CN114912364B - 天然气井流量预测方法、装置、设备及计算机可读介质 - Google Patents
天然气井流量预测方法、装置、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN114912364B CN114912364B CN202210608674.4A CN202210608674A CN114912364B CN 114912364 B CN114912364 B CN 114912364B CN 202210608674 A CN202210608674 A CN 202210608674A CN 114912364 B CN114912364 B CN 114912364B
- Authority
- CN
- China
- Prior art keywords
- natural gas
- gas well
- neural network
- data
- model
- 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
- 239000002343 natural gas well Substances 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000013526 transfer learning Methods 0.000 claims abstract description 34
- 238000013508 migration Methods 0.000 claims abstract description 32
- 230000005012 migration Effects 0.000 claims abstract description 32
- 238000009795 derivation Methods 0.000 claims abstract description 21
- 230000007787 long-term memory Effects 0.000 claims abstract description 10
- 230000006403 short-term memory Effects 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 27
- 210000004205 output neuron Anatomy 0.000 claims description 14
- 210000002364 input neuron Anatomy 0.000 claims description 13
- 239000007789 gas Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000012530 fluid Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Measuring Volume Flow (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种天然气井流量预测方法、装置、设备及计算机可读介质。方法包括收集天然气井采集所得数据并设定基础特征数据;对基础特征数据进行特征衍生得到衍生特征数据;建立长短期记忆神经网络模型;在长短期记忆神经网络模型后叠加反向传播神经网络模型构造迁移学习模型;训练迁移学习模型得到天然气井的流量预测。通过对比迁移学习模型和不进行模型迁移的普通神经网络模型对新的天然气井流量的预测结果,结果表明,本发明所构建的迁移学习模型对新的天然气井流量的预测结果更准确,且大大减小了模型的数据开销。可以减少训练目标井对应模型时需要的训练样本的数量,并可以增快训练模型的速度。
Description
技术领域
本申请属于机器学习流量预测领域,尤其是一种天然气井预测方法、装置、设备及计算机可读介质。
背景技术
流量预测系统的要求是根据油气田传输参数对单口井进行流量的计算。为了保证计算结果的准确性,通常需要实时生产参数,即油气在流动时采集到的温度、压力、油嘴开度等。以神经网络模型算法为基础的流量计算模型需要大量训练样本以确定神经网络模型参数。通常采集到的生产参数的特征维度并不大,直接采集到的特征并不能完全体现数据的全部信息,因此需要通过已有的数据进行特征衍生来发现新的意义。但所建立神经网络模型往往只对于当前单井有较好的预测效果,当使用其他井的生产参数进行预测时,需要消耗大量的数据才能使模型学习到新井的特征,从而给出准确的流量预测值。而迁移学习模型可以提高神经网络模型的适用性,进一步减小模型的数据需求量。
此外使用流量预测模型确定天然气井流量,需要针对每个天然气井单独训练流量预测模型,需要使用大量训练样本对流量预测模型进行训练,对于训练样本的开销较大,并且由于在训练流量预测模型的过程中使用大量训练样本,势必会对训练速度产生影响,会导致流量预测模型的训练速度慢的问题。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种天然气井流量预测方法、装置、设备及计算机可读介质,通过用神经网络模型算法进行流量计算,根据原始数据特征构建新的特征,基于原有输入特征和特征衍生出的新特征建立神经网络模型来计算流量,从而提高流量计算模型的预测准确度。在已建立神经网络模型后叠加新的神经网络模型,构建迁移学习模型,提高神经网络模型的适用性,减小将模型应用于其他天然气井时的数据需求量。
