CN117408165A - 一种基于机器学习的压裂过程复杂事件智能预警优化方法 - Google Patents

一种基于机器学习的压裂过程复杂事件智能预警优化方法 Download PDF

Info

Publication number
CN117408165A
CN117408165A CN202311714337.4A CN202311714337A CN117408165A CN 117408165 A CN117408165 A CN 117408165A CN 202311714337 A CN202311714337 A CN 202311714337A CN 117408165 A CN117408165 A CN 117408165A
Authority
CN
China
Prior art keywords
fracturing
data
time
event
layer
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.)
Granted
Application number
CN202311714337.4A
Other languages
English (en)
Other versions
CN117408165B (zh
Inventor
袁彬
赵明泽
张伟
鄢尧
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202311714337.4A priority Critical patent/CN117408165B/zh
Publication of CN117408165A publication Critical patent/CN117408165A/zh
Application granted granted Critical
Publication of CN117408165B publication Critical patent/CN117408165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的压裂过程复杂事件智能预警优化方法，属于油藏智能优化压裂领域，其步骤为：获取历史压裂施工参数数据，建立压裂事件数据集和泵压预测数据集；建立压裂过程多类型事件识别预警标准；基于FNN‑LSTM网络结构建立压裂事件识别模型和泵压预测模型并进行训练；基于当前时刻的泵压平均变化率表征不同事件的当前强度，判断事件是否需要优化，建立不同事件强度下的压裂施工参数排量和砂浓度调控标准；本发明能够实现高效精确的压裂过程多类型事件的智能识别与预警优化。

