CN114384886B - 基于长短期记忆网络与注意力机制的井筒积液预测方法 - Google Patents

基于长短期记忆网络与注意力机制的井筒积液预测方法 Download PDF

Info

Publication number
CN114384886B
CN114384886B CN202210291624.8A CN202210291624A CN114384886B CN 114384886 B CN114384886 B CN 114384886B CN 202210291624 A CN202210291624 A CN 202210291624A CN 114384886 B CN114384886 B CN 114384886B
Authority
CN
China
Prior art keywords
data
effusion
ratio
predictor
output value
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
Application number
CN202210291624.8A
Other languages
English (en)
Other versions
CN114384886A (zh
Inventor
陈雁
苗波
谌施宇
黄玉楠
易雨
安玉钏
王杨
王欣
张晓钧
李平
钟原
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202210291624.8A priority Critical patent/CN114384886B/zh
Publication of CN114384886A publication Critical patent/CN114384886A/zh
Application granted granted Critical
Publication of CN114384886B publication Critical patent/CN114384886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32404—Scada supervisory control and data acquisition
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于长短期记忆网络与注意力机制的井筒积液预测方法，属于预测井筒积液技术领域，该方法包括：对井筒积液原始高频数据进行降维处理；构建同比环比预测器，分别挖掘较长时间跨度特征及当日特征，并利用同比环比预测器对经降维后的数据进行预测得到同比环比预测器的输出值；利用序列离散度过滤器和阈值过滤器对所述同比环比预测器的输出值和井筒积液实时数据值进行判断，完成对井筒积液的预测。本发明解决了气井实际生产过程中井筒积液难以判断，SCADA系统中的数据无法有效利用的问题。