本发明的目的是通过以下技术方案实现的:
一种基于特征衍生和模型迁移的天然气井流量预测方法,包括:
S1.收集天然气井采集所得数据,包括跨接管温度T1、跨接管压力P1、井口温度T2、井口温度压力P2、油嘴后温度T3、油嘴后压力P3、油嘴开度K、实际流量Q,并将跨接管温度T1、跨接管压力P1、井口温度T2、井口温度压力P2、油嘴后温度T3、油嘴后压力P3、油嘴开度K均作为基础特征数据;
S2.对基础特征数据进行特征衍生得到衍生特征数据;
构造作为其中一个衍生特征数据,其中D为井口温度压力条件下井流物的焦汤系数,Cp为井口温度条件下井流物的定压比热容;将油嘴后温度和跨接管温度的温差、井口压力和油嘴后压力的压差、油嘴后压力和跨接管压力的压差均作为衍生特征数据;根据气液质量分数、定体积比热容、比热容比计算多变指数作为衍生特征数据;构造井流物在井口温度和油嘴后温度的焓变作为衍生特征数据;根据基本物性参数和油嘴结构参数计算得到临界压比pr作为衍生特征数据;
S3.天然气井A1的每组数据训练样本包括一组输入神经元和一组输出神经元,将天然气井A1的基础特征数据和衍生特征数据作为输入神经元,将天然气井A1的实际流量Q作为输出神经元,通过天然气井A1的若干组数据训练样本,获取得到长短期记忆神经网络模型参数,建立长短期记忆神经网络模型;
S4.在长短期记忆神经网络模型后叠加反向传播神经网络模型形成迁移学习模型;将天然气井A2的基础特征数据和衍生特征数据作为长短期记忆神经网络模型的输入,将长短期记忆神经网络模型的输出神经元与天然气井A2的基础特征数据及衍生特征数据共同作为反向传播神经网络模型的输入神经元,将天然气井A2的实际流量Q作为反向传播神经网络模型的输出神经元;
S5.天然气井A2的每组数据训练样本包括一组反向传播神经网络模型的输入神经元和一组反向传播神经网络模型的输出神经元;采用天然气井A2的若干组数据训练样本,对S4中的反向传播神经网络模型进行训练后输出天然气井A2的流量预测值。
进一步的,步骤S3中由天然气井A1的数据训练样本训练得到的长短期记忆神经网络基准模型不作更改,用于其他天然气井流量预测时的迁移使用。
本发明还提供一种天然气井流量预测装置,包括:
采集模块,用于采集天然气井的基础特征数据;
衍生模块,用于对所述基础特征数据进行特征衍生得到衍生特征数据;
输入模块,用于将基础特征数据和衍生特征数据输入到迁移学习模型中;所述迁移学习模型由长短期记忆神经网络模型及反向传播神经网络模型组成;
确定模块,用于获取迁移学习模型的输出数据,将所述输出数据确定为天然气井的预测流量。
进一步的,本发明还提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器和收发器;
所述处理器,所述存储器及所述收发器之间电路互连;
所述存储器存储计算机执行指令;所述收发器用于收发数据;
所述处理器执行所述存储器存储的计算机执行指令,以实现任一项所述天然气井流量预测方法的步骤。
进一步的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现任一项所述天然气井流量预测方法的步骤。
进一步的,本发明还提供一种计算机程序产品,包括计算机执行指令,该计算机执行指令被处理器执行时实现任一项所述天然气井流量预测方法的步骤。
与现有技术相比,本发明的技术方案所带来的有益效果是:
本发明将仪表采集到的实时生产参数数据作为基础特征数据,同时通过特征衍生的方法在基础特征数据的基础上构造出七个新的衍生特征数据,将基础特征数据和衍生特征数据共同作为输入特征建立神经网络模型预测流量。通过对比只使用基础特征数据建立的神经网络模型与使用本发明技术方案的预测结果,结果表明,本发明中在引入新的衍生特征数据后,对流量的预测结果更准确。在已建立长短期记忆神经网络模型后叠加反向传播神经网络模型构造迁移学习模型。
通过对比迁移学习模型和不进行模型迁移的普通神经网络模型对新的天然气井流量的预测结果,结果表明,本发明所构建的迁移学习模型对新的天然气井流量的预测结果更准确,且大大减小了模型的数据开销。可以减少训练目标井对应模型时需要的训练样本的数量,并可以增快训练模型的速度。
附图说明
图1是本发明方法的流程示意图。
图2a是具体实施例中进行特征衍生后所建立的LSTM神经网络模型A对天然气井A1流量的预测结果示意图;
图2b是具体实施例中不进行特征衍生时所建立LSTM神经网络模型A对天然气井A1流量的预测结果示意图。
图3a是具体实施例中迁移学习模型对天然气井A2的流量预测结果示意图;
图3b是具体实施例中针对天然气井A1特征衍生后所建立LSTM神经网络模型A对天然气井A2的流量预测结果示意图。
图4是具体实施例中迁移学习模型结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
实施例1
如图1所示,本实施例提供一种基于特征衍生和模型迁移的天然气井流量智能计算方法,包括以下步骤:
目前的神经网络模型大都直接根据现场采集到的压力、温度、油嘴开度来进行流量预测,并没有考虑现有数据特征之间的相关性。本实施例提供的基于特征衍生的天然气井流量智能计算方法,除了考虑仪表采集到的实时生产参数,同时利用基本物性参数和油嘴结构参数通过特征衍生构造出七个新的特征,共同作为输入特征建立长短期记忆神经网络模型预测流量,从而实现神经网络模型准确度的提高。在此基础上叠加反向传播神经网络模型,构建迁移学习模型,提高神经网络模型的适用性,减小将模型应用于其他天然气井时的数据需求量。