Description

一种基于机器学习的压裂过程复杂事件智能预警优化方法
技术领域
本发明属于油藏智能优化压裂领域，具体涉及一种基于机器学习的压裂过程复杂事件智能预警优化方法。
背景技术
在油气勘探和生产过程中，压裂技术是提高油气产量的关键手段之一，用于增强油气储层的渗透性。在压裂过程中，不同的压裂事件会对储层产生不同的影响，如地层破裂是地层泵压监测的一项重要组成、瞬时停泵压力影响着裂缝形态、砂堵会对压裂生产造成极大的危害等。因此，准确识别与预警优化不同的压裂事件对于油气勘探和生产具有重要意义。目前，传统的识别方法主要是基于人工经验和规则，这类方法耗时、效率低且容易受到人为因素的影响，缺乏智能化和自动化。
发明内容
为了解决上述问题，本发明提出了一种基于机器学习的压裂过程复杂事件智能预警优化方法，首先利用压裂过程泵压实时预测模型，预先预测泵压变化趋势；基于以获得的真实压裂施工数据与预测获得的泵压变化趋势，再利用两种不同的事件识别模型，高效识别预警压裂过程不同事件；之后通过计算泵压平均变化率，依据排量和砂浓度调控标准表，调节排量和砂浓度，最终实现高效的压裂多类型事件优化，设计合理，解决了现有技术的不足，具有良好的效果。
为了实现上述目的，本发明采用如下技术方案：
一种基于机器学习的压裂过程复杂事件智能预警优化方法，包括以下步骤：
步骤1、获取历史压裂施工参数数据，参数包括原始参数和扩展参数，所述原始参数包括时间、泵压、泵排量、砂浓度；
步骤2、建立压裂事件数据集和泵压预测数据集；
步骤3、建立压裂过程多类型事件识别预警标准；
步骤4、设计FNN-LSTM网络结构，基于FNN-LSTM网络结构建立压裂事件识别模型和泵压预测模型；
步骤5、基于训练集和测试集训练压裂事件识别模型和泵压预测模型，得到训练好的压裂事件识别模型和泵压预测模型；
步骤6、基于当前时刻的泵压平均变化率表征不同事件的当前强度，判断事件是否需要优化，建立不同事件强度下的压裂施工参数排量和砂浓度调控标准；
步骤7、将实时采集到的当前时间步的压裂施工参数数据输入到训练好的压裂事件识别模型和泵压预测模型，得到事件类型和泵压预测数据；若需要优化，则根据调控标准对压裂施工参数进行优化，并输出优化后事件优化效果，若不需要优化，则进行下一时间步的预警优化。
进一步地，所述步骤1中，以泵压、泵排量、砂浓度参数为主，根据公式(1)-(3)分别利用大小为5、10、15的计算步长，对原始参数求均值、离差、平均变化率，获得扩展参数；
；（1）
；（2）
；（3）
其中，为时刻序号；为压裂施工初始时刻；为压裂施工第个时刻；为计算步长 大小；为一段压裂数据中数据点个数；为初始时刻的参数数据；为时刻的参数 数据；为前个时间点参数的平均值；为在一定时间段内参数的平均变化率；为 离差，即时刻参数数据与前个时间点参数平均值的差。
进一步地，所述步骤2中，建立压裂事件数据集的具体过程为：
步骤2.1.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据，降低数据噪声，均值滤波表达式为：
；（4）
其中，代表滤波器大小，表示参数的第个数，是参数中的新数值， 表示一段压裂数据中数据点个数；
步骤2.1.2、采用StandardScaler函数消除压裂施工参数数据中奇异样本数据导致的不良影响，StandardScaler函数表达式为：
；（5）
其中，是标准化后的数据，是数据的均值，是数据的标准差；
步骤2.1.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为15的采样滑动窗口进行数据采样，建立压裂事件数据集，并按照9:1的比例随机划分为训练集和测试集。
进一步地，所述步骤2中，建立泵压预测数据集的具体过程为：
步骤2.2.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据，降低数据噪声；
步骤2.2.2、采用MinMaxScaler函数消除压裂施工参数数据中奇异样本数据导致的不良影响，MinMaxScaler函数表达式为：
；（6）
其中，为压裂施工参数的归一化值；为的最小值；为的最大值；
步骤2.2.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为60的采样滑动窗口进行数据采样，建立泵压预测数据集，并按照9:1的比例随机划分为训练集和测试集。
进一步地，所述步骤3包括以下子步骤：
步骤3.1、基于CSV格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为laber1，分类后的时间段包括压裂开始之前的时间段、压裂开始到地层破裂时间段、地层破裂到压裂结束时间段、压裂结束到瞬时停泵时间段、瞬时停泵之后的时间段，压裂开始到地层破裂时间段的开始时刻作为压裂开始事件的识别预警标准，地层破裂到压裂结束时间段的开始时刻作为地层破裂事件的识别预警标准，压裂结束到瞬时停泵时间段的开始时刻作为压裂结束事件的识别预警标准，瞬时停泵之后的时间段的开始时刻作为瞬时停泵事件的识别预警标准；
步骤3.2、基于CSV格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为label2，分类后的时间段包括压裂泵球阶段、盐酸降压阶段、沙堵阶段和暂堵压裂阶段，每个时间段作为相应事件发生的时间段，分别建立压裂泵球事件、盐酸降压事件、沙堵事件和暂堵压裂事件的识别预警标准。
进一步地，建立压裂事件识别模型包括以下步骤：
步骤4.1.1、构建模型结构：基于FNN-LSTM网络结构建立压裂事件识别模型，所述压裂事件识别模型包括输入层、快速傅里叶变换层、卷积层1、最大池化层1、激活函数层1、卷积层2、最大池化层2、激活函数层2、遗忘门、传入门、输出门、更新门、全连接层1和全连接层2；模型输入为原始参数数据和扩展参数数据，模型输出为事件分类情况；
