CN113006774B - 一种压裂施工中油压峰值的在线图神经网络预测方法 - Google Patents

Abstract

本发明公开了一种压裂施工中油压峰值的在线图神经网络预测方法，由于传统的机器学习回归方法预测油压的准确性不够，为了满足压裂施工中的辅助施工的要求，本发明提出使用图神经网络进行油压值的预测，数据预处理中将周期内的油压序列的峰值作为节点，以可视图算法进行网络构建，对预测的节点，默认其与前一时刻节点相连，然后进行图自编码器网络嵌入，编码器由两层图卷积神经网络组成，解码器由内积解码器组成。将预测节点的表示与其他节点进行cos相似度计算，选取Topk个最相似节点油压值，根据其相似权重组合，得到预测节点的油压值。根据当前预测值修正网络，遗忘较远时刻的节点，并持续预测新的油压峰值。

Description

一种压裂施工中油压峰值的在线图神经网络预测方法

技术领域

本发明涉及图神经网络技术领域，具体涉及压裂施工中使用图神经网络预测油压峰值的一种在线学习方法。

背景技术

压裂施工是利用水力作用使地层形成裂缝的一种施工方法。地层压裂工艺过程是用压裂车把高压大排量具有一定黏度的液体挤入地层，当把地层压出许多裂缝后，加入支撑剂(如石英砂等)充填进裂缝，提高地层的渗透能力，以增加注、采产量。

在压裂施工的过程中，每次加沙则会导致油压值发生一定的变化，准确而快速的获得沙浓变化所引起的油压峰值的变化对整个施工过程至关重要。传统的回归方法如线性回归、支持向量机回归器无法准确的通过沙浓特征捕获油压峰值的变化，导致预测的平均平方误差较大，较大误差则对压裂施工油压预测影响较大。

为了提升油压峰值预测的效果，基于图神经网络的非线性油压峰值预测的在线学习方法被提出。其中可视图网络构建实现了时间序列数据转换为复杂网络，基于图自编码器的无监督的表示学习方法广泛应用于各类图网络数据。本发明提出对油压的时间序列进行复杂网络构建后进行带有属性的图嵌入方法进行网络节点表示学习，既可以进行离线学习也可进行在线学习；在离线学习中，基于历史油压序列数据构建网络进行节点表示学习后预测，根据输入沙浓的变化即获得对应的预测油压峰值；在在线学习中，根据实时油压序列和实时沙浓序列进行网络构建后再进行节点表示学习后预测，实时数据实时更新网络结构，同时新预测的油压峰值节点及时修正当前网络，保证了后续节点油压峰值预测的准确性。最后引入遗忘机制，遗忘时间较远的对应节点的油压值，同时保持网络大小，提高运算效率。

发明内容

本发明公开了一种基于图神经网络的压裂施工中油压值的预测方法，包括以下步骤：(1)数据预处理；具体包括：施工周期的划分，图网络的构建，网络节点特征的构建，制作训练集和测试集；(2)以图自编码器进行油压值网络嵌入的节点表示学习；编码器包括两层图卷积神经网络，解码器使用内积解码器计算两节点之间存在边的概率来重构图(3)基于油压值节点的向量表示，计算预测节点与已知油压节点的相似度，寻找Topk个最相似油压的节点，以相似节点的相似度权重和相似节点油压值线性求和作为预测节点的油压。(4)根据新的预测节点的油压及时修正当前网络，同时使用遗忘机制遗忘较远时刻的油压节点并控制网络大小。(5)通过(4)中更新的网络，继续预测下一周期的油压峰值，重复(2)(3)(4)，即实现预测后续周期中的油压峰值。

本发明所提供的技术方案为：一种图神经网络的压裂施工中油压值的预测，包括如下步骤：

步骤1、数据预处理，具体步骤如下：

(1)周期划分；将压裂施工数据中的油压序列与沙浓序列进行周期划分，划分方式为上次加入沙浓起到下次加入沙浓起为一个周期，每个周期包括各时刻的加沙浓度以及对应的油压值的大小，当加沙浓度为0时即为停止加沙；

(2)峰值选取与节点属性构建；取每个周期中油压的最大值和最小值分别作为两个网络节点，即每个周期包含2个节点，每个节点采用油压峰值作为标签，组成油压峰值序列；节点属性包括当前周期内的沙浓序列的统计信息，具体包括：沙浓序列的最大值，最小值，平均值，方差，停止加沙时长，加沙时长，加沙总量；

(3)训练集与测试集的划分；对油压值序列进行训练集、验证集、测试集的划分，选择前百分之七十作为训练集，后百分之十作为验证集，最后百分之二十作为测试集；

(4)网络构建；对训练集的油压序列进行可视图网络构建，可视图网络实现了时间序列到复杂网络的转换；具体如下：给定油压序列X_n＝{x₁，x₂，...，x_n}，其中x_i表示在时间i时刻的油压值；将每个油压值作为一个节点，即：n_i＝x_i；边的定义规则：