S1、首先将天然气井收集到的测量数据:油嘴开度K、跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3作为基础特征数据。
S2、对基础特征数据进行特征衍生。首先对温度、压力数据进行衍生:按照表达式 构造X为新的衍生特征数据,除了用到天然气井的油嘴开度K、井口温度T2、井口压力P2和油嘴后温度T3、压力P3,还引入了井口温度T2、压力P2条件下井流物的焦汤系数D和定压比热荣Cp;将跨接管温度T1和油嘴后温度T3作差,得到温差ΔT1,将井口压力P2和油嘴后压力P3作差,得到压差ΔP1,将跨接管压力P1和油嘴后压力P3和作差,得到压差ΔP2。再根据天然气井井流物的气液质量分数、定体积比热容、比热容比计算多变指数n;根据井流物在井口温度T1下的焓值和油嘴后温度T2下的焓值计算流体过油嘴后的焓变ΔH;根据井流物基本物性参数和油嘴结构参数计算得到临界压比pr。将X、温差ΔT1、压差ΔP1、压差ΔP2、多变指数n、焓变ΔH、临界压比pr作为衍生特征数据。其中多变指数n和临界压比pr的计算均可参考文献“Perkins T K.Critial and Subcritical Flow ofMultiphase Mixtures through Chokes.SPE Drilling&Completion,1993,8(4):271-276.”的计算方法。
S3、将天然气井A1的油嘴开度K、跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3、衍生特征数据X、温差ΔT1、压差ΔP1、压差ΔP2、多变指数n、焓变ΔH、临界压比pr作为输入神经元,将天然气井A1的实际流量Q作为输出神经元,建立长短期记忆(LSTM)神经网络模型A。将LSTM神经网络模型A隐藏层设为1层,隐藏层神经元设为256个,训练次数epoches设为80,学习率设为0.01,选择tanh函数作为激活函数。LSTM神经网络模型A选择均方误差(MSE)作为损失函数。LSTM神经网络模型A在调整模型更新权重和偏差参数时,采用梯度下降法进行权重更新,在一个方向上更新和调整模型的参数,来最小化损失函数。经过训练后输出天然气井A1的流量预测值Q’。
本实施例中对进行特征衍生后所建立的LSTM神经网络模型A对天然气井A1流量的形成预测结果图,见图2a;还对不进行特征衍生时所建立LSTM神经网络模型A对天然气井A1流量的形成预测结果图,见图2b。通过对比可知本发明中在引入新的衍生特征数据后,对天然气流量的预测结果更准确。
S4、在LSTM神经网络模型A后叠加反向传播(BP)神经网络模型,得到迁移学习模型。BP神经网络的隐藏层数目设为1层,隐藏层神经元个数设为80个,学习率设为0.01,选择Sigmoid函数作为激活函数。
将天然气井A2的油嘴开度K、跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3、压差ΔP1、压差ΔP2、温差ΔT1、衍生特征X、多变指数n、流体过油嘴后的焓变ΔH、临界压比pr作为迁移学习模型的输入神经元,这14个特征首先输入到迁移模型的前部结构LSTM神经网络模型A中,LSTM神经网络模型A的输出神经元输出的值与基础特征数据和衍生特征数据这14个特征再共同作为迁移学习模型的后部结构即BP神经网络模型的输入神经元,BP神经网络模型的输出神经元为天然气井A2的实际流量Q,最终迁移学习模型经过训练后输出天然气井A2的流量预测值Q*。
具体的,该训练过程中,迁移学习模型中的LSTM神经网络模型A用到的输入数据是上述A2井的14个输入神经元对应的数据,BP神经网络模型(反向传播神经网络模型)的输入数据是LSTM神经网络模型A的输出数据与天然气井A2的14个数据特征数据,输出数据是天然气井A2的实际流量。
本实施例中针对所建立迁移学习模型对天然气井A2的流量形成预测结果图,见图3a;还针对天然气井A1特征衍生后所建立LSTM神经网络模型A对天然气井A2的形成预测结果图,见图3b。通过对比迁移学习模型和不进行模型迁移的普通神经网络模型对新的天然气井流量的预测结果,结果表明,本发明所构建的迁移学习模型对新的天然气井流量的预测结果更准确,且大大减小了模型的数据开销。
由于每口井的地质环境、管道参数等条件都是独特的,因此建立流量的预测模型时对象是单口井,这也导致每口井建立的模型不能通用,即:采用一口井的历史数据得到的机器学习模型不能直接应用于其他井,要想应用,必须要重新对机器学习网络结构中的参数进行迭代更新,需要的数据开销较大。直接将模型参数迁移使用会出现图3b所示结果,即预测结果完全偏离真实数据。
现有技术中使用的神经网络模型的参数不能直接迁移,本实施例通过提出新的迁移学习模型,具体如图4所示。根据前文分析LSTM神经网络模型数据量开销适中且模型的精度较高,BP神经网络模型结构简单,数据量开销最小。因此本发明结合两者优点设计出一种新的迁移学习模型网络结构,即将LSTM神经网络模型的隐藏层输出结合原始数据作为BP神经网络模型的输入。新的迁移学习模型将原始数据直接输入BP神经网络模型,迁移学习模型有了BP网络参数量少、方便迭代的优点,因此该迁移学习模型能够较快收敛;将LSTM神经网络模型参数复用,迁移学习模型的线性拟合能力被加强。该迁移学习模型将LSTM神经网络模型隐藏层的参数直接迁移使用。
