CN114398786B - 压裂施工压力预测模型建立方法及装置、预测方法及装置 - Google Patents

Abstract

本文涉及人工智能领域，提供了压裂施工压力预测模型建立方法及装置、预测方法及装置，其中，压裂施工压力预测模型建立方法包括：收集多个时间步长的压裂现场施工数据及压裂规划数据；根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本；根据p+1～p+q个时间步长的施工压力，构建多个与输入样本相对应的标定施工压力向量；利用多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型。本文建立的施工压力预测模型能够实现未来时刻施工压力的预测，保证压裂过程施工压力预测的准确性。

Description

压裂施工压力预测模型建立方法及装置、预测方法及装置

技术领域

本文涉及人工智能领域，尤其涉及一种压裂施工压力预测模型建立方法及装置、压裂施工压力预测方法及装置。

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能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。页岩气已经成为新能源发展领域的重点关注对象，在页岩气等一系列低渗透油气藏压裂施工的过程中，压裂砂堵是影响压裂效果和成本效益的主要难题。

压裂砂堵是压裂施工过程中加砂阶段支撑剂聚集在压裂井底周围或裂缝中形成堵塞，使地面施工压力突然升高，进而导致压裂施工难以继续进行的现象。发生砂堵时，轻则形成高压憋坏管线，损坏设备，造成压裂液等施工物质材料的浪费，大幅度提高生产作业成本，重则造成重大伤亡事故，造成地层渗流，导致压裂施工井的报废。因此，若能对压裂施工砂堵进行预警，进而及时采取有效的应对措施，对于避免发生砂堵具有重要意义。

目前，压裂现场进行砂堵预警时，多依靠人工肉眼进行施工压力曲线监测与人为分析，施工压力曲线仅是当前工况的即时响应，并不能显示未来时刻的施工压力，所以导致该方式具有较大的滞后性。因此，提前预测压裂施工压力对砂赌预测具有很大指导意义。

发明内容

本文用于解决现有技术中，压裂现场进行砂堵预警方法无法预测未来压力曲线，进而导致砂堵确定存在滞后性的问题。

为了解决上述技术问题，本文的第一方面提供一压裂施工压力预测模型建立方法，包括：

收集多个时间步长的压裂现场施工数据及压裂规划数据，其中，每一时间步长的压裂现场施工数据包括施工压力数据、施工排量及施工砂浓度，每一时间步长的泵压裂规划数据包括规划排量及规划砂浓度；

根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本，其中，p和q为正整数；

根据p+1～p+q个时间步长的施工压力，构建多个与输入样本相对应的标定施工压力向量；

利用所述多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型。

作为本文的进一步实施例中，根据p个时间步长的压裂现场施工数据及p+1～q个时间步长的压裂规划数据，构建多个输入样本，包括：

将每连续p个时间步长的压裂现场施工数据及该连续p个时间步长之后的p+1～p+q个时间步长的压裂规划数据组成非等长数据组；

对所述非等长数据组进行数据填充处理，得到输入样本。

作为本文的进一步实施例中，对所述非等长数据组进行数据填充处理，得到输入样本包括：

确定非等长数据组中最短的数据序列以及最长的数据序列；

将最短的数据序列用占位符填充至与最长数据序列等长。

作为本文的进一步实施例中，所述神经网络模型包括：输入层、掩盖层、隐藏层及输出层；

所述输入层用于接收输入样本的张量，其中，所述输入样本的张量包括样本数、输入样本的时间步长及三维向量，其中，三维向量包括压力数据、排量及砂浓度；

所述掩盖层连接所述输入层，用于对三维向量中的填充数据进行打标处理；

所述隐藏层连接掩盖层，用于接收所述掩盖层的输出及上一时间步长隐藏层的输出，若掩盖层输出的数据具有填充数据，则将上一时间步长隐藏层的输出发送至下一时间步长的隐藏层的输入，若掩盖层输出的数据无填充数据，则接收上一时间步长隐藏层的输出；