其中a<b<c，t表示时间先后关系；如果x_a和x_c满足此规则，则x_a和x_c之间存在连边；遍历整个油压值序列X_n，完成可视图网络的构建；

(5)基于以上数据预处理后得到油压峰值可视图网络邻接矩阵A以及对应的各个节点属性矩阵X；

步骤2、提出使用图自编码器获取各个节点的低维向量表示，编码器层使用两层的图卷积神经网络，解码器层使用简单的内积解码器以两节点之间是否连边进行解码；编码器：Z＝GCN(X，A),解码器：

损失函数：L＝E_q(Z|X，A)[logP(A|Z)]，E表示交叉熵损失函数，衡量

与A之间的重构损失，即计算邻接矩阵A中与重构邻接矩阵

中的元素的值(0或者1)之间的差异。两层图卷积神经网络定义如下：

其中

A为整个图的邻接矩阵，D为度矩阵，ReLU(·)表示RELU激活函数，W₀与W₁为可学习的参数，

为解码器重构的图结构，σ为sigmoid激活函数，

步骤3、提出基于相似度的油压值预测方法；对预测的油压值，采取默认与前一节点连接的方式，通过图自编码器(graph auto-encoder)得到各个节点的向量表示，对预测节点的向量表示分别与网络中已知油压的节点的向量进行cos相似度计算，找出Topk个最相似的节点值，Topk是超参数，表示最相似的节点的个数。通过验证集确定最优相似节点个数；将计算的相似度作为各节点的权重分别与已知油压值进行线性求和后作为预测点的油压值；

步骤4、网络修正；将步骤3得到的下一节点的油压值加入步骤1中的油压序列中，重新进行可视图网络构建，由于步骤3中默认预测油压值节点与前一节点相连，将导致预测点缺少某些连边，所以需要将预测后的油压值进行网络修正；同时，由于新来的预测节点会导致网络不断增大，为控制网络规模，引入网络遗忘机制，将油压序列中索引为0的x₁进行丢弃，达到遗忘最远时刻油压值的效果；

步骤5、迭代更新，预测更多的油压峰值；对下一个新来的预测节点，重复步骤2、3、4，通过此方式，预测更多周期内的油压的峰值。

附图说明

图1为本发明的整体流程图，包括对原始数据的预处理，图自编码器的表示学习，进行相似度计算后预测三个部分。

图2为本发明的数据预处理及网络构建过程。(a)对原始数据按照沙浓进行周期划分，同时取出周期内油压的峰值，即选取一个周期内的最大值与最小值油压作为节点。对沙浓序列，采用将沙浓序列中加沙序列二分以及停止加沙二分后进行拼接，根据新的沙浓序列的统计信息，作为对应节点的属性特征。(b)根据所选取的峰值，进行可视图网络的构建。(c)通过可视图得到网络结构，通过划分的沙浓序列的统计信息得到各个节点的属性特征。

图3为本发明中对预测的节点的处理过程图。对新的预测节点默认与前一时刻节点相连，构成新的图网络，根据输入的沙浓序列，构建预测节点的统计信息属性特征。然后进行图自编码器的节点表示学习，最后将得到的节点向量表示输入预测模块进行油压值的预测。

图4为本发明中的图自编码器模块。输入为网络图的邻接矩阵与各节点的特征矩阵，编码器层由2层图卷积神经网络构成，解码器由内积解码器组成，输出各节点的低维向量表示。

图5为本发明中的预测模块流程图。将图网络节点的表示进行cos相似度计算，得到各节点与预测节点之间的相似度分数，选取Topk个油压相似的节点，最后将各相似节点相似度分数所占的权重与对应油压进行线性求和得到所预测的油压值。

具体实施方式：

为了准确预测压裂施工中油压极值，以油压极值序列进行可视图构建网络，提出了油压预测的图自编码器模型。包括如下步骤。

步骤1、数据预处理

(1)将原始压裂施工数据进行周期划分，以每次加沙开始时刻起至下次加沙开始时刻起为一个周期，根据施工情况，划分为多个周期。

(2)对每个周期内的施工数据，选取油压序列中的最大值和最小值作为网络节点，选取沙浓序列，对沙浓序列长度进行二分，对应沙浓序列表示导致当前油压值的属性特征，根据序列统计方法得当前沙浓序列的统计信息特征，包括最大值，最小值，平均值，方差，停止加沙时长，加沙时长，加沙总量等7个维度特征，作为节点的属性特征，即得特征矩阵X。

(3)对(2)中的油压值节点序列进行训练集、验证集和测试集的划分。取前70％作为训练集，然后取10％为验证集，用以确定模型超参数，最后20％作为测试集，用以测证模型预测水平。

(4)对(3)中的油压值节点序列中的训练集进行可视图网络构建，得到油压值网络邻接矩阵A，对下一个未知节点，默认采用与前一周期中后一个节点相连的方式，得到预测油压值网络邻接矩阵A。