步骤4.1.2、将当前时刻t的输入数据和上一个时间步的隐藏状态经过快速 傅里叶变换层进行快速傅里叶变换处理，将时域的输入数据信号转换为不同频率成分的振 幅和相位信息，转换为振幅信息和相位信息，转换为振幅信息和相位信息；
步骤4.1.3、将振幅和相位信息进行信号融合，即，；
步骤4.1.4、将融合后的信息输入到卷积层1，卷积层1输入通道为1，输出通道为1， 卷积核大小为3，步长为1，填充为1，输出和；将和输入到最大池化层1 中，最大池化核为2，输出和；将和输入到激活函数层1中， 利用ReLU激活函数，将和进行非线性变换，得到和；
步骤4.1.5、将和输入到卷积层2，卷积层2输入通道为1，输出通道为1，卷 积核大小为3，步长为1，填充为1，输出和；将和输入到最大池化层2 中，最大池化核为2，输出和；将和输入到激活函数层2中， 利用ReLU激活函数，将和进行非线性变换，得到和；
步骤4.1.6、将和分别输入到遗忘门、传入门、更新门和输出门中，表达式 为：
；（7）
；（8）
；（9）
；（10）
其中，为遗忘门输出，为传入门输出，为更新门输出，为输出门输出；、、分别表示上一个时间步的细胞状态与遗忘门、传入门和输出门相关的权重矩 阵；、、、分别表示遗忘门、传入门、输出门和更新门的偏置向量；
步骤4.1.7、基于上一个时间步的细胞状态，获取当前时间步的细胞状态，表 达式为：
；（11）
其中，表示逐元素相乘操作；
步骤4.1.8、计算当前时间步的隐藏状态，表达式为：
；（12）
步骤4.1.9、将作为全连接层1和全连接层2的输入数据，获取数据分类结果。
进一步地，所述步骤4.1.9包括以下子步骤：
步骤4.1.9.1、将当前时间步的隐藏状态作为全连接层1的输入数据，之后经过 Softmax激活函数将全连接层1的输出转换为表示各个事件类别概率的向量，识别压裂开 始、地层破裂、压裂结束和瞬时停泵事件；
步骤4.1.9.2、将当前时间步的隐藏状态作为全连接层2的输入数据，之后经过 Softmax激活函数将全连接层2的输出转换为表示各个事件类别概率的向量，识别泵球、盐 酸降压、暂堵压裂和砂堵事件。
进一步地，所述步骤4中，建立泵压预测模型包括以下步骤：
步骤4.2.1、构建模型结构：基于FNN-LSTM网络结构建立泵压预测模型，所述泵压预测模型包括输入层、快速傅里叶变换层、卷积层1、最大池化层1、激活函数层1、卷积层2、最大池化层2、激活函数层2、遗忘门、传入门、输出门、更新门和全连接层；模型输入为原始参数数据和扩展参数数据，模型输出为泵压预测数据；
步骤4.2.2、将当前时刻t的输入数据和上一个时间步的隐藏状态经过快速 傅里叶变换层进行快速傅里叶变换处理，将时域的输入数据信号转换为不同频率成分的振 幅和相位信息，转换为振幅信息和相位信息，转换为振幅信息和相位信息；
步骤4.2.3、将振幅和相位信息进行信号融合，即，；
步骤4.2.4、将融合后的信息依次输入到卷积层1、最大池化层1和激活函数层1中， 得到和；
步骤4.2.5、将和依次输入到卷积层2、最大池化层2和激活函数层2中，得 到和；
步骤4.2.6、将和分别输入到遗忘门、传入门、更新门和输出门中，得到遗 忘门输出、传入门输出、更新门输出和输出门输出；
步骤4.2.7、基于上一个时间步的细胞状态，获取当前时间步的细胞状态；
步骤4.2.8、计算当前时间步的隐藏状态；
步骤4.2.9、将作为全连接层的输入数据，输出未来30s泵压。
进一步地，所述步骤5中，训练压裂事件识别模型包括以下子步骤：
步骤5.1.1、选择训练超参数：输入数据维度为15×19，迭代次数为100次，1次训练所抓取的数据样本数为50，优化器为Adam优化器，学习率为0.001，学习率下降率为0.92；
步骤5.1.2、利用步骤2.1.4获得的训练集和测试集迭代训练压裂事件识别模型和泵压预测模型，直至到达设置的最大迭代训练次数，得到训练好的压裂事件识别模型和泵压预测模型；
训练泵压预测模型包括以下子步骤：
步骤5.2.1、选择训练超参数：输入数据维度为60×19，迭代次数为300次，1次训练所抓取的数据样本数为50，优化器为Adam优化器，学习率为0.001；
步骤5.2.2、利用步骤2获得的训练集和测试集迭代训练压裂事件识别模型和泵压预测模型，直至到达设置的最大迭代训练次数，得到训练好的压裂事件识别模型和泵压预测模型。
进一步地，步骤6中，当前时刻t泵压平均变化率的计算公式为：
；（13）
其中，为时间步长，；为（t+30）时刻的泵压数据，为（t-90）时刻的泵 压数据。
本发明所带来的有益技术效果为：
本发明耦合多种神经网络模型建立了压裂多类型事件智能识别与预警优化方法，大幅提升压裂施工过程事件预警与优化效率；深度学习方法是一种精准高效的数据分类、数据拟合方法，因此本发明采用时序数据预测方法建立了压裂过程实时泵压预测模型，利用数据分类思想建立了压裂过程“点”类事件识别模型，应用图像语义分割方法建立了压裂过程“阶段”类事件识别模型，最终耦合泵压平均变化率和压裂施工参数调控标准，实现压裂过程多类型事件的智能识别与预警优化；
本发明利用深度学习方法为压裂事件的预警和压裂施工参数的优化提供了高效精准的方法；相对于传统双对数曲线法、人工识别方法以及其他神经网络压裂识别模型，本发明摒弃了人为因素的干扰，极大降低了数值模型计算耗时，并提供了压裂过程实时预警和优化，具有自动识别、高效预警和智能优化三种优点；
本发明采用数据标准化、归一化和均值滤波器等数据处理方式预处理CSV.压裂施工数据，消除参数不同量纲影响，并降低原始压裂数据中噪声干扰；利用图像增强等技术预处理JPG压裂施工曲线，增强图像不同区域特征信息。
附图说明
图1为本发明中压裂过程复杂事件智能预警优化方法的流程图。
图2为本发明中压裂开始事件和地层破裂事件的时间戳数据分类图。
图3为本发明中压裂结束事件和瞬时停泵事件的时间戳数据分类图。