所述输出层接收隐藏层的输出，根据隐藏层的输出预测得到q个时间步长的施工压力。

作为本文的进一步实施例中，利用所述多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，包括：

a.将所述多个输入样本逐一输入至神经网络模型中，分别得到多个预测施工压力向量；

b.根据预测施工压力向量及相关标定施工压力向量，计算误差值；

c.判断误差值是否满足预设条件，若不满足，则执行步骤d，若满足，则完成神经网络模型参数的训练；

d.调整所述神经网络模型中的参数，继续执行步骤a至步骤c。

本文的第二方面提供一种压裂施工压力预测方法，利用前述任一实施例所述方法建立施工压力预测模型，所述压裂施工压力预测方法包括：

根据当前时刻最近p个时间步长内收集的压裂现场施工数据以及压裂规划数据，按照所述施工压力预测模型的输入样本格式，构建输入向量；

将所述输入向量输入至所述施工压力预测模型中，预测得到当前时刻之后的q个时间步长的施工压力值。

本文第三方面提供一种压裂施工压力预测模型建立装置，包括：

数据收集单元，用于收集多个时间步长的压裂现场施工数据及压裂规划数据，其中，每一时间步长的压裂现场施工数据包括施工压力数据、施工排量及施工砂浓度，每一时间步长的泵压裂规划数据包括规划排量及规划砂浓度；

输入构造单元，用于根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本，其中，p和q为正整数；

输出标定单元，用于根据p+1～p+q个施工压力构建多个与输入样本相对应的标定施工压力向量；

模型训练单元，用于利用所述多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型。

本文第四方面提供一种压裂施工压力预测装置，利用前述任一实施例所述装置建立施工压力预测模型，所述压裂施工压力预测装置包括：

输入构造单元，用于根据当前时刻最近p个时间步长内收集的压裂现场施工数据以及压裂规划数据，按照所述施工压力预测模型的输入样本格式，构建输入向量；

预测单元，用于将所述输入向量输入至所述施工压力预测模型中，预测得到当前时刻之后的q个时间步长的施工压力值。

本文第五方面提供一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行根据前述任一实施例所述方法的指令。

本文第六方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行根据前述任一实施例所述方法的指令。

本文通过根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本；根据p+1～p+q个时间步长的施工压力，构建多个与输入样本相对应的标定施工压力向量，能够减小模型误差，提高未来压裂施工压力预测的准确度。利用多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型，能够建立现场压裂现场施工数据与施工压力间的非线性对应关系，实现未来时刻施工压力的预测，保证压裂过程施工压力预测的准确性。

为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本文实施例压裂施工压力预测系统的结构图；

图2示出了本文实施例压裂施工压力预测模型建立方法的流程图；

图3示出了本文实施例构建多个输入样本过程的流程图；

图4示出了本文实施例输入样本示意图；

图5示出了本文实施例神经网络模型训练过程示意图；

图6示出了本文实施例神经网络模型中参数训练过程的流程图；

图7示出了本文实施例压裂施工压力预测方法的流程图；

图8示出了本文实施例压裂施工压力预测模型建立装置的结构图；

图9示出了本文实施例压裂施工压力预测装置的结构图；

图10示出了本文实施例计算机设备的结构图。

附图符号说明：

110、存储设备；

120、第一计算设备；

130、第二计算设备；

510、输入层；

520、掩盖层；

530、隐藏层；

540、输出层；

810、数据收集单元；

820、输入构造单元；

830、输出标定单元；

840、模型训练单元；

910、输入构造单元；

920、预测单元；

1002、计算机设备；

1004、处理器；

1006、存储器；

1008、驱动机构；

1010、输入/输出模块；

1012、输入设备；

1014、输出设备；

1016、呈现设备；

1018、图形用户接口；

1020、网络接口；

1022、通信链路；

1024、通信总线。

具体实施方式

下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。

需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。

需要说明的是，本申请所涉及的压裂现场施工数据及压裂规划数据，均为经用户授权或者经过各方充分授权的信息和数据。

本文一实施例中，提供一种压裂施工压力预测系统，用于解决现有压裂现场进行砂堵预警方法无法预测未来压力曲线，进而导致砂堵确定存在滞后性的问题。具体的，如图1所示，压裂施工压力预测系统包括：存储设备110、第一计算设备120及第二计算设备130。