图4中,在从天然气井A1向其他天然气井迁移过程中,方框中的长短期记忆神经网络参数不改变,而方框外的BP神经网络模型的结构参数需要采用新的数据进行确定。这样可以大大减少数据消耗
图中,xi代表基础特征数据或衍生特征数据,例如温度、压力,hi代表LSTM神经网络模型的隐层输出数据,yi代表反向传播神经网络的输出数据;i=1、2、3……n。
将迁移学习的预测精度和数据开销与LSTM神经网络模型的预测结果直接对比,结果如下表所示。其中LSTM消耗1200条数据,预测结果相对误差是4.8%;迁移学习模型消耗了600条数据,预测结果相对误差是6.2%。模型参数较少导致模型的准确率降低,同时减小了模型的数据开销。从实用性的角度考虑,迁移模型的实用性要大于LSTM神经网络模型,迁移学习模型在较小的提升了误差的基础上大大减小了模型的数据开销,因此该迁移模型直接为数据驱动的虚拟计量VMS系统的实际应用提供了可行性。
实施例2
本申请实施例提供的天然气井流量预测装置可以执行天然气井流量预测方法实施例提供的处理流程。该天然气井流量预测装置包括:采集模块、衍生模块、输入模块和确定模块。
具体地,采集模块,采集天然气井的基础特征数据;基础特征数据为便于获取且与天然气井流量具有内在联系的数据;
衍生模块,用于对基础特征数据进行特征衍生得到衍生特征数据;
输入模块,用于将基础特征数据和衍生特征数据输入到迁移学习模型中;迁移学习模型由长短期记忆神经网络模型及反向传播神经网络模型组成;
确定模块,用于获取训练完成的迁移学习模型的输出数据,将输出数据确定为天然气井的预测流量。
本申请实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例,具体功能此处不再赘述。
可选地,确定模块具体用于:将天然气井A2的基础特征数据和衍生特征数据作为长短期记忆神经网络模型的输入,将长短期记忆神经网络模型的输出神经元与天然气井A2的基础特征数据及衍生特征数据共同作为反向传播神经网络模型的输入神经元,将天然气井A2的实际流量Q作为反向传播神经网络模型的输出神经元;采用天然气井A2的数据训练样本,对迁移学习模型进行训练后输出天然气井A2的流量预测值。
可选地,天然气井流量预测装置,还包括训练模块;训练模块用于:获取对初次训练后迁移学习模型中的反向传播神经网络模型进行训练的训练样本,训练样本包括:天然气井的基础特征数据和衍生特征数据及对应天然气井真实流量;采用训练样本对初次训练后迁移学习模型的反向传播神经网络模型进行训练;初次训练后迁移学习模型中包括已训练完成的长短期记忆神经网络;判断是否满足训练收敛条件;若确定满足训练收敛条件,则将满足训练收敛条件的迁移学习模型确定为训练完成的迁移学习模型。
可选地,训练模块还用于:获取通用天然气井的基础特征数据和衍生特征数据及真实流量作为数据训练样本;将数据训练样本输入初始迁移学习模型的长短期记忆神经网络,对长短期记忆神经网络进行训练,以获得初次训练后迁移学习模型。
可选地,天然气井流量预测装置,还包括处理模块;处理模块用于:对基础特征数据和真实流量进行数据预处理;数据预处理包括以下处理任意一种或多种:缺失值的检测及填充、异常值检测及处理、数据归一化。
可选地,天然气井流量预测装置,还包括测试模块;测试模块用于:获取测试样本,将测试样本中的基础特征数据和衍生特征数据及真实流量输入训练完成的迁移学习模型中;获取训练完成的迁移学习模型的训练输出数据,将训练输出数据确定为天然气井的预测流量;若预测流量与真实流量的误差大于预设误差阈值,则增加训练样本的数量;采用增加的训练样本对预设迁移学习模型进行训练。
本申请实施例提供的装置可以具体用于执行上述方法实施例,具体功能此处不再赘述。
实施例3
本申请实施例3提供有电子设备包括:处理器、存储器、收发器、以及存储在存储器上并可在处理器上运行的计算机执行指令。
其中,处理器,存储器及收发器之间电路互连;收发器用于收发数据;处理器运行计算机执行指令时实现上述任一方法实施例提供的天然气井流量预测方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时实现上述任一方法实施例提供的方法。
本申请实施例还提供了一种计算机程序产品,程序产品包括:计算机执行指令,计算机执行指令存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机执行指令,至少一个处理器执行计算机执行指令使得电子设备执行上述任一方法实施例提供的方法。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (6)
1.一种基于特征衍生和模型迁移的天然气井流量预测方法,其特征在于,包括:
S1. 收集天然气井采集所得数据,包括跨接管温度T1、跨接管压力P1、井口温度T2、井口温度压力P2、油嘴后温度T3、油嘴后压力P3、油嘴开度K、实际流量Q,并将跨接管温度T1、跨接管压力P1、井口温度T2、井口温度压力P2、油嘴后温度T3、油嘴后压力P3、油嘴开度K均作为基础特征数据;
S2. 对基础特征数据进行特征衍生得到衍生特征数据;