图4为本发明中泵球事件的时间戳数据分类图。
图5为本发明中盐酸降压事件的时间戳数据分布图。
图6为本发明中暂堵压裂事件的时间戳数据分布图。
图7为本发明中沙堵事件的时间戳数据分布图。
图8为本发明中压裂事件识别模型结构示意图。
图9为本发明中构建压裂事件识别模型的流程图。
图10为本发明中构建泵压预测模型的流程图。
图11为本发明实施例中压裂开始、地层破裂、压裂结束和瞬时停泵事件的识别结果图。
图12为本发明实施例中泵球、暂堵压裂事件识别结果图。
图13为本发明实施例中压裂过程泵压实时预测结果图。
图14为图13中时间为100s~130s时的泵压实时预测结果图。
图15为图13中时间为570s~600s时的泵压实时预测结果图。
图16为本发明实施例中沙堵事件预警优化结果图。
具体实施方式
本发明提出了一种基于机器学习的压裂过程复杂事件智能预警优化方法，为了使本发明的优点、技术方案更加清楚、明确，下面结合具体实施例对本发明做详细说明。
一种基于机器学习的压裂过程复杂事件智能预警优化方法，如图1所示，包括以下步骤：
步骤1、获取历史压裂施工参数数据，参数包括原始参数和扩展参数，原始参数包括时间、泵压、泵排量、砂浓度；
以泵压、泵排量、砂浓度参数为主，根据公式(1)-(3)分别利用大小为5、10、15的计算步长，对原始参数求均值、离差、平均变化率，获得扩展参数；
；（1）
；（2）
；（3）
其中，为时刻序号；为压裂施工初始时刻；为压裂施工第个时刻；为计算步长 大小；为一段压裂数据中数据点个数；为初始时刻的参数数据；为时刻的参数 数据；为前个时间点参数的平均值；为在一定时间段内参数的平均变化率；为 离差，即时刻参数数据与前个时间点参数平均值的差。
原始参数和扩展参数作为输入参数，如表1所示：
表1 模型输入参数表；
。
步骤2、建立压裂事件数据集和泵压预测数据集；
建立压裂事件数据集具体过程为：
步骤2.1.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据中，降低数据噪声，均值滤波表达式为：
；（4）
其中，代表滤波器大小，表示参数的第个数，是参数中的新数值， 表示一段压裂数据中数据点个数；
步骤2.1.2、采用标准化技术StandardScaler函数消除压裂施工数据中奇异样本数据导致的不良影响，StandardScaler函数表达式为：
；（5）
其中，是标准化后的数据，是数据的均值，是数据的标准差；
步骤2.1.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为15的采样滑动窗口进行数据采样，建立压裂事件数据集，并按照9:1的比例随机划分为训练集和测试集。
建立泵压预测数据集的具体过程为：
步骤2.2.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据，降低数据噪声；
步骤2.2.2、采用MinMaxScaler函数消除压裂施工数据中奇异样本数据导致的不良影响，MinMaxScaler函数表达式为：
；（6）
其中，为压裂施工参数的归一化值；为的最小值；为的最大值；
步骤2.2.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为60的采样滑动窗口进行数据采样，建立泵压预测数据集，并按照9:1的比例随机划分为训练集和测试集。
步骤3、建立压裂过程多类型事件识别预警标准；
步骤3包括以下子步骤：
步骤3.1、基于CSV格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为laber1，分别建立压裂开始事件、地层破裂事件、压裂结束和瞬时停泵事件的识别预警标准；分类后的时间段包括压裂开始之前的时间段、压裂开始到地层破裂时间段、地层破裂到压裂结束时间段、压裂结束到瞬时停泵时间段、瞬时停泵之后的时间段，如表2所示；压裂开始到地层破裂时间段的开始时刻作为压裂开始事件的识别预警标准，地层破裂到压裂结束时间段的开始时刻作为地层破裂事件的识别预警标准，压裂结束到瞬时停泵时间段的开始时刻作为压裂结束事件的识别预警标准，瞬时停泵之后的时间段的开始时刻作为瞬时停泵事件的识别预警标准，如图2和3所示；
表2 CSV时间戳数据中压裂开始/结束、地层破裂和瞬时停泵事件分类表；
；
步骤3.2、基于CSV格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为label2，分类后的时间段包括压裂泵球阶段、盐酸降压阶段、沙堵阶段和暂堵压裂阶段，如表3所示；每个时间段作为相应事件发生的时间段，分别建立压裂泵球事件、盐酸降压事件、沙堵事件和暂堵压裂事件的识别预警标准，如图4-7所示；
表3 CSV.时间戳数据中泵球、盐酸降压、暂堵压裂和砂堵事件分类表；
。
步骤4、设计FNN-LSTM网络结构，FNN为傅里叶神经网络，LSTM为长短期记忆网络，基于FNN-LSTM网络结构建立压裂事件识别模型和泵压预测模型，如图8-10所示；
建立压裂事件识别模型具体为：
步骤4.1.1、构建模型结构：基于FNN-LSTM网络结构建立压裂事件识别模型，压裂事件识别模型包括输入层、快速傅里叶变换层、卷积层1、最大池化层1、激活函数层1、卷积层2、最大池化层2、激活函数层2、遗忘门、传入门、输出门、更新门、全连接层1和全连接层2；模型输入为原始参数数据和扩展参数数据，输出为事件分类情况；
步骤4.1.2、将当前时刻t的输入数据和上一个时间步的隐藏状态经过快速 傅里叶变换层进行快速傅里叶变换（FFT）处理，将时域的输入数据信号转换为不同频率成 分的振幅和相位信息，转换为振幅信息和相位信息，转换为振幅信 息和相位信息；
步骤4.1.3、将振幅和相位信息进行信号融合，即，；
步骤4.1.4、将融合后的信息输入到卷积层1，卷积层1输入通道为1，输出通道为1， 卷积核大小为3，步长为1，填充为1，输出和，其中，；