存储设备110用于存储多个时间步长的压裂现场施工数据及压裂规划数据。其中，每一时间步长的压裂现场施工数据包括施工压力数据、施工排量及施工砂浓度，每一时间步长的压裂规划数据包括规划排量及规划砂浓度。施工现场数据中的施工压力数据是利用压力测量设备实时测量到的数据。施工排量及施工砂浓度与压裂过程施工压力高度相关的数据特征，施工现场数据中的施工排量及施工砂浓度是根据压裂规划数据在压裂施工时真实输入量。压裂规划数据为压裂施工之前由设计人员在压裂设计中的泵注程序预案中获得的数据。

第一计算设备120用于训练施工压力预测模型过程包括：

(1)从存储设备110获取压裂现场施工数据及压力规划数据，其中，压裂现场施工数据及压力规划数据均包括多个时间步长的数据；

(2)根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本，其中，p和q为正整数；

(3)根据p+1～p+q个时间步长的施工压力，构建多个与输入样本相对应的标定施工压力向量；

(4)利用多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型，发送施工压力预测模型至存储设备110存储，即存储施工压力预测模型的运行程序及相关参数值。

第二计算设备130用于根据用户指示，从存储设备110中获取当前时刻最近p个时间步长内收集的压裂现场施工数据以及压裂规划数据，按照施工压力预测模型的输入样本格式，构建输入向量；从存储设备110调用施工压力预测模型，将输入向量输入至施工压力预测模型中，预测得到当前时刻之后的q个时间步长的施工压力值。

详细的说，本文所述的存储设备110例如为硬盘、U盘、磁盘等存储介质，还可以为计算机中的磁盘。压裂现场施工数据从压裂现场施工设备采集，压裂规划数据为压裂施工之前由设计人员在压裂设计中的泵注程序预案中获得的数据。本文所述的时间步长例如为1s。

本文所述的第一计算设备120及第二计算设备130可以为同一设备，还可以为不同的设备，具体的，计算设备例如为服务器、台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然，所述客户端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。

一些实施方式中，p例如为300，q例如为120，具体实施时，可根据实际情况设定p和q的取值，本文对此不作具体限定。神经网络模型例如为基于长短时记忆神经网络模型，能够反映输入数据与输出施工压力之间的非线性关系，并能捕捉时间序列的相关性。

本实施例由第一计算设备120根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本；根据p+1～p+q个时间步长的施工压力，构建多个与输入样本相对应的标定施工压力向量，能够减小模型误差，提高未来压裂施工压力预测的准确度。利用多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型，能够建立现场压裂现场施工数据与施工压力间的非线性对应关系，实现未来时刻施工压力的预测，保证压裂过程施工压力预测的准确性。由第二计算设备130利用第一计算设备120训练得到的施工压力预测模型能够准确地预测未来q个时间步长的施工压力，进而根据预测得到的施工压力预测压裂砂堵。

本文一实施例中，提供一种压裂施工压力预测模型建立方法，具体的，如图2所示，压裂施工压力预测模型建立方法包括：

步骤210，收集多个时间步长的压裂现场施工数据及压裂规划数据，其中，每一时间步长的压裂现场施工数据包括施工压力数据、施工排量及施工砂浓度，每一时间步长的泵压裂规划数据包括规划排量及规划砂浓度；

步骤220，根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本，其中，p和q为正整数；

步骤230，根据p+1～p+q个时间步长的施工压力，构建多个与输入样本相对应的标定施工压力向量；

步骤240，利用多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型。

上述步骤220实施时，如图3所示，构建多个输入样本的过程包括：

步骤221，将每连续p个时间步长的压裂现场施工数据及该连续p个时间步长之后的p+1～p+q个时间步长的压裂规划数据组成非等长数据组；

步骤222，对非等长数据组进行数据填充处理，得到输入样本。具体的，先确定非等长数据组中最短的数据序列以及最长的数据序列；然后将最短的数据序列用占位符填充至与最长数据序列等长。

