CN112700051A - 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法 - Google Patents

一种基于Res-TCN神经网络的油井产液伴生气智能预测方法 Download PDF

Info

Publication number
CN112700051A
CN112700051A CN202110002471.6A CN202110002471A CN112700051A CN 112700051 A CN112700051 A CN 112700051A CN 202110002471 A CN202110002471 A CN 202110002471A CN 112700051 A CN112700051 A CN 112700051A
Authority
CN
China
Prior art keywords
tcn
res
module
neural network
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.)
Pending
Application number
CN202110002471.6A
Other languages
English (en)
Inventor
杜萌
高一样
高忠科
门玉莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Junsheng Tianjin Technology Development Co ltd
Tianjin University of Science and Technology
Original Assignee
Junsheng Tianjin Technology Development Co ltd
Tianjin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Junsheng Tianjin Technology Development Co ltd, Tianjin University of Science and Technology filed Critical Junsheng Tianjin Technology Development Co ltd
Priority to CN202110002471.6A priority Critical patent/CN112700051A/zh
Publication of CN112700051A publication Critical patent/CN112700051A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • E21B47/00—Survey of boreholes or wells
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mining & Mineral Resources (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fluid Mechanics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Geophysics (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)

Abstract

本发明涉及一种基于Res‑TCN神经网络的油井产液伴生气智能预测方法，其技术特点是：本发明通过四扇区多电极电导传感器采集含气率波动信号并作为样本数据；然后预处理样本数据，构建数据集；根据数据集构建Res‑TCN神经网络模型；对构建的Res‑TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。本发明采用的深度神经网络在预测伴生气中具有客观性，排除了化验中存在的不确定性和人为操作的主观性，深度卷积神经网络和长短期记忆网络经过大量数据与迭代次数的训练后，并且对该类数据有较强的预测性能于客观性。