将和输入到最大池化层1中，实现计算结果的特征进行空间上的下采 样，最大池化核为2，输出和，其中，；
将和输入到激活函数层1中，利用ReLU激活函数，将和进行非线性变换，得到和，ReLU激活函数将小于零的值设为零，保持大于 等于零的值不变，从而增强网络的表示能力和非线性建模能力，其中，；
步骤4.1.5、将和输入到卷积层2，卷积层2输入通道为1，输出通道为1，卷 积核大小为3，步长为1，填充为1，输出和 ，其中，；
将和输入到最大池化层2中，实现计算结果的特征进行空间上的下采 样，最大池化核为2，输出和，，；
将和输入到激活函数层2中，利用ReLU激活函数，将和进行非线性变换，得到和，，；
步骤4.1.6、将和分别输入到遗忘门、传入门、更新门和输出门中，表达式 为：
；（7）
；（8）
；（9）
；（10）
其中，为遗忘门输出，为传入门输出，为更新门输出，为输出门输出；、、分别表示上一个时间步的细胞状态与遗忘门、传入门和输出门相关的权重矩 阵，图8中代表四个不同的权重矩阵；、、、分别表示遗忘门、传入门、输出门和更 新门的偏置向量，图8中的代表四个不同的偏置向量；
步骤4.1.7、基于上一个时间步的细胞状态，获取当前时间步的细胞状态，表 达式为：
；（11）
其中，表示逐元素相乘操作；
步骤4.1.8、计算当前时间步的隐藏状态，表达式为：
；（12）
步骤4.1.9、将作为全连接层1和全连接层2的输入数据，获取事件分类结果；
步骤4.1.9.1、将当前时间步的隐藏状态作为全连接层1的输入数据，之后经过 Softmax激活函数将全连接层1的输出转换为表示各个事件类别概率的向量，识别压裂开 始、地层破裂、压裂结束和瞬时停泵事件；
步骤4.1.9.2、将当前时间步的隐藏状态作为全连接层2的输入数据，之后经过 Softmax激活函数将全连接层2的输出转换为表示各个事件类别概率的向量，识别泵球、盐 酸降压、暂堵压裂和砂堵事。
建立泵压预测模型包括以下步骤：
步骤4.2.1、构建模型结构：基于FNN-LSTM网络结构建立泵压预测模型，利用前60s压裂施工数据自动生成后30 s泵压数据，提前预判泵压变化，泵压预测模型包括输入层、快速傅里叶变换层、卷积层1、最大池化层1、激活函数层1、卷积层2、最大池化层2、激活函数层2、遗忘门、传入门、输出门、更新门和全连接层；模型输入为原始参数数据和扩展参数数据，模型输出为泵压预测数据；
步骤4.2.2、将当前时刻t的输入数据和上一个时间步的隐藏状态经过快速 傅里叶变换层进行快速傅里叶变换处理，将时域的输入数据信号转换为不同频率成分的振 幅和相位信息，转换为振幅信息和相位信息，转换为振幅信息和相位信息；
步骤4.2.3、将振幅和相位信息进行信号融合，即，；
步骤4.2.4、将融合后的信息依次输入到卷积层1、最大池化层1和激活函数层1中， 得到和；
步骤4.2.5、将和依次输入到卷积层2、最大池化层2和激活函数层2中，得 到和；
步骤4.2.6、将和分别输入到遗忘门、传入门、更新门和输出门中，得到遗 忘门输出、传入门输出、更新门输出和输出门输出；
步骤4.2.7、基于上一个时间步的细胞状态，获取当前时间步的细胞状态；
步骤4.2.8、计算当前时间步的隐藏状态；
步骤4.2.9、将作为全连接层输入数据，输出未来30s泵压。
步骤5、基于训练集和测试集训练压裂事件识别模型和泵压预测模型，得到训练好的压裂事件识别模型和泵压预测模型；
训练压裂事件识别模型具体为：
步骤5.1.1、选择训练超参数：输入数据维度为15×19，迭代次数为100次，1次训练所抓取的数据样本数（Batch_size）为50，优化器为Adam优化器，学习率为0.001，学习率下降率为0.92；
步骤5.1.2、利用步骤2.1.4获得的训练集和测试集迭代训练压裂事件识别模型和泵压预测模型，直至到达设置的最大迭代训练次数，得到最优模型权重，从而得到训练好的压裂事件识别模型，如图9所示。
训练泵压预测模型具体为：
步骤5.2.1、选择训练超参数：输入数据维度为60×19，迭代次数为300次，1次训练所抓取的数据样本数（Batch_size）为50，优化器为Adam优化器，学习率为0.001；
步骤5.2.2、利用大小为5的均值滤波器对每个时间步泵压预测数据进行后处理；
步骤5.2.3、利用步骤2.2.4获得的训练集和测试集迭代训练泵压预测模型，直至到达设置的最大迭代训练次数，得到最优模型权重，从而得到训练好的泵压预测模型，如图10所示。
步骤6、基于当前时刻的泵压平均变化率表征不同事件的当前强度，判断事件是否需要优化，建立不同事件强度下的压裂施工参数排量和砂浓度调控标准，如表4所示；
表4 基于泵压平均变化率的排量和砂浓度调控标准表；
；
根据排量和砂浓度的调整效果选择调整排量还是砂浓度。
当前时刻t泵压平均变化率的计算公式为：
；（13）
其中，为时间步长，=120s；为（t+30）时刻的泵压数据，为（t-90）时刻的泵 压数据。
步骤7、将实时采集到的当前时间步的压裂施工参数数据输入到训练好的压裂事件识别模型和泵压预测模型，得到事件类型和泵压预测数据；若需要优化，则根据调控标准对压裂施工参数进行优化，并输出优化后事件优化效果，若不需要优化，则进行下一时间步的预警优化。
为了证明本发明的可行性与优越性，给出如下实施例：
将上述模型和方法应用于页岩气水平井压裂施工事件诊断及优化，其中第5段压裂施工过程中的压裂开始/结束、地层破裂和瞬时停泵事件识别结果如图11所示，第8段压裂施工过程中泵球和暂堵压裂事件识别结果如图12所示，第10段压裂施工过程中泵压实时预测结果如图13~15所示，第19段压裂施工过程中泵球和砂堵事件识别结果及通过优化排量和砂浓度使得砂堵事件得到优化结果如图16所示。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (10)

