本发明专利技术公开了一种基于LightGBM的泡排剂投放智能预测方法，首先需要收集油压、套压等一系列历史数组，再经过数据清洗、数据标注，并基于相关系数和方差进行三次数据筛选，选定历史数组中可以作为模型训练和验证的特征列；并基于LightGBM算法进行模型训练、测试，最终得到预测模型；最后，基于选定的特征列将实时生产数据输入预测模型，得到泡排剂预测投放量。本发明专利技术的方案是基于数据驱动的智能算法，降低人为经验的依赖，能够根据生产数据的变化，精准预测注剂量；本发明专利技术的方法同时适用于各井场的注药量预测等场景。的注药量预测等场景。的注药量预测等场景。
【技术实现步骤摘要】
基于LightGBM的泡排剂投放智能预测方法
[0001]本专利技术涉及一种油气井生产的计量方法，具体涉及一种基于人工智能算法的泡排剂投放量的预测方法。
技术介绍
[0002]目前大多气田气井产期量较低，普遍采用泡排技术来提高产气量。但泡排剂的加注量完全依赖人为经验进行预估，存在泡排加注量预估不够精准的问题，从而造成泡沫的破泡速度过慢，破泡不够及时，影响油气井产量。
[0003]Light Gradient Boosting Machine(简称：LightGBM)是一款基于决策树算法的分布式梯度提升框架，其基础算法为GBDT。该算法支持高效率并行训练，具有更快的训练速度、更低的内存消耗、更好的准确率需求等优点，在工业领域具有较多的应用。
技术实现思路
[0004]本专利技术提供一种基于LightGBM的泡排注投放的预测方法，该方法达到了能精准预测泡排剂投放量的目的，提升了泡排效率，实现了稳产和增产。采用的主要技术方案如下：
[0005]一种基于LightGBM的泡排剂投放智能预测方法，其关键是按以下步骤进行：
[0006]步骤一、收集历史数组
[0007]所述历史数组包括若干相互对应的油压、套压、日产气量、气历年累、现场核产、开井前压力、水量、泡排剂量、以及泡排剂注入形式记录；
[0008]步骤二、数据清洗
[0009]剔除油压、套压、日产气量和泡排剂量为空的历史数组；
[0010]剔除油压、套压、日产气量和泡排剂量为负的历史数组；
[0011]剔除泡排剂注入形式为自动注剂的历史数组；
[0012]步骤三、数据标注
[0013]将泡排剂量作为目标变量；
[0014]步骤四、数据筛选
[0015]基于清洗后的历史数组，将油压、套压、日产气量、气历年累、现场核产、开井前压力、水量作为备选特征，将泡排剂量作为目标变量；
[0016]首先进行一次筛选，分别计算备选特征列与目标变量列之间的第一相关系数，并设定一次筛选阈值，选定第一相关系数大于一次筛选阈值的备选特征列作为待选特征列；
[0017]其次进行二次筛选，分别计算各待选特征列之间两两相关的第二相关系数，并设定二次筛选阈值，选定第二相关系数大于二次筛选阈值的待选特征列作为晋选特征列；
[0018]最后进行三次筛选，分别计算晋选特征列的方差，设定三次筛选阈值，选定方差大于三次筛选阈值的晋选特征列作为选定特征列；
[0019]步骤五、模型训练
[0020]基于所述选定特征列，将所述历史数组划分训练集和测试集；
[0021]再基于LightGBM算法进行模型训练、测试，直到模型的测试集指标达到终止条件，输出预测模型；
[0022]步骤六、泡排剂投放预测
[0023]基于选定特征列所对应的数据类型，将实时生产数据输入预测模型，得到泡排剂预测投放量。
附图说明
[0024]图1为本专利技术的流程图。
具体实施方式
[0025]以下结合实施例和附图对本专利技术作进一步说明。
[0026]如图1所示，一种基于LightGBM的泡排剂投放智能预测方法，按以下步骤进行：
[0027]步骤一、收集历史数组
[0028]所述历史数组包括若干相互对应的油压、套压、日产气量、气历年累、现场核产、开井前压力、水量、泡排剂量、以及泡排剂注入形式记录；
[0029]步骤二、数据清洗
[0030]剔除油压、套压、日产气量和泡排剂量为空的历史数组；
[0031]剔除油压、套压、日产气量和泡排剂量为负的历史数组；
[0032]剔除泡排剂注入形式为自动注剂的历史数组；
[0033]步骤三、数据标注
[0034]将泡排剂量作为目标变量；
[0035]步骤四、数据筛选