Description

一种基于Res-TCN神经网络的油井产液伴生气智能预测方法
技术领域
本发明属于原油生产技术领域，尤其是一种基于Res-TCN神经网络的油井产液伴生气智能预测方法。
背景技术
在原油开采过程中，由于压力的降低，原油中的伴生气会逐渐析出，这导致油井产出液中存在大量、非均匀的气相，而气相的介入会导致现有的油井含水率计量方法失效。因此，准确的对油井产出液中含气率进行测量及预测是准确估算原油产量及油井测量仪器设计的前提条件。然而，由于油井压力及开采条件的不一致性，导致原油产出液中的气相分布及其不规律，呈现出间歇性、不确定性及非线性等特点，导致油井产出液含气率预测困难。
目前针对油井产液伴生气的测量方法，如专利号201410436242.5的技术方案是通过将被测油井套管伴生气排空，然后憋压Δt时间；憋压结束后对油井套管内伴生气进行检测，获取气体的第一压力值p1、第一温度值T1；排放至少部分套管伴生气，并在排气结束后对套管内伴生气进行第二次检测，获取气体的第二压力值p2、第二温度值T2，并记录和计算得到第一次测量和第二次测量之间的套管气排放量ΔVsta；根据前述步骤获得的各个参数，通过理想气体状态方程导出的计算公式对伴生气日产量值Q进行计算。上述专利只能对于当日的油井产液伴生气进行测量，无法对将要产出的油井产液伴生气进行有效预测。
软测量模型近年来在多相流领域也得到了快速发展，尤其是深度学习方法及人工智能技术的应用更是拓宽了多相流软测量模型的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式或有监督方式逐层提取被测对象的特征，其特征客观性强，且能够精准、详实的反映被测对象的本质。通过软测量手段可对传感器测量到的多元数据进行融合，采用智能及深度学习方法可精确、高效的提取多相流的特征信息。因此，如何采用深度学习模型对将要产出的油井产液伴生气进行有效预测是十分重要的。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，能够捕获油井产液含水率变化的基本特征与规律。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，包括以下步骤：
步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签；
步骤2、预处理样本数据，构建数据集；
步骤3、根据数据集构建Res-TCN神经网络模型；
步骤4、对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。
而且，所述步骤1的具体实现方法为：将四扇区多电极电导传感器通过法兰连接垂直安装于井口下降管道上，测量井口下降管道内不同工况及不同截面位置下含气率波动信号数据，并保存采集到的数据，同时通过离线气液分离计测量得到与传感器测量工况对应的含气率数据，共采集G类不同含气率下的样本数据，并作为含气率预测标签。
而且，所述步骤2包括以下步骤：
步骤2.1、预处理样本数据；
步骤2.2、通过无重叠的滑动窗口截取所有工况下的含气率波动样本数据作为单个样本；
步骤2.3、随机将样本按比例划分数据集。
而且，所述步骤2.1的具体实现方法为：
标准化样本数据：
Figure BDA0002881856420000021
归一化样本数据：
Figure BDA0002881856420000022
其中，
Figure BDA0002881856420000023
为第j扇区的第i个流体数据，
Figure BDA0002881856420000024
为第j扇区流体数据的平均值，
Figure BDA0002881856420000025
为第j扇区流体数据的标准差，
Figure BDA0002881856420000026
为第j扇区流体数据的最大值，
Figure BDA0002881856420000027
为第j扇区流体数据的最小值，
Figure BDA0002881856420000028
为预处理后的第j扇区的第i个流体信号。
而且，所述步骤2.2的具体实现方法为：设滑动窗口的长度为H，则在长度为L的流体信号中得到
Figure BDA0002881856420000029
个样本，其中
Figure BDA00028818564200000210
代表向下取整，得到所有工况下流体数据的M个样本。
而且，所述步骤2.3的比例为：训练集∶验证集∶测试集＝6∶2∶2。
而且，所述步骤3的Res-TCN神经网络模型包括：第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块、第四Res-TCN模块和输出模块，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块并行连接输出模块。
而且，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块结构相同，并且均包括第一时间卷积层和顺序连接的T层Res-TCN单元，第一时间卷积层和顺序连接的T层Res-TCN单元依次顺序连接；
所述Res-TCN模块的具体计算方法为：
Figure BDA00028818564200000211