Description

基于长短期记忆网络与注意力机制的井筒积液预测方法
技术领域
本发明属于预测井筒积液技术领域，尤其涉及一种基于长短期记忆网络与注意力机制的井筒积液预测方法。
背景技术
液滴反转模型是基于单个液滴受力平衡分析而推导得到携带液滴所需最小气流速的方法，液滴在气芯中的受力与液滴受力面积及气体对液滴的拖曳相关。因此，液滴反转模型的关键是确定曳力系数和液滴形状及尺寸。
液滴反转模型由于简单的解析式及较高的精度，广泛运用于国内外各大气田，然而，液滴反转模型却缺乏实验和机理上的证实，van't Westende等的实验中观察到最大液滴尺寸为仅为350μm，远小于Turner模型假设所计算的8.5mm。此外，Alamu的实验结果证实在环状流/搅动流流型转变时液滴夹带率所占比例不到5%，这表明液体大部分以液膜形式向上携带，因此，液滴反转模型的合理性有待商榷。
许多的实验和理论研究认为液膜反转是气井积液的主要机理，液膜反转理论模型相关研究很少，在水平井中，目前的理论研究均基于倾斜管中均匀分布液膜的假设所进行受力分析而推导出携液临界气量。液膜反转模型在解释气井连续携液机理上更加合理，尤其针对水平井，但该类模型在国内各大气田现场运用却仍十分少。这是因为液膜反转模型解析式复杂，现场工程师难以快速准确地做出判断，另外，模型在低渗透和非常规气藏运用中缺乏指导性，国内川西、苏里格、大牛地和广安等气田气井在气量远低于Turner模型计算值时仍能携液生产，虽然管流实验表明倾角为55°左右液膜最易反转，但实际水平气井中倾角由90°到0°连续变化，即使井筒中倾角55°处液膜反转后，气井更深处的低角度液膜也并未反转。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于长短期记忆网络与注意力机制的井筒积液预测方法，解决了气井实际生产过程中井筒积液难以判断 ，SCADA系统中的数据无法有效利用的问题。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种基于长短期记忆网络与注意力机制的井筒积液预测方法，包括以下步骤：
S1、对井筒积液原始高频数据进行降维处理；
S2、构建同比环比预测器，并利用同比环比预测器对经降维后的数据进行预测得到同比环比预测器的输出值；
S3、分别利用序列离散度过滤器和阈值过滤器对所述同比环比预测器的输出值以及井筒积液实时数据值进行判断，完成对井筒积液的预测。
本发明的有益效果是：本发明对SCADA数据进行充分利用，对于对其进行了恰当的处理，使得高频数据降维后能够作为模型的输入，同时建立的模型能够适用于不同气井的积液预测，可对气井的生产做出指导，解决了气井实际生产过程中井筒积液难以判断，SCADA系统中的数据无法有效利用的问题。
进一步地，所述步骤S1包括以下步骤：
S101、利用SCADA系统获取井筒积液原始高频数据，并将所述井筒积液原始高频数据划分为相等的段；
S102、对于每一段，利用LTTB降维方法选出一个最优点代表当前段内所有的点；
S103、判断整段井筒积液原始高频数据是否依次选出最优点，若是，则完成对井筒积液原始高频数据的降维处理，并进入步骤S2，否则，返回步骤S102。
上述进一步方案的有益效果是：对于SCADA高频数据的降维方法，使其能够作为时序数据预测模型的输入。
再进一步地，所述步骤S2包括以下步骤：
S201、利用LSTM-Attention构建时序数据预测模型，并利用所述时序数据预测模型对降维后的井筒积液原始高频数据进行预测，将该预测值作为下一时刻的输出值，其中，所述时序数据预测模型包括长短期记忆网络LSTM和注意力网络Attention；
S202、通过时序数据矩阵两个方向的数据，构建包括同比预测器和环比预测器的同比环比预测器，并利用所述同比环比预测器对所述下一时刻的输出值进行预测，得到同比环比预测器的输出值。
上述进一步方案的有益效果是：通过构建出同比环比预测器，对时序数据做出预测，使其能够与真实井筒积液数据比对。
