压的数据的所得图片的时间范围相同。
本发明提的有益效果如下:
(1)椭球型模型和球帽模型仅针对某一时刻的气井数据作出判别,其预测结果在时间维度上的片面性较强,某一时刻的判别结果不能有效说明气井的真实状况;本发明认为气井积液过程是一个连续动态的、具有一定波动性的、不断加剧的过程,而非突变的、瞬时的;积液过程中,由于井底液体不断聚集,从而导致日产气量与井口压力梯度的变化趋势较为明显,在此基础之上,本发明提出了基于卷积神经网络的气井积液预测方法,与传统的方法相比较具有更强的准确性以及适用性,不依赖于某一时刻的判别结果,具有更强的理论依据,并且能更好的解释井筒积液过程中的变化情况。
(2)本发明能够跳出物理模型的范畴,不考虑井筒中液滴的碰撞、破碎、聚合等问题,更加直接的对气井积液问题进行预测,并通过椭球型模型和球帽模型与本发明进行对比验证,证明了本发明预测结果能够更加及早的发现井底积液情况,具有一定的时效性,对指导气田生产具有重大意义。
(3)本发明可针对不同的气田区块或不同的气田开发方式下的生产数据进行学习并预测,相比于传统的气井积液预测理论模型具有更强的针对性以及适用性。
附图说明
图1为卷积神经网络模型的结构示意图;
图2为气体流量和压力的数据;
图3为不同模型的预测结果的对比图;
图4为一张图片;
图5为一张预处理图片。
具体实施方式
下面结合具体实施例进一步说明本发明的技术方案。
请参阅图1-3,一种基于卷积神经网络的气井积液预测方法,具体包括以下步骤:
S1、数据采集:获取气田中气井的日产气量的数据和井口油压的数据,在本实施例中采用国内某一气田421口气井2012年至2017年的日产气量的数据和井口油压的数据,并将其保存在csv文件或excel表格中。
S2、数据清洗及数据集制作:将S1的日产气量的数据和井口油压的数据制作成谱线的图片,获得的所有图片组成图片集,图片如图4所示,在每张图片中,以时间为x轴,将日产气量的数据作为一个y轴,将井口油压的数据作为另一个y轴,每张图片中的时间范围不少于7天,在本实施例中采用14天。
图片的分辨率为400*300,RGB通道数为3。
在本实施例中,图片集内有3万张图片。
S3、数据集预处理:为了更好更快的训练卷积神经网络模型,需要对图片集进行预处理操作,每一张图片预处理操作后为预处理图片,得到由预处理图片组成的预处理图片集,预处理图片如图5所示,预处理操作为:图像解码、灰度化处理、图像大小调整和归一化操作。其中,图像解码位于预处理操作的第一步,归一化操作位于预处理操作的第四步,灰度化处理和图像大小调整分别位于预处理操作的第三步和第二步,第三步和第二步的顺序可互换;
在本发明的实施例中,先后依次进行图像解码、图像大小调整、灰度化处理和归一化操作,即:首先将每一张图片图像解码为矩阵张量,然后采用插值算法将图片大小调整为100*75,然后将图片的RGB三通道彩色转换为一通道灰色,最后进行归一化,即可将该图片制作成预处理图片。
其中,归一化操作的处理公式为式中:xi为归一化操作前一步获得矩阵中的一个数值,yi代表预处理图片的矩阵中的数值,/>代表xi的平均值,/>i代表xi所在矩阵中数据的数目,i=1……n,s代表xi的标准差,/>
S4、卷积神经网络结构设计:设计卷积神经网络模型,卷积神经网络模型含有1个输入层、2~6个卷积层、2~6个池化层、3~5个全连接层、1个分类层、1个输出层,卷积神经网络模型的预测结果为积液或非积液。
在本实施例中,卷积神经网络模型含有1个输入层、2个卷积层、2个池化层、4个全连接层、1个分类层、1个输出层(见附图1),预处理图片在卷积神经网络模型中被处理的顺序依次为:1个输入层、1个卷积层、1个池化层、1个卷积层、1个池化层、1个全连接层、1个全连接层、1个全连接层、1个全连接层、1个分类层和1个输出层;
卷积神经网络模型中卷积层的功能为提取每张预处理图片的特征,池化层的功能为缩小矩阵尺寸,全连接层的功能为对所有特征进行整合,分类层的功能为实现依据预处理图片特征判别气井为积液或非积液。
本发明中,分类层采用Softmax函数进行分类,所述S4中Softmax函数的公式为式中Vj代表S4中按顺序计第4个全连接层中输出单元的输出数值,j表示卷积神经网络模型的预测结果的索引,j=0或1,气井总的(卷积神经网络模型的预测结果)分类类别的个数为C,C=2,Sj表示的是第j个类别所占的比率。
本发明中,在卷积层与全连接层引入激活函数,将线性函数转换为非线性函数,增强卷积神经网络模型的逼近能力。激活函数采用ReLU函数,ReLU函数的运算表达式为:f(m)=max{0,m},,式中max代表取m与0的最大值,m代表卷积层进行卷积运算后的输出值或全连接层进行特征整合后的输出值,并且当m>0时ReLU函数的梯度恒等于1,当m<0时,f(m)恒等于0,不存在梯度消失问题。
本发明中,为了防止过拟合的情况发生,从而影响卷积神经网络模型的泛化能力与准确率,在全连接层使用Dropout操作。
卷积神经网络模型的构建基于Python语言和TensorFlow神经网络框架。
S5、模型训练:将预处理图片集中的预处理图片分成训练集和测试集,训练集和测试集的预处理图片的数量比为7:3,将训练集内预处理图片分批次输入卷积神经网络模型进行训练,每批次训练完毕后,得到训练集的预测结果、交叉熵损失曲线和训练准确率曲线,通过交叉熵损失曲线获得损失值和通过训练准确率曲线获得准确率,当准确率达到97%以上且损失值降低至0.01以下卷积神经网络模型训练完毕,其中,预测结果为积液或非积液,卷积神经网络模型的总迭代次数Epoch设置为150次,卷积神经网络模型中优化器采用Adam Optimizer,优化器的学习率设置为0.0005。