举例来说，施工压力为p个时间步长的数据序列，排量为p+q个时间步长的数据序列，砂浓度为p+q个时间步长的数据序列。补齐时，由于施工压力时间步长小于排量、砂浓度的长度，将施工压力数据长度按照其余两者补齐，补齐时在施工压力空缺位置补q个占位符(例如Null)，使三者长度一致，补齐结果如图4所示，其中，P表示施工压力值，R表示施工排量值，C表示砂浓度值，S表示施工现场数据，d表示压裂规划数据。

上述步骤230实施时，可建立数万个输入样本，输入样本数量越多，模型训练的精度越高。为了验证模型训练的精度，还可将输入样本及其对应的标定施工压力向量划分为训练集及测试集，例如80％的输入样本及其对应的标定施工压力向量为训练集，20％输入样本及其对应的标定施工压力向量为测试集，训练集和测试集互不相交。利用训练集训练神经网络模型的参数，利用测试集测试训练所得模型的准确率。

本文一实施例中，如图5所示，神经网络模型包括：输入层510、掩盖层520、隐藏层530及输出层540。

输入层510用于接收输入样本的张量，其中输入样本的张量包括样本数、输入样本的时间步长及三维向量，其中，三维向量包括压力数据、排量及砂浓度。每一三维向量为一时间步长的压力数据、排量及砂浓度，对于前p个三维向量，为现场施工压力数据、施工排量及施工砂浓度，对于第p+1～p+q个时间步长的三维向量，为规划排量、规划砂浓度及填充值。

掩盖层520连接输入层510，用于对三维向量中的填充数据进行打标处理，即识别具有填充数据的三维向量。

隐藏层530中包含多个神经元，隐藏层530中的神经元可选择LSTM神经元、RNN神经元。具体的，如图5所示，隐藏层530连接掩盖层520，用于接收掩盖层520的输出及上一时间步长隐藏层530的输出，若掩盖层520输出的数据具有填充数据，则将上一时间步长隐藏层530的输出发送至下一时间步长的隐藏层530的输入(如图5中t时间步长)，若掩盖层520输出的数据无填充数据，则接收上一时间步长隐藏层530的输出(如图5中t-1)。具体实施时，隐藏层530可以包含一层、两层等，本文对隐含层的具体层数不做限定。

输出层540接收隐藏层530的输出，根据隐藏层530的输出预测得到q个时间步长的施工压力。

本文一具体实施例中，为了能够学习长期依赖信息，提高网络精度，神经网络模型还可选用长短时记忆神经网络(Long Short-term Memory Networks，LSTM)及时间序列分析预测模型，本文对神经网络具体结构不做限定。

本文一实施例中，如图6所示，步骤240利用多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，包括：

步骤a，将多个输入样本逐一输入至神经网络模型中，分别得到多个预测施工压力向量；

步骤b，根据预测施工压力向量及相关标定施工压力向量，构建误差损失函数；

步骤c，判断误差损失函数值是否满足预设条件，若不满足，则执行步骤d，若满足，则完成神经网络模型参数的训练；

步骤d，调整所述神经网络模型中的参数，继续执行步骤a至步骤c。

本文所述的预设条件可根据模型训练精度进行时核定，本文对此不作限定。

在训练得到施工压力预测模型的基础上，本文还提供一种压裂施工压力预测方法，利用前述任一实施例所述压裂施工压力预测模型建立方法建立施工压力预测模型，具体的，如图7所示，压裂施工压力预测方法包括：

步骤710，根据当前时刻最近p个时间步长内收集的压裂现场施工数据以及压裂规划数据，按照所述施工压力预测模型的输入样本格式，构建输入向量；

步骤720，将输入向量输入至所述施工压力预测模型中，预测得到当前时刻之后的q个时间步长的施工压力值。

具体实施时，在预测得到施工压力之后，还可将施工压力输入至砂堵预测模型中，由砂堵预测模型进行砂堵预测。

基于同一发明构思，本文还提供一种压裂施工压力预测模型建立装置及压裂施工压力预测装置，如下面的实施例所述。由于压裂施工压力预测模型建立装置及压裂施工压力预测装置解决问题的原理与压裂施工压力预测模型建立方法及压裂施工压力预测方法相似，因此压裂施工压力预测模型建立装置及压裂施工压力预测装置的实施可以参见压裂施工压力预测模型建立方法及压裂施工压力预测方法，重复之处不再赘述。