步骤2、以图自编码器进行油压峰值网络嵌入表示学习

对步骤1所得到的邻接矩阵A以及属性特征矩阵X进行图神经网络表示学习，具体采用图自编码器进行油压值节点的表示学习。图自编码器中的编码器层，采用两层图卷积神经网络，Z＝GCN(X，A),

第一层GCN的输出维度设为16，第二层GCN的输出维度设为8，解码器层采用内积解码器，

通过计算两两节点表示之间存在边的概率重构图，sigmoid表示激活函数，损失函数衡量生成图和原始图之间的差异,L＝E_q(Z|X，A)[logp(A|Z)]。

步骤3、对节点表示进行cos相似度计算

对步骤2所得的各节点的表示Z进行cos相似度计算，具体指计算索引位置最后一个节点与其他各个节点的cos相似度，

A、B分别表示节点嵌入向量表示，找到相似度最高的Topk个节点，将相似节点的相似度权重作为节点油压值的权重求和得到当前预测节点的油压值，具体实现如2个相似点：

步骤4、在线学习更新网络，持续预测后续周期节点油压值

对步骤3所得的预测值加入步骤1中的油压值节点序列，同时遗忘油压值节点序列中索引为0的第一位油压值，然后重新进行可视图网络构建以更新当前网络邻接矩阵A。对预测节点的统计特征属性，由施工过程中输入的沙浓值构建统计信息属性，重复步骤2与步骤3，持续预测后续周期节点的油压值。

Claims (1)

1.一种压裂施工中油压峰值的在线图神经网络预测方法，其具体包括如下步骤：

步骤1、数据预处理，具体步骤如下：

(1)周期划分；将压裂施工数据中的油压序列与沙浓序列进行周期划分，划分方式为上次加入沙浓起到下次加入沙浓起为一个周期，每个周期包括各时刻的加沙浓度以及对应的油压值的大小，当加沙浓度为0时即为停止加沙；

(2)峰值选取与节点属性构建；取每个周期中油压的最大值和最小值分别作为两个网络节点，即每个周期包含2个节点，每个节点采用油压峰值作为标签，组成油压峰值序列；节点属性包括当前周期内的沙浓序列的统计信息，具体包括：沙浓序列的最大值，最小值，平均值，方差，停止加沙时长，加沙时长，加沙总量；

(3)训练集与测试集的划分；对油压值序列进行训练集、验证集、测试集的划分，选择前百分之七十作为训练集，后百分之十作为验证集，最后百分之二十作为测试集；

(4)网络构建；对训练集的油压序列进行可视图网络构建，可视图网络实现了时间序列到复杂网络的转换；具体如下：给定油压序列X_n＝{x₁，x₂，...，x_n}，其中x_i表示在时间i时刻的油压值；将每个油压值作为一个节点，即：n_i＝x_i；边的定义规则：

其中a＜b＜c，t表示时间先后关系；如果x_a和x_c满足此规则，则x_a和x_c之间存在连边；遍历整个油压值序列X_n，完成可视图网络的构建；

(5)基于以上数据预处理后得到油压峰值可视图网络邻接矩阵A以及对应的各个节点属性矩阵X；

步骤2、提出使用图自编码器获取各个节点的低维向量表示，编码器层使用两层的图卷积神经网络，解码器层使用简单的内积解码器以两节点之间是否连边进行解码；编码器：z＝GCN(X，A)，解码器：

损失函数：L＝E_q(Z|X，A)[logP(A|Z)]；E_q(Z|X，A)表示交叉熵损失函数，衡量

与A之间的重构损失，即计算邻接矩阵A中与重构邻接矩阵

中的元素的值之间的差异；两层图卷积神经网络定义如下：

其中

A为整个图的邻接矩阵，D为度矩阵，ReLU(·)表示RELU激活函数，W₀与W₁为可学习的参数，

为解码器重构的图结构，σ为sigmoid激活函数，

步骤3、提出基于相似度的油压值预测方法；对预测的油压值，采取默认与前一节点连接的方式，通过图自编码器得到各个节点的向量表示，对预测节点的向量表示分别与网络中已知油压的节点的向量进行cos相似度计算，找出Topk个最相似的节点值，Topk是超参数，表示最相似的节点的个数；通过验证集确定最优相似节点个数；将计算的相似度作为各节点的权重分别与已知油压值进行线性求和后作为预测点的油压值；

步骤4、网络修正；将步骤3得到的下一节点的油压值加入步骤1中的油压序列中，重新进行可视图网络构建，由于步骤3中默认预测油压值节点与前一节点相连，将导致预测点缺少连边，所以需要将预测后的油压值进行网络修正；同时，由于新来的预测节点会导致网络不断增大，为控制网络规模，引入网络遗忘机制，将油压序列中索引为0的x₁进行丢弃，达到遗忘最远时刻油压值的效果；

步骤5、迭代更新，预测更多的油压峰值；对下一个新来的预测节点，重复步骤2、3、4，通过此方式，预测更多周期内的油压的峰值。

Images