S6、模型验证:将测试集输入卷积神经网络模型进行训练,得到测试集的损失值和准确率,若测试集的准确率与训练集的准确率的差大于10%和或测试集的损失值与训练集的损失值的差大于0.1,则判定该卷积神经网络模型存在过拟合的缺陷,重复S4~S5直至测试集的准确率与训练集的准确率的差小于等于10%且测试集的损失值与训练集的损失值的差小于等于0.1,此时判定为该卷积神经网络模型训练完毕,将训练完毕的卷积神经网络模型永久式固化,保存为META文件、INDEX文件、DATA文件和checkpoint文件。
S7、将该气田中待预测气井的日产气量的数据和井口油压的数据按照S1~S3进行操作,以获得待预测气井的预处理图片,待预测气井的日产气量的数据和井口油压的数据的所得图片的时间范围与训练集和测试集的日产气量的数据和井口油压的数据的所得图片的时间范围相同,将一张该待预测气井的预处理图片输入S6中所得训练完毕的卷积神经网络模型,卷积神经网络模型输出预测结果为积液或非积液。
以获取训练集和测试集的气田中一个区块编号为2016号的气井作为待预测气井,获取该待预测气井2012年10月至2013年1月的历史生产的日产气量的数据和井口油压的数据。
为了更好地体现本发明的技术方案和优点,以本行业著名的球帽模型和椭球模型为例,通过椭球型模型(李闽,郭平,谭光天.气井携液新观点[J].石油勘探与开发,2001,28(5):105-106.)和球帽模型(王毅忠,刘庆文.计算气井最小携液临界流量的新方法[J].大庆石油地质与开发,2007,26(6):82-85.)对待预测气井进行分析,如图2所示。图2以由日产气量、井口油压、椭球型模型得到的椭球模型预测临界携液气量、球帽模型获得的球帽模型预测临界携液气量构成,左侧纵坐标代表气体流量,右侧纵坐标代表压力,日产气量、椭球模型预测临界携液气量和球帽模型预测临界携液气量以左坐标轴为准,井口油压以右坐标轴为准。椭球模型预测临界携液气量与气井的日产气量曲线相交于②点,在②点之后气井的日产气量已经小于椭球模型预测临界携液气量,日产气量曲线随后与球帽模型预测临界携液气量曲线相交于③点,③点之后气井的日产气量又小于球帽模型预测临界携液气量。
由图2中日产气量和井口油压的曲线所示,从拐点①④及交点②判断来看,将气井的生产阶段分为了4个阶段,4个阶段对应的积液状况:A为未积液阶段,B为开始积液阶段,C为积液阶段,D为积液严重阶段。
如气井中的气体已经无法将井筒中的液体携带至井口,说明气井已经开始积液。椭球型模型和球帽模型判断结果如图3所示。
椭球型模型判断原理为:椭球模型预测临界携液气量与气井的日产气量曲线相交于②点,在②点之后气井的日产气量已经小于椭球模型预测临界携液气量,说明在C阶段及D阶段井底液体已经不能被气体携带至井口,井底产生积液现象,当进入D阶段时,日产气量在拐点④处出现急剧下滑趋势,说明井底积液已经较为严重;由于气井在未积液阶段A到积液阶段C的过程中必然存在一个开始积液的过度阶段,所以在拐点①和交点②中间的B阶段为开始积液阶段,且判断开始积液阶段的起始点为拐点①。
球帽模型判断原理同椭球型模型判断原理。
由图3可知,椭球型模型从时间上要优先于球帽模型,本发明气井积液预测方法对待预测气井的判断结果如图3所示,本发明的气井积液预测方法从时间上要优于椭球型模型和球帽模型,能够更加及早的发现井底积液情况,及时的对积液气井展开排水采气作业,恢复气井的正常生产,具有一定的时效性,对指导气田生产具有重大意义。
以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (10)
1.一种基于卷积神经网络的气井积液预测方法,其特征在于,包括以下步骤:
S1、数据采集:获取气田中气井的日产气量的数据和井口油压的数据;
S2、数据清洗及数据集制作:将S1的日产气量的数据和井口油压的数据制作成谱线的图片,获得的所有图片组成图片集,在每张图片中,以时间为x轴,将日产气量的数据作为一个y轴,将井口油压的数据作为另一个y轴;
S3、数据集预处理:对图片集进行预处理操作,每一张图片预处理操作后为预处理图片,得到由预处理图片组成的预处理图片集,预处理操作为:图像解码、灰度化处理、图像大小调整和归一化操作;
S4、设计卷积神经网络模型,卷积神经网络模型含有1个输入层、2~6个卷积层、2~6个池化层、3~5个全连接层、1个分类层、1个输出层,卷积神经网络模型的预测结果为积液或非积液;
S5、模型训练:将预处理图片集中的预处理图片分成训练集和测试集,训练集和测试集的预处理图片的数量比为(6~7):(3~4),将训练集内预处理图片分批次输入卷积神经网络模型进行训练,每批次训练完毕后,得到训练集的预测结果、交叉熵损失曲线和训练准确率曲线,通过交叉熵损失曲线获得损失值和通过训练准确率曲线获得准确率,当准确率达到97%以上且损失值降低至0.01以下卷积神经网络模型训练完毕;
S6、模型验证:将测试集输入卷积神经网络模型进行训练,得到测试集的损失值和准确率,若测试集的准确率与训练集的准确率的差大于10%和/或测试集的损失值与训练集的损失值的差大于0.1,则判定该卷积神经网络模型存在过拟合的缺陷,重复S4~S5直至测试集的准确率与训练集的准确率的差小于等于10%且测试集的损失值与训练集的损失值的差小于等于0.1,此时判定为该卷积神经网络模型训练完毕;
S7、将该气田中待预测气井的日产气量的数据和井口油压的数据按照S1~S3进行操作,以获得待预测气井的预处理图片,将一张该待预测气井的预处理图片输入S6中所得训练完毕的卷积神经网络模型,卷积神经网络模型输出预测结果。