再进一步地，所述步骤S201包括以下步骤：
S2011、利用长短期记忆网络LSTM提取经降维后井筒积液原始高频数据的时序特征，并将所述时序特征作为长短期记忆网络LSTM的输出值；
S2012、利用注意力网络Attention计算所述长短期记忆网络LSTM的输出值与地质参数和工程参数的相关性；
S2013、根据所述相关性得到预测值，并将该预测值作为下一时刻的输出值，并进入步骤S202。
上述进一步方案的有益效果是：通过LSTM网络能够提取时序数据特征，注意力计算能够将时序特征与静态数据进行结合，使其更加精确的预测出下一时刻的值。
再进一步地，所述步骤S2011中长短期记忆网络LSTM的输出值的表达式如下：
Figure 892722DEST_PATH_IMAGE001
其中，yt表示长短期记忆网络LSTM的输出值，
Figure 417244DEST_PATH_IMAGE002
表示sigmoid激活函数，W表示权重矩阵，ht表示通过tanh激活函数和输出门zo得到的当前隐藏状态，ct表示t时刻记忆单元的细胞状态输出，zf表示遗忘门，zi表示输入门，z表示t时刻计算得到的输入表示。
再进一步地，所述步骤S2012中相关性的表达式如下：
Figure 578098DEST_PATH_IMAGE003
其中，Attention(Q,K,V)表示相关性，Q,K,V分别表示查询矩阵、被查询矩阵和值矩阵，dk表示K的维度，KT表示K的转置矩阵。
再进一步地，所述步骤S202包括以下步骤：
S2021、利用时序数据构建时序数据矩阵；
S2022、将所述时序数据矩阵中每一行的数据连接成一个序列，训练用于环比的LSTM-Attention网络得到环比预测器；
S2023、将所述时序矩阵中每一列的数据拼接成一个序列，训练用于同比的LSTM-Attention网络得到同比预测器；
S2024、利用当前时刻前十天的周期数据与前五个小时的井筒积液实时数据分别对所述下一时刻的输出值进行预测，得到同比预测器的输出值和环比预测器的输出值；
S2025、将所述同比预测器的输出值和环比预测器的输出值的平均值作为同比环比预测器的输出值，并进入步骤S3。
上述进一步方案的有益效果是：本发明通过历史数据构建出的同比环比两个预测器，使其能从两个不同维度对下一时刻的值进行预测。
再进一步地，所述步骤S2024包括以下步骤：
S20241、从经降维处理后的井筒积液原始高频数据中提取周期数据，以及将井筒积液实时数据经降维处理，得到经降维处理后的井筒积液实时数据；
S20242、利用不同天同一时刻的周期数据训练同比预测器，以及利用每天不同时刻的经降维处理后的井筒积液实时数据训练环比预测器；
S20243、将当前时刻的周期数据作为已训练好的同比预测器的输入，对下一时刻的输出值进行预测得到同比预测器的输出，将经降维处理后的前5个小时的井筒积液实时数据作为已训练好的环比预测器的输入，对下一时刻的输出值进行预测得到环比预测器的输出。
上述进一步方案的有益效果是：将同比环比预测器输出与真实井筒积液数据比对，使其能够对井筒积液数据是否异常进行判断。
再进一步地，所述步骤S3包括以下步骤：
S301、根据五小时内同比环比预测器的输出值以及经降维处理后的井筒积液实时数据值，得到一个误差序列，并计算误差序列的离散度；
S302、利用序列离散度过滤器对误差序列进行离散度分析，筛选出离散度最大的序列；
S303、将经步骤S302分析后的结果，利用阈值过滤器筛选出误差序列中绝对误差最大的时刻，并将该最大时刻判断为积液时刻，同时进行报警，完成井筒积液的预测。
上述进一步方案的有益效果是：通过离散度过滤器能够过滤掉与真实差异较小的数据，再通过阈值选出序列离散度较大的数据作为积液时刻，使其能够从数据预测差异和数据自身波动两个维度来进行积液判断。
附图说明
图1为本发明的流程图。
图2为本实施例中最优点的选取示意图。