1.一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，包括以下步骤：
步骤1、获取历史压裂施工参数数据，参数包括原始参数和扩展参数，所述原始参数包括时间、泵压、泵排量、砂浓度；
步骤2、建立压裂事件数据集和泵压预测数据集；
步骤3、建立压裂过程多类型事件识别预警标准；
步骤4、设计FNN-LSTM网络结构，基于FNN-LSTM网络结构建立压裂事件识别模型和泵压预测模型；
步骤5、基于训练集和测试集训练压裂事件识别模型和泵压预测模型，得到训练好的压裂事件识别模型和泵压预测模型；
步骤6、基于当前时刻的泵压平均变化率表征不同事件的当前强度，判断事件是否需要优化，建立不同事件强度下的压裂施工参数排量和砂浓度调控标准；
步骤7、将实时采集到的当前时间步的压裂施工参数数据输入到训练好的压裂事件识别模型和泵压预测模型，得到事件类型和泵压预测数据；若需要优化，则根据调控标准对压裂施工参数进行优化，并输出优化后事件优化效果，若不需要优化，则进行下一时间步的预警优化。
2.根据权利要求1所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤1中，以泵压、泵排量、砂浓度参数为主，根据公式(1)-(3)分别利用大小为5、10、15的计算步长，对原始参数求均值、离差、平均变化率，获得扩展参数；
；（1）
；（2）
；（3）
其中，为时刻序号；/>为压裂施工初始时刻；/>为压裂施工第/>个时刻；/>为计算步长大小；/>为一段压裂数据中数据点个数；/>为初始时刻的参数数据；/>为/>时刻的参数数据；/>为前/>个时间点参数的平均值；/>为在一定时间段内参数的平均变化率；/>为离差，即/>时刻参数数据与前/>个时间点参数平均值的差。
3.根据权利要求1所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤2中，建立压裂事件数据集的具体过程为：
步骤2.1.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据，降低数据噪声，均值滤波表达式为：
；（4）
其中，代表滤波器大小，/>表示参数/>的第/>个数，/>是参数/>中的新数值，/>表示一段压裂数据中数据点个数；
步骤2.1.2、采用StandardScaler函数消除压裂施工参数数据中奇异样本数据导致的不良影响，StandardScaler函数表达式为：
；（5）
其中，是标准化后的数据，/>是数据的均值，/>是数据的标准差；
步骤2.1.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为15的采样滑动窗口进行数据采样，建立压裂事件数据集，并按照9:1的比例随机划分为训练集和测试集。
4.根据权利要求3所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤2中，建立泵压预测数据集的具体过程为：
步骤2.2.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据，降低数据噪声；
步骤2.2.2、采用MinMaxScaler函数消除压裂施工参数数据中奇异样本数据导致的不良影响，MinMaxScaler函数表达式为：
；（6）
其中，为压裂施工参数/>的归一化值；/>为/>的最小值；/>为/>的最大值；
步骤2.2.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为60的采样滑动窗口进行数据采样，建立泵压预测数据集，并按照9:1的比例随机划分为训练集和测试集。
5.根据权利要求4所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤3包括以下子步骤：
步骤3.1、基于CSV格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为laber1，分类后的时间段包括压裂开始之前的时间段、压裂开始到地层破裂时间段、地层破裂到压裂结束时间段、压裂结束到瞬时停泵时间段、瞬时停泵之后的时间段，压裂开始到地层破裂时间段的开始时刻作为压裂开始事件的识别预警标准，地层破裂到压裂结束时间段的开始时刻作为地层破裂事件的识别预警标准，压裂结束到瞬时停泵时间段的开始时刻作为压裂结束事件的识别预警标准，瞬时停泵之后的时间段的开始时刻作为瞬时停泵事件的识别预警标准；
步骤3.2、基于CSV格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为label2，分类后的时间段包括压裂泵球阶段、盐酸降压阶段、沙堵阶段和暂堵压裂阶段，每个时间段作为相应事件发生的时间段，分别建立压裂泵球事件、盐酸降压事件、沙堵事件和暂堵压裂事件的识别预警标准。
6.根据权利要求5所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤4中，建立压裂事件识别模型包括以下步骤：
步骤4.1.1、构建模型结构：基于FNN-LSTM网络结构建立压裂事件识别模型，所述压裂事件识别模型包括输入层、快速傅里叶变换层、卷积层1、最大池化层1、激活函数层1、卷积层2、最大池化层2、激活函数层2、遗忘门、传入门、输出门、更新门、全连接层1和全连接层2；模型输入为原始参数数据和扩展参数数据，模型输出为事件分类情况；
步骤4.1.2、将当前时刻t的输入数据和上一个时间步的隐藏状态/>经过快速傅里叶变换层进行快速傅里叶变换处理，将时域的输入数据信号转换为不同频率成分的振幅和相位信息，/>转换为振幅信息/>和相位信息/>，/>转换为振幅信息/>和相位信息/>；