具体的，如图8所示，压裂施工压力预测模型建立装置，包括：

数据收集单元810，用于收集多个时间步长的压裂现场施工数据及压裂规划数据，其中，每一时间步长的压裂现场施工数据包括施工压力数据、施工排量及施工砂浓度，每一时间步长的泵压裂规划数据包括规划排量及规划砂浓度；

输入构造单元820，用于根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本，其中，p和q为正整数；

输出标定单元830，用于根据p+1～p+q个施工压力构建多个与输入样本相对应的标定施工压力向量；

模型训练单元840，用于利用所述多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型。

如图9所示，压裂施工压力预测装置包括：

输入构造单元910，用于根据当前时刻最近p个时间步长内收集的压裂现场施工数据以及压裂规划数据，按照所述施工压力预测模型的输入样本格式，构建输入向量；

预测单元920，用于将所述输入向量输入至所述施工压力预测模型中，预测得到当前时刻之后的q个时间步长的施工压力值。

本文基于神经网络的压裂过程施工压力预测方法，将神经网络引入到压裂过程施工压力预测中，结合现场施工数据和压裂规划数据组成非等长数据组合，采用填充序列数据的形式将非等长数据组合处理成可用于网络训练的样本，符合压裂施工前已对排量、砂浓度等施工参数进行预案设计的特性，提高了压力预测的准确性。多变量长短时记忆神经网络模型能够学习动态压裂数据的变化规律，满足对压裂施工时时间序列数据实时分析判断的需求，利用多变量长短时记忆神经网络模型计算未来时刻压裂过程施工压力，为现场压裂监测提供直观、量化的指标。

本文一实施例中，还提供一种计算机设备，用于实现前述任一实施例所述的压裂施工压力预测模型建立方法及压裂施工压力预测方法，具体的，如图10所示，计算机设备1002可以包括一个或多个处理器1004，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1002还可以包括任何存储器1006，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器1006可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1002的固定或可移除部件。在一种情况下，当处理器1004执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1002可以执行相关联指令的任一操作。计算机设备1002还包括用于与任何存储器交互的一个或多个驱动机构1008，诸如硬盘驱动机构、光盘驱动机构等。

计算机设备1002还可以包括输入/输出模块1010(I/O)，其用于接收各种输入(经由输入设备1012)和用于提供各种输出(经由输出设备1014))。一个具体输出机构可以包括呈现设备1016和相关联的图形用户接口1018(GUI)。在其他实施例中，还可以不包括输入/输出模块1010(I/O)、输入设备1012以及输出设备1014，仅作为网络中的一台计算机设备。计算机设备1002还可以包括一个或多个网络接口1020，其用于经由一个或多个通信链路1022与其他设备交换数据。一个或多个通信总线1024将上文所描述的部件耦合在一起。

通信链路1022可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1022可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。

对应于图2-图3及图6-图7中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。

本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2-图3及图6-图7所示的方法。

应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。

还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。

另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims (8)

1.一种压裂施工压力预测模型建立方法，其特征在于，包括：

收集多个时间步长的压裂现场施工数据及压裂规划数据，其中，每一时间步长的压裂现场施工数据包括施工压力数据、施工排量及施工砂浓度，每一时间步长的泵压裂规划数据包括规划排量及规划砂浓度；