其中，X0为第一时间卷积层的输入，X1为第一时间卷积层的输出，W1为第一时间卷积层的权重，Xl为第l层Res-TCN单元的输出，Xl-1为第l-1层Res-TCN单元的输出，F为当前TCN卷积单元的输出，W为当前TCN卷积单元层的权重参数，σ为激活函数，Wi为当前Res-TCN单元内权重参数，XT为第T个Res-TCN单元的网络输出；第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块生成4路包含不同含气率波动信息的特征向量。
而且，所述输出模块包括特征融合层和全局平均池化层，其中特征融合层将4路包含不同特征信息的向量进行顺序拼接，并进行特征融合，其融合方式为：
X＝Concat(XT1，XT2，XT3，XT4)
其中,XT1为第一Res-TCN模块输出的特征向量,XT2为第二Res-TCN模块输出的特征向量,XT3为第三Res-TCN模块输出的特征向量,XT4为第四Res-TCN模块输出的特征向量。
而且，所述步骤4包括以下步骤：
步骤4.1、设置基于多元信息融合的Res-TCN网络模型中超参数，使用adaptivemoment estimation优化算法基于训练数据通过梯度反向更新神经网络权重；
步骤4.2、构建基于多元信息融合的Res-TCN网络模型预测值和预测标签间的损失函数；所述使用平均误差损失函数MSE计算预测值和预测标签间差的平方的均值为：
Figure BDA0002881856420000031
其中，yi、
Figure BDA0002881856420000032
是基于多元信息融合的Res-TCN网络的标签和预测值，n为样本数目。本发
明的优点和积极效果是：
本发明通过四扇区多电极电导传感器采集含气率波动信号并作为样本数据；然后预处理样本数据，构建数据集；根据数据集构建Res-TCN神经网络模型；对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。本发明采用的深度神经网络在预测伴生气中具有客观性，排除了化验中存在的不确定性和人为操作的主观性，深度卷积神经网络和长短期记忆网络经过大量数据与迭代次数的训练后，并且对该类数据有较强的预测性能于客观性。
附图说明
图1是本发明预测方法的流程图；
图2是四扇区电导传感器结构示意图；
图3是本发明单个Res-TCN网络结构图；
图4是本发明基于多元特征融合的Res-TCN网络模型结构图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，如图1所示，包括以下步骤：
步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签。
本步骤的实现方法为：
四扇区多电极电导传感器的四对电极采用循环采样的方式对含气率进行测量，其测量策略为：在一个采样周期内，4个电极对同时进行采样，当完成一个周期的采样后，进行下一个周期采样。每一个电极对可采集一路含气率波动时间序列信号，共可获取4路传感器测量含气率波动信号。将采集到的4路含气率波动信号作为深度学习模型的输入，通过模型计算可得到所测油井产出液的含气率。
如图2所示，采用四扇区多电极电导传感器测量垂直下降管道内油井产出液含气率的波动信息。四扇区多电极电导传感器包括安装在不导电管道外壁上的8个金属测量电极构成，管道材质为不导电、耐温、耐压的聚醚醚酮(Peek)材质。电极安装管道内径为50mm，外径为80mm，高度为300mm，金属电极为抛物柱面结构，内径尺寸为50mm，外径尺寸为51mm。8个电极分别安装在2个不同的径向截面上，每个径向截面上对称安装4个位置均匀分布的环状电极，2个不同径向截面的测量电极上下对称为一对测量电极，共分为4组，分别敏感于不同径向扇区的含气率值。每对电极对壁安装，工作方式为：由350MHz正弦激励信号源产生激励信号，通过功分器一路送至四扇区多电极电导传感器的每对环状测量电极进行激励，环状测量电极将测得的管道内不同含气率工况下的波动信号，一路送至相位检测模块，两路信号经激励后进入混频器进行信号混频，混频后的信号经加法器及电压偏置后得到电导传感器测量信号。每组测量电极对分别采用独立的电路实现对管道内混合液截面含气率波动信息进行测量。
步骤2、预处理样本数据，构建数据集。
步骤2.1、预处理样本数据。
本步骤的具体实现方法为：
标准化样本数据：
Figure BDA0002881856420000041
归一化样本数据：
Figure BDA0002881856420000042
其中，
Figure BDA0002881856420000043
为第j扇区的第i个流体数据，
Figure BDA0002881856420000044
为第j扇区流体数据的平均值，
Figure BDA0002881856420000045
为第j扇区流体数据的标准差，
Figure BDA0002881856420000046
为第j扇区流体数据的最大值，
Figure BDA0002881856420000047
为第j扇区流体数据的最小值，
Figure BDA0002881856420000048
为预处理后的第j扇区的第i个流体信号。
步骤2.2、通过无重叠的滑动窗口截取所有工况下的含气率波动样本数据作为单个样本，单个样本的标签为与原流体数据相同的化验的含气率值。
本步骤中设滑动窗口的长度为H，在长度为L的流体信号中得到
Figure BDA0002881856420000049
个样本，