步骤4.1.3、将振幅和相位信息进行信号融合，即，；
步骤4.1.4、将融合后的信息输入到卷积层1，卷积层1输入通道为1，输出通道为1，卷积核大小为3，步长为1，填充为1，输出和/>；将/>和/>输入到最大池化层1中，最大池化核为2，输出/>和/>；将/>和/>输入到激活函数层1中，利用ReLU激活函数，将/>和/>进行非线性变换，得到/>和/>；
步骤4.1.5、将和/>输入到卷积层2，卷积层2输入通道为1，输出通道为1，卷积核大小为3，步长为1，填充为1，输出/>和/>；将/>和/>输入到最大池化层2中，最大池化核为2，输出/>和/>；将/>和/>输入到激活函数层2中，利用ReLU激活函数，将/>和/>进行非线性变换，得到/>和/>；
步骤4.1.6、将和/>分别输入到遗忘门、传入门、更新门和输出门中，表达式为：
；（7）
；（8）
；（9）
；（10）
其中，为遗忘门输出，/>为传入门输出，/>为更新门输出，/>为输出门输出；/>、/>、分别表示上一个时间步的细胞状态/>与遗忘门、传入门和输出门相关的权重矩阵；/>、/>、/>、/>分别表示遗忘门、传入门、输出门和更新门的偏置向量；
步骤4.1.7、基于上一个时间步的细胞状态，获取当前时间步的细胞状态/>，表达式为：
；（11）
其中，表示逐元素相乘操作；
步骤4.1.8、计算当前时间步的隐藏状态，表达式为：
；（12）
步骤4.1.9、将作为全连接层1和全连接层2的输入数据，获取数据分类结果。
7.根据权利要求6所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤4.1.9包括以下子步骤：
步骤4.1.9.1、将当前时间步的隐藏状态作为全连接层1的输入数据，之后经过Softmax激活函数将全连接层1的输出转换为表示各个事件类别概率的向量，识别压裂开始、地层破裂、压裂结束和瞬时停泵事件；
步骤4.1.9.2、将当前时间步的隐藏状态作为全连接层2的输入数据，之后经过Softmax激活函数将全连接层2的输出转换为表示各个事件类别概率的向量，识别泵球、盐酸降压、暂堵压裂和砂堵事件。
8.根据权利要求7所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤4中，建立泵压预测模型包括以下步骤：
步骤4.2.1、构建模型结构：基于FNN-LSTM网络结构建立泵压预测模型，所述泵压预测模型包括输入层、快速傅里叶变换层、卷积层1、最大池化层1、激活函数层1、卷积层2、最大池化层2、激活函数层2、遗忘门、传入门、输出门、更新门和全连接层；模型输入为原始参数数据和扩展参数数据，模型输出为泵压预测数据；
步骤4.2.2、将当前时刻t的输入数据和上一个时间步的隐藏状态/>经过快速傅里叶变换层进行快速傅里叶变换处理，将时域的输入数据信号转换为不同频率成分的振幅和相位信息，/>转换为振幅信息/>和相位信息/>，/>转换为振幅信息/>和相位信息/>；
步骤4.2.3、将振幅和相位信息进行信号融合，即，；
步骤4.2.4、将融合后的信息依次输入到卷积层1、最大池化层1和激活函数层1中，得到和/>；
步骤4.2.5、将和/>依次输入到卷积层2、最大池化层2和激活函数层2中，得到和/>；
步骤4.2.6、将和/>分别输入到遗忘门、传入门、更新门和输出门中，得到遗忘门输出/>、传入门输出/>、更新门输出/>和输出门输出/>；
步骤4.2.7、基于上一个时间步的细胞状态，获取当前时间步的细胞状态/>；
步骤4.2.8、计算当前时间步的隐藏状态；
步骤4.2.9、将作为全连接层的输入数据，输出未来30s泵压。
9.根据权利要求8所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤5中，训练压裂事件识别模型包括以下子步骤：
步骤5.1.1、选择训练超参数：输入数据维度为15×19，迭代次数为100次，1次训练所抓取的数据样本数为50，优化器为Adam优化器，学习率为0.001，学习率下降率为0.92；
步骤5.1.2、利用步骤2.1.4获得的训练集和测试集迭代训练压裂事件识别模型和泵压预测模型，直至到达设置的最大迭代训练次数，得到训练好的压裂事件识别模型和泵压预测模型；
训练泵压预测模型包括以下子步骤：
步骤5.2.1、选择训练超参数：输入数据维度为60×19，迭代次数为300次，1次训练所抓取的数据样本数为50，优化器为Adam优化器，学习率为0.001；
步骤5.2.2、利用步骤2获得的训练集和测试集迭代训练压裂事件识别模型和泵压预测模型，直至到达设置的最大迭代训练次数，得到训练好的压裂事件识别模型和泵压预测模型。
10.根据权利要求9所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，步骤6中，当前时刻t泵压平均变化率的计算公式为：
；（13）
其中，为时间步长，/>；/>为（t+30）时刻的泵压数据，/>为（t-90）时刻的泵压数据。
CN202311714337.4A 2023-12-14 2023-12-14 一种基于机器学习的压裂过程复杂事件智能预警优化方法 Active CN117408165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311714337.4A CN117408165B (zh) 2023-12-14 2023-12-14 一种基于机器学习的压裂过程复杂事件智能预警优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311714337.4A CN117408165B (zh) 2023-12-14 2023-12-14 一种基于机器学习的压裂过程复杂事件智能预警优化方法