图3为本实施例中的时序矩阵示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示，本发明提供了一种基于长短期记忆网络与注意力机制的井筒积液的预测方法，其实现方法如下：
S1、对井筒积液原始高频数据进行降维处理，其实现方法如下：
S101、利用SCADA系统获取井筒积液原始高频数据，并将所述井筒积液原始高频数据划分为相等的段；
S102、对于每一段，利用LTTB降维方法选出一个最优点代表当前段内所有的点；
S103、判断整段井筒积液原始高频数据是否依次选出最优点，若是，则完成对井筒积液原始高频数据的降维处理，并进入步骤S2，否则，返回步骤S102。
本实施例中，对于时序数据降维，现有的许多方法是通过滑动窗口实现。例如分段聚合近似的方法，其使用计算出的均值代表一个时间窗口范围内的系列值，但大都存在降维速度慢或者无法刻画出原始数据数据的真实波动情况。LTTB降维方法基于最大有效面积对时序数据降维与拟合，该方法划分原始数据（此处原始数据为SCADA系统采集的高频数据）为相等的段，对于每一段，将选出一个最优的点代表当前段内所有的点，即这个最优的点可以作为降维后的数据。在图2中，点A、B、C属于不同段，且A为自身所属段中已经选出的最优点，C为C所属段的虚拟固定点（该段所有点的平均值），因B（当前段）与A、C构成的三角形面积最大，故选择B点作为当前段内的最优的点。那么，该段中从原本的三个点降维到一个点，整段数据依次采取这种选取最优点的方法，便达到数据降维的效果。
S2、构建同比环比预测器，并利用同比环比预测器对经降维后的数据进行预测得到同比环比预测器的输出值，其实现方法如下：
S201、利用LSTM-Attention构建时序数据预测模型，并利用所述时序数据预测模型对降维后的井筒积液原始高频数据进行预测，将该预测值作为下一时刻的输出值，其中，所述时序数据预测模型包括长短期记忆网络LSTM和注意力网络Attention，其实现方法如下：
S2011、利用长短期记忆网络LSTM提取经降维后井筒积液原始高频数据的时序特征，并将所述时序特征作为长短期记忆网络LSTM的输出值；
S2012、利用注意力网络Attention计算所述长短期记忆网络LSTM的输出值与地质参数和工程参数的相关性；
S2013、根据所述相关性得到预测值，并将该预测值作为下一时刻的输出值，并进入步骤S202。
本实施例中，利用LSTM-Attention构建时序数据预测模型，对于气井中的时间序列，不仅需要考虑时间序列的本身的时序信息，还需要区分不同气井之间的地质参数，工程参数等。因此，提出使用LSTM-Attention构建时序数据预测模型，对SCADA降维后的数据进行预测。首先使用LSTM对SCADA时序数据进行特征提取，之后使用注意力计算对LSTM的输出和地质参数、工程参数计算相关性，最后输出预测值。在井筒积液预测模型训练过程中，该预测值为下一个时刻的值。其中，LSTM是一个能保存长期时序信息的网络，主要有遗忘门、输入门和输出门，对于输入的数据xi通过计算得到z，之后通过输入门zi和遗忘门zf更新细胞状态，再通过tanh激活函数和输出门zo得出当前的隐藏状态ht，最后对隐藏状态乘上权值矩阵W并经过sigmoid函数激活后得到输出yt。具体计算步骤为：
Figure 846268DEST_PATH_IMAGE004
（1）
Figure 510599DEST_PATH_IMAGE005
（2）
Figure 471602DEST_PATH_IMAGE006
（3）
Attention是通过计算得分的方式，计算出输入数据的相关性，首先用
Figure 119752DEST_PATH_IMAGE007
、
Figure 926034DEST_PATH_IMAGE008
、
Figure 772767DEST_PATH_IMAGE009
分别代表query、key、value，通过输入
Figure 502740DEST_PATH_IMAGE010
乘以权重向量WQ、WK、WV得到，然后，通过公式（4）计算得到Attention，其中X表示输入向量。