Figure BDA00028818564200000410
代表向下取整，共得到所有工况下流体数据的M个样本。
步骤2.3、随机将样本按训练集∶验证集∶测试集＝6∶2∶2的比例划分数据集。
步骤3、根据数据集构建Res-TCN神经网络模型。
如图4所示，本步骤中构建的Res-TCN神经网络模型包括：第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块、第四Res-TCN模块和输出模块，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块并行连接输出模块。
第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块结构相同，并且均包括第一时间卷积层和顺序连接的T层Res-TCN单元。
第一时间卷积层为每一路信号都需要经过的一个1D时间卷积层，设定第一时间卷积层有N个卷积核,且卷积核长度为d,则第一时间卷积层所包含的权重为
Figure BDA0002881856420000051
设给定的输入为X0，则第一时间卷积层的输出X1可用公式表达为：
X1＝W1*X0
X1则为第一个Res-TCN单元的输入。
如图3所示，每个Res-TCN单元由堆叠的TCN时间卷积层和ResNet残差网络层构成。TCN时间卷积层结构包括2层1D卷积层、批归一化层以及非线性激活函数层。其中1D卷积是在时间维度上进行特征提取。原则上同第一时间卷积层计算类似，给定前一层输出Xl-1,第l层的输出可用公式表示为：
Xl＝β(W*Xl-1)
其中β为ReLU非线性激活函数，整个网络通过反向传播算法进行训练。
ResNet残差网络结构包括一层大小为[1*1]的1D卷积层、批归一化层和ReLU激活函数层，计算过程如第一时间卷积层类似，通过[1*1]大小的卷积层进行维度整合，使模块输入和输出在同一维度，通过批归一化将上一层的输入特征和参数进行批量归一化，加速模型的收敛以及提高稳定性，ReLU激活函数将模块的输入进行非线性映射，在参数反向传播迭代时得到更好的学习效率。
所述Res-TCN模块的具体计算方法为：
Figure BDA0002881856420000052
其中，X0为第一时间卷积层的输入，X1为第一时间卷积层的输出，W1为第一时间卷积层的权重，Xl为第l层Res-TCN单元的输出，Xl-1为第l-1层Res-TCN单元的输出，F为当前TCN卷积单元的输出，W为当前TCN卷积单元层的权重参数，σ为激活函数，Wi为当前Res-TCN单元内权重参数，XT为第T个Res-TCN单元的网络输出；第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块生成4路包含不同含气率波动信息的特征向量。
输出模块包括特征融合层和全局平均池化层，其中特征融合层将4路包含不同特征信息的向量进行顺序拼接，以进行特征融合，融合后的特征向量包含4个扇区采集到的样本信息，融合方式为：
X＝Concat(XT1，XT2，XT3，XT4)
其中,XT1为第一Res-TCN模块输出的特征向量,XT2为第二Res-TCN模块输出的特征向量,XT3为第三Res-TCN模块输出的特征向量,XT4为第四Res-TCN模块输出的特征向量。全局平均池化层GlobalAvgPooling对融合后的特征向量进行全局平均池化，将全局平均池化后的特征向量与包含一个神经元的输出层连接，使用sigmoid函数作为激活函数，神经元的输出即为含气率的预测值yp。
步骤4、对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。
步骤4.1、设置基于多元信息融合的Res-TCN网络模型中超参数，使用adaptivemoment estimation优化算法基于训练数据通过梯度反向更新神经网络权重；
步骤4.2、构建基于多元信息融合的Res-TCN网络模型预测值和1标签值间的损失函数；
步骤4.3、计算神经网络每次迭代的前向计算结果与真实值的差距，以最小化差距为准则，指导网络训练与优化向正确的方向进行，使用平均误差损失函数MSE计算预测值和标签值间差的平方的均值：
Figure BDA0002881856420000061
其中，yi、
Figure BDA0002881856420000062
是基于多元信息融合的Res-TCN网络的标签和预测值，n为样本数目。
本实施例中，测量过程采样频率为1000Hz，每个工况采集时间为1min，工况设计为油水流量在2方/天、5方/天、10方/天、15方/天、20方/天、30方/天、40方/天、50方/天、60方/天、70方/天、80方/天，每个工况采集32组不同含气率下的信号数据，构成数据集一共352组。
得到的样本为352组工况，按照(6：2：2)的比例划分数据集，其中，训练集为212组，共计42400个样本数据，验证集为70组，共计14000个样本数据，测试集为70组，共计14000个样本数据。
构建的Res-TCN神经网络模型包含36个Res-TCN单元，四个Res-TCN模块分别由一个1D卷积层和9个Res-TCN单元。所有的卷积层的卷积核尺寸为16，数量64k，k初始为，每3个Res-TCN增加1。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (10)