[0036]基于清洗后的历史数组，将油压、套压、日产气量、气历年累、现场核产、开井前压力、水量作为备选特征，将泡排剂量作为目标变量；
[0037]各备选特征所在的同一列称为备选特征列，目标变量所在的同一列称为目标变量列；
[0038]首先进行一次筛选，分别计算备选特征列与目标变量列之间的第一相关系数，并设定一次筛选阈值，选定第一相关系数大于一次筛选阈值的备选特征列作为待选特征列；其中，一次筛选阈值是人为指定的；
[0039]其次进行二次筛选，分别计算各待选特征列之间两两相关的第二相关系数，并设定二次筛选阈值，选定第二相关系数大于二次筛选阈值的待选特征列作为晋选特征列；其中，二次筛选阈值是人为指定的；
[0040]选定晋选特征列时，当两个待选特征列之间的第二相关系数大于二次筛选阈值时，可以选择其中任一个待选特征列为晋选特征列；也可以同时选择两个待选特征列为晋选特征列；也可以人为指定保留规则，得到晋选特征列；
[0041]最后进行三次筛选，分别计算晋选特征列的方差，设定三次筛选阈值，选定方差大于三次筛选阈值的晋选特征列作为选定特征列；
[0042]作为一种更为具体的相关性表示，在进行一次筛选、二次筛选时，可以均以皮尔森相关系数来衡量相关性：
[0043]皮尔森相关系数按照以下公式
①
计算：
[0044][0045]其中：
[0046]cov(x，y)为待计算的两列数据之间的协方差；
[0047]σ
x
为待计算的第一列数据的标准差；
[0048]σ
y
为待计算的第二列数据的标准差。
[0049]例如：
[0050]在一次筛选时：
[0051]cov(x，y)分别为各个备选特征列(油压列、套压列，
…
)与目标变量列之间的协方差；
[0052]σ
x
为各个备选特征列的标准差；
[0053]σ
y
为目标变量列的标准差。
[0054]在二次筛选时：
[0055]cov(x，y)分别为各个待选特征列两两之间的协方差；
[0056]σ
x
为待计算的第一列待选特征列的标准差；
[0057]σ
y
为待计算的第二列待选特征列的标准差。
[0058]步骤五、模型训练
[0059]基于所述选定特征列，将所述历史数组划分训练集和测试集；一般的，训练集和测试集的数据量按照8：2的比例进行划分。
[0060]再基于LightGBM算法进行模型训练、测试，直到模型的测试集指标达到终止条件，输出预测模型；
[0061]终止条件是人为设定的，例如：当测试集的绝对误差小于0.5时，输出预测模型；
[0062]步骤六、泡排剂投放预测
[0063]基于选定特征列所对应的数据类型，将实时生产数据输入预测模型，
[0064]例如，如果选定特征列为油压所在列、套压所在列、日产气量所在列和气历年累所在列；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于LightGBM的泡排剂投放智能预测方法，其特征在于按以下步骤进行：步骤一、收集历史数组所述历史数组包括若干相互对应的油压、套压、日产气量、气历年累、现场核产、开井前压力、水量、泡排剂量、以及泡排剂注入形式记录；步骤二、数据清洗剔除油压、套压、日产气量和泡排剂量为空的历史数组；剔除油压、套压、日产气量和泡排剂量为负的历史数组；剔除泡排剂注入形式为自动注剂的历史数组；步骤三、数据标注将泡排剂量作为目标变量；步骤四、数据筛选基于清洗后的历史数组，将油压、套压、日产气量、气历年累、现场核产、开井前压力、水量作为备选特征，将泡排剂量作为目标变量；首先进行一次筛选，分别计算备选特征列与目标变量列之间的第一相关系数，并设定一次筛选阈值，选定第一相关系数大于一次筛选阈值的备选特征列作为待选特征列；其次进行二次筛选，分别计算各待选特征列之间两两相关的第二相关系数，并设定二次筛选阈值，选定第二相关系数大于二次筛选阈值的待选特征列作为晋选特征列；最后进行三次筛选，分别计算晋选特征列的方差，设定三次筛选阈值，选定方差大于三次筛选阈值的晋选特征列作为选定特征列；步骤五、模型训练基于所述选定特征列，将所述历史数组划分训练集和测试集；再基于LightGBM算法进行模型训练、测试，直...
【专利技术属性】
技术研发人员：周建峰，李晓芳，朱运周，崔文豪，李坡，郭淑雯，刘凯，田小凯，安步远，
申请(专利权)人：海默潘多拉数据科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。