构造X=作为其中一个衍生特征数据,其中D为井口温度压力条件下井流物的焦汤系数,Cp为井口温度条件下井流物的定压比热容;将油嘴后温度和跨接管温度的温差、井口压力和油嘴后压力的压差、油嘴后压力和跨接管压力的压差均作为衍生特征数据;根据气液质量分数、定体积比热容、比热容比计算多变指数作为衍生特征数据;构造井流物在井口温度和油嘴后温度的焓变作为衍生特征数据;根据基本物性参数和油嘴结构参数计算得到临界压比pr作为衍生特征数据;
S3.天然气井A1的每组数据训练样本包括一组输入神经元和一组输出神经元,将天然气井A1的基础特征数据和衍生特征数据作为输入神经元,将天然气井A1的实际流量Q作为输出神经元,通过天然气井A1的若干组数据训练样本,获取得到长短期记忆神经网络模型参数,建立长短期记忆神经网络模型;
S4. 在长短期记忆神经网络模型后叠加反向传播神经网络模型形成迁移学习模型;将天然气井A2的基础特征数据和衍生特征数据作为长短期记忆神经网络模型的输入,将长短期记忆神经网络模型的输出神经元与天然气井A2的基础特征数据及衍生特征数据共同作为反向传播神经网络模型的输入神经元,将天然气井A2的实际流量Q作为反向传播神经网络模型的输出神经元;
S5. 天然气井A2的每组数据训练样本包括一组反向传播神经网络模型的输入神经元和一组反向传播神经网络模型的输出神经元;采用天然气井A2的若干组数据训练样本,对S4中的反向传播神经网络模型进行训练后输出天然气井A2的流量预测值。
2.根据权利要求1所述一种基于特征衍生和模型迁移的天然气井流量预测方法,其特征在于,步骤S3中由天然气井A1的数据训练样本训练得到的长短期记忆神经网络基准模型不作更改,用于其他天然气井流量预测时的迁移使用。
3.一种天然气井流量预测装置,基于权利要求1-2任意一项天然气井流量预测方法,其特征在于,包括:
采集模块,用于采集天然气井的基础特征数据;
衍生模块,用于对所述基础特征数据进行特征衍生得到衍生特征数据;
输入模块,用于将基础特征数据和衍生特征数据输入到迁移学习模型中;所述迁移学习模型由长短期记忆神经网络模型及反向传播神经网络模型组成;
确定模块,用于获取迁移学习模型的输出数据,将所述输出数据确定为天然气井的预测流量。
4.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器和收发器;
所述处理器,所述存储器及所述收发器之间电路互连;
所述存储器存储计算机执行指令;所述收发器用于收发数据;
所述处理器执行所述存储器存储的计算机执行指令,以实现权利要求1-2中任一项所述天然气井流量预测方法的步骤。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现权利要求1-2任一项所述天然气井流量预测方法的步骤。
6.一种计算机程序产品,其特征在于,包括计算机执行指令,该计算机执行指令被处理器执行时实现权利要求1-2任一项所述天然气井流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608674.4A CN114912364B (zh) | 2022-05-31 | 2022-05-31 | 天然气井流量预测方法、装置、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608674.4A CN114912364B (zh) | 2022-05-31 | 2022-05-31 | 天然气井流量预测方法、装置、设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912364A CN114912364A (zh) | 2022-08-16 |
CN114912364B true CN114912364B (zh) | 2024-05-17 |
Family
ID=82771268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210608674.4A Active CN114912364B (zh) | 2022-05-31 | 2022-05-31 | 天然气井流量预测方法、装置、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912364B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359890B (zh) * | 2022-10-17 | 2023-02-03 | 中科厚立信息技术(成都)有限公司 | 基于迁移学习的单病种资源消耗分析方法、系统及终端 |
CN117432414B (zh) * | 2023-12-20 | 2024-03-19 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101706245B1 (ko) * | 2015-09-14 | 2017-02-14 | 동아대학교 산학협력단 | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 |
WO2020077693A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
CN114254554A (zh) * | 2021-11-12 | 2022-03-29 | 中法渤海地质服务有限公司 | 基于lstm模型的长时不稳定试井解释方法 |
CN114482990A (zh) * | 2021-12-31 | 2022-05-13 | 中国石油天然气集团有限公司 | 钻井溢流预警的方法及装置 |