1.一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：包括以下步骤：
步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签；
步骤2、预处理样本数据，构建数据集；
步骤3、根据数据集构建Res-TCN神经网络模型；
步骤4、对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。
2.根据权利要求1所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤1的具体实现方法为：将四扇区多电极电导传感器通过法兰连接垂直安装于井口下降管道上，测量井口下降管道内不同工况及不同截面位置下含气率波动信号数据，并保存采集到的数据，同时通过离线气液分离计测量得到与传感器测量工况对应的含气率数据，共采集G类不同含气率下的样本数据，并作为含气率预测标签。
3.根据权利要求1所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1、预处理样本数据；
步骤2.2、通过无重叠的滑动窗口截取所有工况下的含气率波动样本数据作为单个样本；
步骤2.3、随机将样本按比例划分数据集。
4.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.1的具体实现方法为：
标准化样本数据：
Figure FDA0002881856410000011
归一化样本数据：
Figure FDA0002881856410000012
其中，
Figure FDA0002881856410000013
为第j扇区的第i个流体数据，
Figure FDA0002881856410000014
为第j扇区流体数据的平均值，
Figure FDA0002881856410000015
为第j扇区流体数据的标准差，
Figure FDA0002881856410000016
为第j扇区流体数据的最大值，
Figure FDA0002881856410000017
为第j扇区流体数据的最小值，
Figure FDA0002881856410000018
为预处理后的第j扇区的第i个流体信号。
5.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.2的具体实现方法为：设滑动窗口的长度为H，则在长度为L的流体信号中得到
Figure FDA0002881856410000019
个样本，其中
Figure FDA00028818564100000110
代表向下取整，得到所有工况下流体数据的M个样本。
6.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.3的比例为：训练集∶验证集∶测试集＝6∶2∶2。
7.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤3的Res-TCN神经网络模型包括：第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块、第四Res-TCN模块和输出模块，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块并行连接输出模块。
8.根据权利要求7所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块结构相同，并且均包括第一时间卷积层和顺序连接的T层Res-TCN单元，第一时间卷积层和顺序连接的T层Res-TCN单元依次顺序连接；
所述Res-TCN模块的具体计算方法为：
Figure FDA0002881856410000021
其中，X0为第一时间卷积层的输入，X1为第一时间卷积层的输出，W1为第一时间卷积层的权重，Xl为第l层Res-TCN单元的输出，Xl-1为第l-1层Res-TCN单元的输出，F为当前TCN卷积单元的输出，W为当前TCN卷积单元层的权重参数，σ为激活函数，Wi为当前Res-TCN单元内权重参数，XT为第T个Res-TCN单元的网络输出；第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块生成4路包含不同含气率波动信息的特征向量。
9.根据权利要求7所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述输出模块包括特征融合层和全局平均池化层，其中特征融合层将4路包含不同特征信息的向量进行顺序拼接，并进行特征融合，其融合方式为：
X＝Concat(XT1，XT2，XT3，XT4)
其中,XT1为第一Res-TCN模块输出的特征向量,XT2为第二Res-TCN模块输出的特征向量,XT3为第三Res-TCN模块输出的特征向量,XT4为第四Res-TCN模块输出的特征向量。
10.根据权利要求2或8所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤4包括以下步骤：
步骤4.1、设置基于多元信息融合的Res-TCN网络模型中超参数，使用adaptive momentestimation优化算法基于训练数据通过梯度反向更新神经网络权重；
步骤4.2、构建基于多元信息融合的Res-TCN网络模型预测值和预测标签间的损失函数；所述使用平均误差损失函数MSE计算预测值和预测标签间差的平方的均值为：
Figure FDA0002881856410000022
其中，yi、
Figure FDA0002881856410000023
是基于多元信息融合的Res-TCN网络的标签和预测值，n为样本数目。
CN202110002471.6A 2021-01-04 2021-01-04 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法 Pending CN112700051A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110002471.6A CN112700051A (zh) 2021-01-04 2021-01-04 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110002471.6A CN112700051A (zh) 2021-01-04 2021-01-04 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法

