压裂施工压力预测模型建立方法及装置、预测方法及装置制造方法及图纸

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。准确性。准确性。

【技术实现步骤摘要】
压裂施工压力预测模型建立方法及装置、预测方法及装置


[0001]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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]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。
[0006]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：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]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：
[0012]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；
[0013]对所述非等长数据组进行数据填充处理，得到输入样本。
[0014]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：
[0015]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；
[0016]将最短的数据序列用占位符填充至与最长数据序列等长。
[0017]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；
[0018]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；
[0019]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；
[0020]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；
[0021]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。
[0022]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：
[0023]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；
[0024]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；
[0025]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；
[0026]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。
[0027]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：
[0028]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；
[0029]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。
[0030]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：
[0031]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；
[0032]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；
[0033]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；
[0034]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。
[0035]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：
[0036]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；
[0037]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。
[0038]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。
[0039]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。
[0040]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，能本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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，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。3.如权利要求2所述的压裂施工压力预测模型建立方法，其特征在于，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。4.如权利要求2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。5.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...

【专利技术属性】
技术研发人员：胡晓东，周福建，刘健，王天宇，易普康，罗英浩，陈超，梁天博，李奔，曲鸿雁，姚二冬，王博，刘雄飞，杨凯，左洁，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：