2.根据权利要求1所述的气井积液预测方法,其特征在于,在所述S2中,每张图片中的时间范围不少于7天。
3.根据权利要求2所述的气井积液预测方法,其特征在于,在所述S2中,每张图片的分辨率在(400~800)*(300~600),RGB通道数为3。
4.根据权利要求3所述的气井积液预测方法,其特征在于,在所述S3中,图像解码位于预处理操作的第一步,归一化操作位于预处理操作的第四步,灰度化处理和图像大小调整分别位于预处理操作的第三步和第二步,第三步和第二步的顺序可互换。
5.根据权利要求4所述的气井积液预测方法,其特征在于,在所述S3中,预处理操作为:首先将每一张图片图像解码为矩阵张量,然后采用插值算法将图片大小调整为(100~200)*(75~150),然后将图片的RGB三通道彩色转换为一通道灰色,最后进行归一化,即可将该图片制作成预处理图片。
8.根据权利要求7所述的气井积液预测方法,其特征在于,在所述S4中,在卷积层与全连接层引入激活函数,激活函数采用ReLU函数,ReLU函数的运算表达式为:f(m)=max{0,m},式中max代表取m与0的最大值,m代表卷积层进行卷积运算后的输出值或全连接层进行特征整合后的输出值,当m>0时,ReLU函数的梯度恒等于1,当m<0时,f(m)恒等于0;
在所述S4中,在全连接层使用Dropout操作;
在所述S4中,卷积神经网络模型的构建基于Python语言和TensorFlow神经网络框架。
9.根据权利要求8所述的气井积液预测方法,其特征在于,在所述S5中,卷积神经网络模型的总迭代次数Epoch设置为150~200次;
在所述S5中,卷积神经网络模型中优化器采用AdamOptimizer,优化器的学习率设置为0.0005~0.001。
10.根据权利要求9所述的气井积液预测方法,其特征在于,在所述S7中,待预测气井的日产气量的数据和井口油压的数据的所得图片的时间范围与训练集和测试集的日产气量的数据和井口油压的数据的所得图片的时间范围相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114001.4A CN111335887B (zh) | 2020-02-24 | 2020-02-24 | 基于卷积神经网络的气井积液预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010114001.4A CN111335887B (zh) | 2020-02-24 | 2020-02-24 | 基于卷积神经网络的气井积液预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111335887A CN111335887A (zh) | 2020-06-26 |
CN111335887B true CN111335887B (zh) | 2023-07-14 |
Family
ID=71179666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010114001.4A Active CN111335887B (zh) | 2020-02-24 | 2020-02-24 | 基于卷积神经网络的气井积液预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111335887B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257892B (zh) * | 2020-08-27 | 2024-04-16 | 中国石油化工股份有限公司 | 一种复杂气藏排水采气工艺制度优化方法 |
CN112228054B (zh) * | 2020-11-06 | 2022-11-08 | 中国石油大学(北京) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 |
CN112282714B (zh) * | 2020-11-30 | 2022-03-25 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
CN112943181B (zh) * | 2021-02-07 | 2023-01-10 | 北京爱新能智科技有限公司 | 智能气井阀门调节系统 |
CN114358215A (zh) * | 2022-03-18 | 2022-04-15 | 西南石油大学 | 一种基于深度异常检测的井筒积液检测方法 |
CN114384886B (zh) * | 2022-03-24 | 2022-08-05 | 西南石油大学 | 基于长短期记忆网络与注意力机制的井筒积液预测方法 |
CN117569803B (zh) * | 2024-01-19 | 2024-03-26 | 四川速聚智联科技有限公司 | 天然气井自动投放药剂排水的预测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
CN104612659B (zh) * | 2015-02-10 | 2017-03-15 | 中国地质大学(武汉) | 一种低气液比气井临界携液量的确定方法 |
CN104950859B (zh) * | 2015-06-30 | 2017-09-29 | 西南石油大学 | 一种管道低洼处积液排除及缓蚀剂浓度在线监测装置及方法 |