Publications (1)

Publication Number Publication Date
CN112700051A true CN112700051A (zh) 2021-04-23

Family

ID=75514478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110002471.6A Pending CN112700051A (zh) 2021-01-04 2021-01-04 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法

Country Status (1)

Country Link
CN (1) CN112700051A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870260A (zh) * 2021-12-02 2021-12-31 苏芯物联技术(南京)有限公司 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN114559133A (zh) * 2022-04-27 2022-05-31 苏芯物联技术(南京)有限公司 一种普适焊接起弧连续性实时检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103776875A (zh) * 2014-01-23 2014-05-07 天津大学 一种用于两相流检测的四扇区分布式电导传感器
CN107420089A (zh) * 2017-06-19 2017-12-01 天津大学 一种电导传感器与电磁流量计组合的乳状液流量测量方法
CN107977748A (zh) * 2017-12-05 2018-05-01 中国人民解放军国防科技大学 一种多变量扭曲时间序列预测方法
CN110821470A (zh) * 2019-08-09 2020-02-21 大港油田集团有限责任公司 一种基于时间序列信号的油井工况特征分析方法
US20200265273A1 (en) * 2019-02-15 2020-08-20 Surgical Safety Technologies Inc. System and method for adverse event detection or severity estimation from surgical data
CN111638249A (zh) * 2020-05-31 2020-09-08 天津大学 基于深度学习的含水率测量方法及其在油井开采中的应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103776875A (zh) * 2014-01-23 2014-05-07 天津大学 一种用于两相流检测的四扇区分布式电导传感器
CN107420089A (zh) * 2017-06-19 2017-12-01 天津大学 一种电导传感器与电磁流量计组合的乳状液流量测量方法
CN107977748A (zh) * 2017-12-05 2018-05-01 中国人民解放军国防科技大学 一种多变量扭曲时间序列预测方法
US20200265273A1 (en) * 2019-02-15 2020-08-20 Surgical Safety Technologies Inc. System and method for adverse event detection or severity estimation from surgical data
CN110821470A (zh) * 2019-08-09 2020-02-21 大港油田集团有限责任公司 一种基于时间序列信号的油井工况特征分析方法
CN111638249A (zh) * 2020-05-31 2020-09-08 天津大学 基于深度学习的含水率测量方法及其在油井开采中的应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋震等: "面向人体动作识别的局部特征融合时间卷积网络", 《计算机辅助设计与图形学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870260A (zh) * 2021-12-02 2021-12-31 苏芯物联技术(南京)有限公司 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN113870260B (zh) * 2021-12-02 2022-04-12 苏芯物联技术(南京)有限公司 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN114559133A (zh) * 2022-04-27 2022-05-31 苏芯物联技术(南京)有限公司 一种普适焊接起弧连续性实时检测方法及系统
CN114559133B (zh) * 2022-04-27 2022-07-29 苏芯物联技术(南京)有限公司 一种普适焊接起弧连续性实时检测方法及系统

Similar Documents

Publication Publication Date Title
CN109991542B (zh) 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN110029986B (zh) 基于粒子群极限学习机的游梁式抽油机的动液面预测方法
US20140163916A1 (en) Techniques for Iterative Reduction of Uncertainty in Water Distribution Networks
CN113702895B (zh) 一种电压互感器误差状态在线定量评估方法
CN112700051A (zh) 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法
Baraldi et al. Reconstruction of missing data in multidimensional time series by fuzzy similarity
CN110501646A (zh) 一种离线锂电池剩余电量估计方法
CN111612029B (zh) 机载电子产品故障预测方法
CN112814649B (zh) 一种油井产液含水率智能计量装置及方法
CN111046961B (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN111649779B (zh) 基于密集神经网络的油井含油率和总流速测量方法及应用
CN110969282A (zh) 一种基于lstm复合网络的径流量稳定预测方法
CN112836758A (zh) 基于双层循环神经网络的独立计量区域管网漏损检测方法
CN116451123A (zh) 基于issa-mkelm的变压器早期故障诊断方法
Khongorzul et al. OrdinalEncoder based DNN for natural gas leak prediction
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
Mercante et al. Virtual flow predictor using deep neural networks
Mercante et al. Virtual Multiphase Flowmeter Using Deep Convolutional Neural Networks
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN117312939A (zh) 基于深度学习的sofc系统工况辨识方法
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法
CN117805616A (zh) 一种锂离子储能系统异常电芯识别方法
CN110705186B (zh) 通过rbf粒子群优化算法即时在线仪表校验和诊断方法
CN114487643A (zh) 一种特高压gil设备现场交接验收综合测试平台
CN113804833A (zh) 基于凸集投影和极限学习机的电子鼻漂移通用校准方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210423

RJ01 Rejection of invention patent application after publication