-
2022
- 2022-05-31 CN CN202210608674.4A patent/CN114912364B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101706245B1 (ko) * | 2015-09-14 | 2017-02-14 | 동아대학교 산학협력단 | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 |
WO2020077693A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
CN114254554A (zh) * | 2021-11-12 | 2022-03-29 | 中法渤海地质服务有限公司 | 基于lstm模型的长时不稳定试井解释方法 |
CN114482990A (zh) * | 2021-12-31 | 2022-05-13 | 中国石油天然气集团有限公司 | 钻井溢流预警的方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于人工神经网络的天然气井产量计算方法研究;宋尚飞;洪炳沅;史博会;吴海浩;康琦;王智;宫敬;;石油科学通报;20170915(03);93-101 * |
神经网络法在气井产能预测中的应用;许敏, 赵粉霞;天然气工业;20000528(03);89-91+13 * |
Also Published As
Publication number | Publication date |
---|---|
CN114912364A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114912364B (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CA2640725C (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
CN103380424B (zh) | 用于在使用人工神经网络在储层模拟中模拟管道水力学的系统和方法 | |
CN112818595B (zh) | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 | |
CN105452598B (zh) | 选择和优化用于产量平台的油田控制的方法 | |
CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
GB2481087A (en) | Proxy methods for expensive function optimization with expensive nonlinear constraints | |
CN110296833B (zh) | 一种面向液压缸综合测试台的软测量方法及系统 | |
Wang et al. | An Improved Grey Prediction Model Based on Matrix Representations of the Optimized Initial Value. | |
CN111751878B (zh) | 横波速度的预测方法和装置 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
CN115375867B (zh) | 利用网格模型计算地热资源量方法、系统、设备及介质 | |
CN115481554A (zh) | 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法 | |
CN115099464A (zh) | 一种基于油嘴模型流量系数预测的油井产量预测方法 | |
Jahanbakhshi et al. | Joint estimation of facies boundaries and petrophysical properties in multi-facies channelized reservoirs through ensemble-based Kalman filter and level set parametrization | |
CN115062551A (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
NO20180167A1 (en) | Fluid Flow Network Simulation Methods and Systems Employing Two-Phase Envelopes with Interpolated Values | |
CN118049239B (zh) | 一种暗挖工程数据处理和隧道施工质量控制系统 | |
CN118171571A (zh) | 地热储层缝网特征智能反演方法、装置、设备及存储介质 | |
CN118114812A (zh) | 页岩气产量预测方法、计算机设备和存储介质 | |
CN116167128A (zh) | 基于ibga的bp神经网络建立方法和隧洞围岩参数反演方法 |
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 |