Publications (2)

Publication Number Publication Date
CN117408165A true CN117408165A (zh) 2024-01-16
CN117408165B CN117408165B (zh) 2024-03-15

Family

ID=89489375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311714337.4A Active CN117408165B (zh) 2023-12-14 2023-12-14 一种基于机器学习的压裂过程复杂事件智能预警优化方法

Country Status (1)

Country Link
CN (1) CN117408165B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117489290A (zh) * 2023-12-14 2024-02-02 江苏宏泰石化机械有限公司 一种远程调节的开合度可调式压裂井口及其调控方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516735A (zh) * 2019-08-27 2019-11-29 天津科技大学 一种基于LSTM网络和Adam算法的天然气管道事件分类方法
CN110533163A (zh) * 2019-08-02 2019-12-03 中国石油集团长城钻探工程有限公司 基于长短时记忆神经网络的压裂砂堵预警方法
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN114398786A (zh) * 2022-01-18 2022-04-26 中国石油大学(北京) 压裂施工压力预测模型建立方法及装置、预测方法及装置
CN116383722A (zh) * 2023-06-05 2023-07-04 青岛理工大学 一种基于门控循环单元神经网络的压裂措施过程监控方法
WO2023151072A1 (zh) * 2022-02-14 2023-08-17 烟台杰瑞石油装备技术有限公司 砂堵预测方法、装置、设备及存储介质
US20230296800A1 (en) * 2022-07-11 2023-09-21 Yikang Zheng DAS Same-Well Monitoring Real-Time Microseismic Effective Event Identification Method Based on Deep Learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533163A (zh) * 2019-08-02 2019-12-03 中国石油集团长城钻探工程有限公司 基于长短时记忆神经网络的压裂砂堵预警方法
CN110516735A (zh) * 2019-08-27 2019-11-29 天津科技大学 一种基于LSTM网络和Adam算法的天然气管道事件分类方法
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN114398786A (zh) * 2022-01-18 2022-04-26 中国石油大学(北京) 压裂施工压力预测模型建立方法及装置、预测方法及装置
WO2023151072A1 (zh) * 2022-02-14 2023-08-17 烟台杰瑞石油装备技术有限公司 砂堵预测方法、装置、设备及存储介质
US20230296800A1 (en) * 2022-07-11 2023-09-21 Yikang Zheng DAS Same-Well Monitoring Real-Time Microseismic Effective Event Identification Method Based on Deep Learning
CN116383722A (zh) * 2023-06-05 2023-07-04 青岛理工大学 一种基于门控循环单元神经网络的压裂措施过程监控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘巍;刘威;谷建伟;: "基于机器学习方法的油井日产油量预测", 石油钻采工艺, no. 01, 20 January 2020 (2020-01-20) *
袁彬等: "水平井压裂多类型复杂事件智能识别与预警方法", 石油勘探与开发, 26 July 2023 (2023-07-26) *
谷建伟;任燕龙;王依科;刘巍;: "基于机器学习的平面剩余油分布预测方法", 中国石油大学学报(自然科学版), no. 04, 30 July 2020 (2020-07-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117489290A (zh) * 2023-12-14 2024-02-02 江苏宏泰石化机械有限公司 一种远程调节的开合度可调式压裂井口及其调控方法
CN117489290B (zh) * 2023-12-14 2024-03-01 江苏宏泰石化机械有限公司 一种远程调节的开合度可调式压裂井口及其调控方法

Also Published As

Publication number Publication date
CN117408165B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN117408165B (zh) 一种基于机器学习的压裂过程复杂事件智能预警优化方法
CN109272146B (zh) 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN110443488A (zh) 基于卷积神经网络的钻井溢漏风险识别方法、系统及设备
CN112468326B (zh) 基于时间卷积神经网络的访问流量预测方法
CN114034486A (zh) 基于无监督迁移学习的泵类机械设备轴承故障诊断方法
CN114218872A (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN110264041A (zh) 一种基于差分的非侵入式负载分解及监测方法
CN112686093A (zh) 一种基于ds证据理论的融合局部放电类型识别方法
CN115618987A (zh) 生产井生产数据预测方法、装置、设备和存储介质
CN116777452B (zh) 智能电表的预付费系统及其方法
CN111127104A (zh) 一种商品销量预测方法及系统
CN115238602B (zh) 一种波致海床瞬态液化对再悬浮贡献率的预测方法
CN111401140B (zh) 一种边缘计算环境下智能视频监控系统的离线学习方法
CN115874993A (zh) 一种基于人工智能的页岩气井生产控制方法、设备和系统
CN114615010A (zh) 一种基于深度学习的边缘服务器端入侵防御系统设计方法
Hao et al. Time-domain neural network approach for speech bandwidth extension
CN117408168B (zh) 一种融合物理条件约束的压裂裂缝扩展快速预测方法
CN115758249A (zh) 一种非侵入负荷辨识方法及装置
Yu et al. Fault diagnosis method for submersible reciprocating pumping unit based on deep belief network
CN117668743B (zh) 一种关联时空关系的时序数据预测方法
CN116976146B (zh) 耦合物理驱动和数据驱动的压裂井产量预测方法与系统
CN104766221A (zh) 流量精细化营销参数的选取方法
CN114757111B (zh) 一种基于数字孪生技术的智能装备健康管理方法
CN116384574A (zh) 一种基于w-lstm的非参数负荷区间预测方法
CN116384770A (zh) 一种提液井产量预测方法、系统、设备及介质

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