一种基于深度学习的井筒积液预测方法技术

本发明专利技术提供一种基于深度学习的井筒积液预测方法，包括：S1、获取SCADA生产高频数据并对其进行降维；S2、将降维后的SCADA生产高频数据与A2数据和地质参数数据进行特征融合，得到融合后的特征向量；S3、利用融合后的特征向量进行数据建模并进行训练，计算重构误差向量；S4、根据重构误差向量计算动态阈值，并根据动态阈值判断井筒是否积液。本发明专利技术实现了基于深度学习的井筒积液预测，其中采用秒级数据作为特征，使得模型不仅仅只关注天与天之间的数据波动，也考虑到天内数据波动情况，能捕捉到更加细微的数据变化；并且采用动态阈值的方法对积液进行预测，能够解决在实际工业生产中出现相较于正常状态下的较大的数据波动时，也能够使得模型不会进行误判。使得模型不会进行误判。使得模型不会进行误判。

【技术实现步骤摘要】
一种基于深度学习的井筒积液预测方法


[0001]本专利技术涉及气井开发
，具体而言，涉及一种基于深度学习的井筒积液预测方法。

技术介绍

[0002]气井积液是指气井中由于气体不能有效携带出液体而使液体在井筒中聚积的现象。气井在生产过程中，气液两相由地层流出，经由井筒采出地面。生产早期，气井产气量高，气液两相以环状流向上流动，液体以夹带于气芯中的液滴和贴附于管壁的液膜携液。随着地层压力下降，气井产气量降低，导致井筒中液体(液滴/液膜)流动反转不能被带出地面从而发生积液。现场试井作业表明，井筒积液导致井筒压力梯度大幅度增加，从而使得产量递减幅度增大，影响气井最终采收率。因此，准确预测气井积液时间并及时采取排水采气工艺措施对维持低产气井稳产生产具有重大意义。而目前对于采气工艺及积液的预测还存在以下问题：
[0003]1、两相流机理复杂，各模型结果差异大，难以指导措施开展。井筒轨迹复杂，两相流模拟难度大，难以准确计算井筒压力、温度分布。
[0004]2、目前气井积液研究众多，但对其机理认识莫衷一是，不同预测模型计算值之间偏差很大，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的井筒积液预测方法，其特征在于，包括如下步骤：S1、获取SCADA生产高频数据并对其进行降维；S2、将降维后的SCADA生产高频数据与A2数据和地质参数数据进行特征融合，得到融合后的特征向量；S3、利用融合后的特征向量进行数据建模并进行训练，计算重构误差向量；S4、根据重构误差向量计算动态阈值，并根据动态阈值判断井筒是否积液。2.根据权利要求1所述的基于深度学习的井筒积液预测方法，其特征在于，步骤S1中对SCADA生产高频数据进行降维的方法为：利用自编码器将获取的SCADA生产高频数据的时间维度降低到指定维度；其中，所述自编码器包括多层LSTM网络，每层LSTM网络具有不同的隐藏单元，每层LSTM网络对SCADA生产高频数据进行不同维度的特征提取。3.根据权利要求2所述的基于深度学习的井筒积液预测方法，其特征在于，步骤S2中利用Concat操作将降维后的SCADA生产高频数据与A2数据和地质参数数据进行特征融合。4.根据权利要求3所述的基于深度学习的井筒积液预测方法，其特征在于，步骤S3中利用融合后的特征进行数据建模并进行训练的方法包括：S31、构建具有多头注意力机制的Transformer模型，所述Transformer模型包括若干个并行的缩放点乘注意力模块；每个所述缩放点乘注意力模块基于编码
‑
解码的架构，由一个编码器和一个解码器构成；所述编码器和解码器内部均使用多头注意力机制搭建，每个多头注意力机制间由特征融合层与前向传播层连接；S32、每个缩放点乘注意力模块利用缩放点乘注意力机制对融合后的特征计算Q(queries)、K(keys)、V(values)，再根据计算结果进行缩放点乘注意力计算，从而完成数据建模；其中，Q(queries)为每条数据想要查询的内容，K(keys)为每条数据关键字，V(values)为每条数据的内容；S33、使用井筒未积液时间段的数据，先对所述井筒未积液时间段的数据采取步骤S2进行特征融合，再将得到的特征向量作为输入特征对步骤S32完成数据建模后构建的模型进行训练。5.根据权利要求4所述的基于深度学习的井筒积液预测方法，其特征在于，步骤S32中所述利用缩放点乘注意力机制对步骤S2得到的融合后的特征计算Q(queries)、K(keys)、V(values)的方法为：Q＝W
q
y`
t
；K＝W
k<...

【专利技术属性】
技术研发人员：刘军，杨学锋，胡南，朱怡辉，梁谷，段洋，李琴，贾艳芬，董莎，舒茂迪，万翠容，陈丽清，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：