Figure 762820DEST_PATH_IMAGE011
（4）
其中，
Figure 248159DEST_PATH_IMAGE012
为key的维度。
S202、通过时序数据矩阵两个方向的数据，构建包括同比预测器和环比预测器的同比环比预测器，并利用所述同比环比预测器对所述下一时刻的输出值进行预测，得到同比环比预测器的输出值，其实现方法如下：
通过时序数据矩阵两个方向的数据，构建包括同比预测器和环比预测器的同比环比预测器，并利用所述同比环比预测器对所述下一时刻的输出值进行预测，得到同比环比预测器的输出值，其实现方法如下：
S2021、利用时序数据构建时序数据矩阵；
S2022、将所述时序数据矩阵中每一行的数据连接成一个序列，训练用于环比的LSTM-Attention网络得到环比预测器；
S2023、将所述时序数据矩阵中每一列的数据拼接成一个序列，训练用于同比的LSTM-Attention网络得到同比预测器；
S2024、利用当前时刻前十天的周期数据与前五个小时的井筒积液实时数据分别对所述下一时刻的输出值进行预测，得到同比预测器的输出值和环比预测器的输出值，其实现方法如下：
S20241、从经降维处理后的井筒积液原始高频数据中提取周期数据，以及将井筒积液实时数据经降维处理，得到经降维处理后的井筒积液实时数据；
S20242、利用不同天同一时刻的周期数据训练同比预测器，以及利用每天不同时刻的经降维处理后的井筒积液实时数据训练环比预测器；
S20243、将当前时刻的周期数据作为已训练好的同比预测器的输入，对下一时刻的输出值进行预测得到同比预测器的输出，将经降维处理后的前5个小时的井筒积液实时数据作为已训练好的环比预测器的输入，对下一时刻的输出值进行预测得到环比预测器的输出；
S2025、将所述同比预测器的输出值和环比预测器的输出值的平均值作为同比环比预测器的输出值，并进入步骤S3；
本实施例中，同比环比预测器指分别用同一天的数据预测下一点，以及用不同天的同一时刻预测该点。如图3所示，每一行为同一天中不同时刻的数据，每一列为不同天中同一时刻的数据。假设预测图3中三角形的数据，同比预测器使用圆形数据进行预测，而环比预测器使用正方形数据进行预测。
本实施例中，对SCADA的时序数据进行对齐、降维等预处理后，构成一个时序矩阵，将时序矩阵中每一行的数据连接成一个序列，训练用于环比的LSTM-Attention网络，同时，将时序矩阵中每一列的数据拼接成一个序列，训练同比的LSTM-Attention网络，当同比预测器和环比预测器训完成后，可以使用当前时刻前十天的周期数据与前五个小时的实时数据对下一时刻的值进行预测。在进行预测时，将当前时刻的前十天周期数据和前五个小时的实时数据作为输入，送入训练好的预测器，得到同比预测器输出和环比预测器输出，最后，将同比预测器数值和环比预测器的输出均值作为预测器的输出。
S3、分别利用序列离散度过滤器和阈值过滤器对所述同比环比预测器的输出值以及井筒积液实时数据值进行判断，完成对井筒积液的预测，其实现方法如下：
S301、根据五小时内同比环比预测器的输出值以及经降维处理后的井筒积液实时数据值，得到一个误差序列，并计算误差序列的离散度；
S302、利用序列离散度过滤器对误差序列进行离散度分析，筛选出离散度最大的序列；
S303、将经步骤S302分析后的结果，利用阈值过滤器筛选出误差序列中绝对误差最大的时刻，并将该最大时刻判断为积液时刻，同时进行报警，完成井筒积液的预测。
本实施例中，比较器主要通过对预测值和真实实时数据进行比较，决定是否进行积液报警。由于五个小时内的预测值与实时数据之间的误差也为一个序列，可以用误差序列的方差根据阈值过滤掉波动较小的，之后，对序列离散度过滤器过滤后的序列中每一时刻的值进行预测值离散度分析，因为每个时刻的都包含三个值，分别为同比预测器输出、环比预测器输出以及该时刻的实时数据，所以对这三个值求方差得到每个时刻预测值和实时数据的离散度，再根据阈值筛选出离散度较大的时刻判断为积液时刻，并进行报警。