根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本，其中，p和q为正整数；

根据p+1～p+q个时间步长的施工压力，构建多个与输入样本相对应的标定施工压力向量；

利用所述多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型；

根据p个时间步长的压裂现场施工数据及p+1～q个时间步长的压裂规划数据，构建多个输入样本，包括：

将每连续p个时间步长的压裂现场施工数据及该连续p个时间步长之后的p+1～p+q个时间步长的压裂规划数据组成非等长数据组；

对所述非等长数据组进行数据填充处理，得到输入样本；

对所述非等长数据组进行数据填充处理，得到输入样本，包括：

确定所述非等长数据组中最短的数据序列以及最长的数据序列；

将最短的数据序列用占位符填充至与最长数据序列等长。

2.如权利要求1所述的压裂施工压力预测模型建立方法，其特征在于，所述神经网络模型包括：输入层、掩盖层、隐藏层及输出层；

所述输入层用于接收输入样本的张量，其中，所述输入样本的张量包括样本数、输入样本的时间步长及三维向量，其中，三维向量包括压力数据、排量及砂浓度；

所述掩盖层连接所述输入层，用于对三维向量中的填充数据进行打标处理；

所述隐藏层连接掩盖层，用于接收所述掩盖层的输出及上一时间步长隐藏层的输出，若掩盖层输出的数据具有填充数据，则将上一时间步长隐藏层的输出发送至下一时间步长的隐藏层的输入，若掩盖层输出的数据无填充数据，则接收上一时间步长隐藏层的输出；

所述输出层接收隐藏层的输出，根据隐藏层的输出预测得到q个时间步长的施工压力。

3.如权利要求1所述的压裂施工压力预测模型建立方法，其特征在于，利用所述多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，包括：

a.将所述多个输入样本逐一输入至神经网络模型中，分别得到多个预测施工压力向量；

b.根据预测施工压力向量及相关标定施工压力向量，计算误差值；

c.判断误差值是否满足预设条件，若不满足，则执行步骤d，若满足，则完成神经网络模型参数的训练；

d.调整所述神经网络模型中的参数，继续执行步骤a至步骤c。

4.一种压裂施工压力预测方法，其特征在于，利用权利要求1至3任意一项所述方法建立施工压力预测模型，所述压裂施工压力预测方法包括：

根据当前时刻最近p个时间步长内收集的压裂现场施工数据以及压裂规划数据，按照所述施工压力预测模型的输入样本格式，构建输入向量；

将所述输入向量输入至所述施工压力预测模型中，预测得到当前时刻之后的q个时间步长的施工压力值。

5.一种压裂施工压力预测模型建立装置，其特征在于，包括：

数据收集单元，用于收集多个时间步长的压裂现场施工数据及压裂规划数据，其中，每一时间步长的压裂现场施工数据包括施工压力数据、施工排量及施工砂浓度，每一时间步长的泵压裂规划数据包括规划排量及规划砂浓度；

输入构造单元，用于根据p个时间步长的压裂现场施工数据及p+1～p+q个时间步长的压裂规划数据，构建多个输入样本，其中，p和q为正整数；

输出标定单元，用于根据p+1～p+q个施工压力构建多个与输入样本相对应的标定施工压力向量；

模型训练单元，用于利用所述多个输入样本及标定施工压力向量，训练预先建立的神经网络模型中的参数，将训练得到的神经网络模型作为施工压力预测模型；

根据p个时间步长的压裂现场施工数据及p+1～q个时间步长的压裂规划数据，构建多个输入样本，包括：

将每连续p个时间步长的压裂现场施工数据及该连续p个时间步长之后的p+1～p+q个时间步长的压裂规划数据组成非等长数据组；

对所述非等长数据组进行数据填充处理，得到输入样本；

对所述非等长数据组进行数据填充处理，得到输入样本，包括：

确定所述非等长数据组中最短的数据序列以及最长的数据序列；

将最短的数据序列用占位符填充至与最长数据序列等长。

6.一种压裂施工压力预测装置，其特征在于，利用权利要求5所述装置建立施工压力预测模型，所述压裂施工压力预测装置包括：

输入构造单元，用于根据当前时刻最近p个时间步长内收集的压裂现场施工数据以及压裂规划数据，按照所述施工压力预测模型的输入样本格式，构建输入向量；

预测单元，用于将所述输入向量输入至所述施工压力预测模型中，预测得到当前时刻之后的q个时间步长的施工压力值。

7.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-4任意一项所述方法的指令。

8.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-4任意一项所述方法的指令。

Images