US10460170B1 (en) * | 2019-01-14 | 2019-10-29 | Sourcewater, Inc. | Image processing of aerial imagery for energy infrastructure site status analysis |
US10467473B1 (en) * | 2019-01-14 | 2019-11-05 | Sourcewater, Inc. | Image processing of aerial imagery for energy infrastructure analysis |
-
2020
- 2020-02-24 CN CN202010114001.4A patent/CN111335887B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111335887A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111335887B (zh) | 基于卷积神经网络的气井积液预测方法 | |
CN109736790A (zh) | 基于深度信念网络的测井岩性识别方法 | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN112861912A (zh) | 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN113137211B (zh) | 一种基于模糊综合决策的油井生产参数自适应调控方法 | |
CN110288257A (zh) | 一种深度超限示功图学习方法 | |
Biswas | Adapting shallow and deep learning algorithms to examine production performance–Data analytics and forecasting | |
CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
CN116881720A (zh) | 一种基于人工神经网络的气井积液预测方法及系统 | |
CN116542429A (zh) | 一种融合时空特征的油藏生产指标机器学习预测方法 | |
CN117171700A (zh) | 一种基于深度学习的钻井溢流预测组合模型及模型适时静默更新与迁移学习方法 | |
CN115563856A (zh) | 一种基于XGBoost与CV交叉函数的多层合采产液剖面劈分方法 | |
CN113537706A (zh) | 一种基于智能集成的油田增产措施优选方法 | |
CN116303626B (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
CN113095352A (zh) | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 | |
Abedini et al. | Porosity classification from thin sections using image analysis and neural networks including shallow and deep learning in Jahrum formation | |
CN110619176A (zh) | 一种基于dbn-rlssvm的航煤闪点预测方法 | |
CN114372181B (zh) | 一种基于多模态数据的设备生产智能规划方法 | |
CN115660221A (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
CN115034005A (zh) | 一种面向构件剩余使用寿命预测的模型分析可视化方法 | |
CN113988410A (zh) | 一种基于knn算法与多项式回归算法组合的跨区域致密油藏油井产能预测方法 | |
CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
CN113627640A (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 | |
CN117909775A (zh) | 基于多阶近邻循环图约束的多视图聚类油井压裂选井方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200626 Assignee: Dazhao technology Tangshan Co.,Ltd. Assignor: NORTH CHINA University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980049061 Denomination of invention: Gas well fluid accumulation prediction method based on convolutional neural network Granted publication date: 20230714 License type: Common License Record date: 20231201 |
|
EE01 | Entry into force of recordation of patent licensing contract |