Claims (5)

1.一种基于长短期记忆网络与注意力机制的井筒积液预测方法，其特征在于，包括以下步骤：
S1、对井筒积液原始高频数据进行降维处理；
S2、构建同比环比预测器，并利用同比环比预测器对经降维后的数据进行预测得到同比环比预测器的输出值；
所述步骤S2包括以下步骤：
S201、利用LSTM-Attention构建时序数据预测模型，并利用所述时序数据预测模型对降维后的井筒积液原始高频数据进行预测，将该预测值作为下一时刻的输出值，其中，所述时序数据预测模型包括长短期记忆网络LSTM和注意力网络Attention；
S202、通过时序数据矩阵两个方向的数据，构建包括同比预测器和环比预测器的同比环比预测器，并利用所述同比环比预测器对所述下一时刻的输出值进行预测，得到同比环比预测器的输出值；
所述步骤S201包括以下步骤：
S2011、利用长短期记忆网络LSTM提取经降维后井筒积液原始高频数据的时序特征，并将所述时序特征作为长短期记忆网络LSTM的输出值；
S2012、利用注意力网络Attention计算所述长短期记忆网络LSTM的输出值与地质参数和工程参数的相关性；
S2013、根据所述相关性得到预测值，并将该预测值作为下一时刻的输出值，并进入步骤S202；
所述步骤S202包括以下步骤：
S2021、利用时序数据构建时序数据矩阵；
S2022、将所述时序数据矩阵中每一行的数据连接成一个序列，训练用于环比的LSTM-Attention网络得到环比预测器；
S2023、将所述时序数据矩阵中每一列的数据拼接成一个序列，训练用于同比的LSTM-Attention网络得到同比预测器；
S2024、利用当前时刻前十天的周期数据与前五个小时的井筒积液实时数据分别对所述下一时刻的输出值进行预测，得到同比预测器的输出值和环比预测器的输出值；
S2025、将所述同比预测器的输出值和环比预测器的输出值的平均值作为同比环比预测器的输出值，并进入步骤S3；
所述步骤S2024包括以下步骤：
S20241、从经降维处理后的井筒积液原始高频数据中提取周期数据，以及将井筒积液实时数据经降维处理，得到经降维处理后的井筒积液实时数据；
S20242、利用不同天同一时刻的周期数据训练同比预测器，以及利用每天不同时刻的经降维处理后的井筒积液实时数据训练环比预测器；
S20243、将当前时刻的周期数据作为已训练好的同比预测器的输入，对下一时刻的输出值进行预测得到同比预测器的输出，将经降维处理后的前5个小时的井筒积液实时数据作为已训练好的环比预测器的输入，对下一时刻的输出值进行预测得到环比预测器的输出；
S3、分别利用序列离散度过滤器和阈值过滤器对所述同比环比预测器的输出值以及井筒积液实时数据值进行判断，完成对井筒积液的预测。
2.根据权利要求1所述的基于长短期记忆网络与注意力机制的井筒积液预测方法，其特征在于，所述步骤S1包括以下步骤：
S101、利用SCADA系统获取井筒积液原始高频数据，并将所述井筒积液原始高频数据划分为相等的段；
S102、对于每一段，利用LTTB降维方法选出一个最优点代表当前段内所有的点；
S103、判断整段井筒积液原始高频数据是否依次选出最优点，若是，则完成对井筒积液原始高频数据的降维处理，并进入步骤S2，否则，返回步骤S102。
3.根据权利要求1所述的基于长短期记忆网络与注意力机制的井筒积液预测方法，其特征在于，所述步骤S2011中长短期记忆网络LSTM的输出值的表达式如下：
Figure 964500DEST_PATH_IMAGE001
其中，yt表示长短期记忆网络LSTM的输出值，
Figure 681920DEST_PATH_IMAGE002
表示sigmoid激活函数，W表示权重矩阵，ht表示通过tanh激活函数和输出门zo得到的当前隐藏状态，ct表示t时刻记忆单元的细胞状态输出，zf表示遗忘门，zi表示输入门，z表示t时刻计算得到的输入表示。
4.根据权利要求1所述的基于长短期记忆网络与注意力机制的井筒积液预测方法，其特征在于，所述步骤S2012中相关性的表达式如下：
Figure 529660DEST_PATH_IMAGE003
其中，Attention(Q,K,V)表示相关性，Q,K,V分别表示查询矩阵、被查询矩阵和值矩阵，dk表示K的维度，KT表示K的转置矩阵。
5.根据权利要求1所述的基于长短期记忆网络与注意力机制的井筒积液预测方法，其特征在于，所述步骤S3包括以下步骤：
S301、根据五小时内同比环比预测器的输出值以及经降维处理后的井筒积液实时数据值，得到一个误差序列，并计算误差序列的离散度；
S302、利用序列离散度过滤器对误差序列进行离散度分析，筛选出离散度最大的序列；
S303、将经步骤S302分析后的结果，利用阈值过滤器筛选出误差序列中绝对误差最大的时刻，并将该最大时刻判断为积液时刻，同时进行报警，完成井筒积液的预测。
CN202210291624.8A 2022-03-24 2022-03-24 基于长短期记忆网络与注意力机制的井筒积液预测方法 Active CN114384886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210291624.8A CN114384886B (zh) 2022-03-24 2022-03-24 基于长短期记忆网络与注意力机制的井筒积液预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210291624.8A CN114384886B (zh) 2022-03-24 2022-03-24 基于长短期记忆网络与注意力机制的井筒积液预测方法

Publications (2)

Publication Number Publication Date
CN114384886A CN114384886A (zh) 2022-04-22
CN114384886B true CN114384886B (zh) 2022-08-05

Family

ID=81206151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210291624.8A Active CN114384886B (zh) 2022-03-24 2022-03-24 基于长短期记忆网络与注意力机制的井筒积液预测方法

Country Status (1)

Country Link
CN (1) CN114384886B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118378135B (zh) * 2024-06-25 2024-09-24 西南石油大学 基于频率信道转换和自监督的气井积液分类和预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111075428A (zh) * 2019-12-26 2020-04-28 中国石油天然气股份有限公司 一种气井井筒积液时机及深度的快速判别方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5549159A (en) * 1995-06-22 1996-08-27 Western Atlas International, Inc. Formation testing method and apparatus using multiple radially-segmented fluid probes
DE19962946A1 (de) * 1999-12-24 2001-07-12 Daimler Chrysler Ag Airbagmodul
NO320427B1 (no) * 2002-12-23 2005-12-05 Norsk Hydro As Et system og fremgangsmate for a forutsi og handtere vaeske- eller gassplugger i et rorledningssystem
CN203239327U (zh) * 2013-03-07 2013-10-16 中国石油天然气股份有限公司 一种分层注水井验封仪
CN104504604B (zh) * 2014-12-12 2018-06-12 中国地质大学（武汉） 一种定性气井井筒积液的方法
US10430725B2 (en) * 2016-06-15 2019-10-01 Akw Analytics Inc. Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry
CA3047604C (en) * 2017-02-14 2024-03-19 William B. Coe Apparatus and method for preparing asphalt and aggregate mixture
CN107729716B (zh) * 2017-11-27 2020-10-27 西安建筑科技大学 一种基于长短时记忆神经网络的煤矿突水预测方法
CN110866321B (zh) * 2018-08-14 2022-05-31 中国石油化工股份有限公司 一种适用于油气水同产水平井积液判别方法
CN109886492A (zh) * 2019-02-26 2019-06-14 浙江鑫升新能源科技有限公司 基于Attention LSTM的光伏发电功率预测模型及其构建方法
CN110033126A (zh) * 2019-03-14 2019-07-19 贵州大学 基于注意力机制与逻辑回归的长短期记忆网络预测方法
CN110705692B (zh) * 2019-09-25 2022-06-24 中南大学 一种时空注意力网络的非线性动态工业过程产品预测方法
CN111335887B (zh) * 2020-02-24 2023-07-14 华北理工大学 基于卷积神经网络的气井积液预测方法
CN111852446A (zh) * 2020-07-23 2020-10-30 中国海洋石油集团有限公司 一种气井积液物理模拟实验装置
CN111963116B (zh) * 2020-08-14 2022-04-12 中国石油大学(北京) 一种自适应和智能分析决策的智能气田系统和方法
CN113338915B (zh) * 2021-07-13 2022-04-12 西南石油大学 一种判断气井是否积液及预测积液高度的方法
CN113338916A (zh) * 2021-07-16 2021-09-03 西南石油大学 一种井筒积液预测与诊断方法
CN113610945B (zh) * 2021-08-10 2023-05-26 西南石油大学 一种基于混合神经网络的地应力曲线预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111075428A (zh) * 2019-12-26 2020-04-28 中国石油天然气股份有限公司 一种气井井筒积液时机及深度的快速判别方法

Also Published As

Publication number Publication date
CN114384886A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN109816095B (zh) 基于改进门控循环神经网络的网络流量预测方法
CN108510741B (zh) 一种基于Conv1D-LSTM神经网络结构的交通流预测方法
CN111260030B (zh) 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质
CN111292525B (zh) 基于神经网络的交通流预测方法
CN110909931A (zh) 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法
CN108197743A (zh) 一种基于深度学习的预测模型软测量方法
CN111160659B (zh) 一种考虑温度模糊化的电力负荷预测方法
CN113095550A (zh) 基于变分递归网络和自注意力机制的空气质量预测方法
CN114384886B (zh) 基于长短期记忆网络与注意力机制的井筒积液预测方法
CN113065703A (zh) 一种结合多种模型的时间序列预测方法
CN112735541A (zh) 一种基于简单循环单元神经网络的污水处理水质预测方法
CN103969412B (zh) 一种基于群决策案例推理的溶解氧浓度软测量方法
CN115496257A (zh) 基于时空融合的短时车速预测
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN113849910A (zh) 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法
CN112445136A (zh) 一种基于连续时间神经网络的浓密机预测控制方法及系统
CN116401755B (zh) 基于CNN-LSTM-Attention网络结构的固体火箭发动机总冲预测方法
CN116628444A (zh) 一种基于改进元学习的水质预警方法
CN116663607A (zh) 一种基于lstm来构建油田分层注水预测模型的方法
CN113705878B (zh) 水平井出水量的确定方法、装置、计算机设备及存储介质
Huang et al. Prediction and feature importance of earth pressure in shields using machine learning algorithms
Tran-Quang et al. Aquaculture environment prediction based on improved lstm deep learning model
CN114398819A (zh) 一种基于深度学习的非结构网格有效波高预测方法与系统
CN113420513A (zh) 一种基于深度学习的水下圆柱体扰流分区流场预测方法
CN110648183A (zh) 基于灰色关联及qgnn的居民消费价格指数预测方法

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