【技术实现步骤摘要】
本申请涉及石油工程，具体涉及一种基于机器学习的抽油机井筒结蜡程度分析方法及装置。
技术介绍
1、油田生产过程当中，油井发生结蜡会带来很大的危害。油井结蜡后，不仅会提高油井生产事故发生的概率，还会增加油井生产成本。所以急需一种油井结蜡预测的方法，对结蜡趋势进行预测，避免结蜡的发生。
2、随着大数据与人工神经网络技术的发展，已经出现了大量利用神经网络进行诸如对股票、温度等预测的研究以及应用，这也给油井结蜡预测带来了可行性，但目前在这方面的研究较少，大多数油田都是采用定期洗井等技术来防止结蜡，但这会使得油井生产过程中成本增加，效率降低。考虑到油井结蜡过程受人为失误、天气骤变、环境突变等多种异常因素影响，即使是同一口井，其每一次结蜡过程都不尽相同，如果将所有历史数据作为一个任务的数据集，则很难找出其数据变化的规律。现在广泛使用的回归预测算法在这种很难找出历史数据变化规律的预测任务中表现不佳，并不能很好地适用于油井结蜡预测任务中。
技术实现思路
1、本申请实施例提供了一种基于机器学习的抽油机井筒结蜡程度分析方法，以解决现有技术中，现在广泛使用的回归预测算法在很难找出历史数据变化规律的预测任务中表现不佳，并不能很好地适用于油井结蜡预测任务中的问题。
2、相应的，本申请实施例还提供了一种基于机器学习的抽油机井筒结蜡程度分析装置、一种电子设备，用于保证上述方法的实现及应用。
3、为了解决上述技术问题，本申请实施例公开了一种基于机器学习的抽油机井筒结蜡程度分析方法
4、获取油井结蜡历史数据，并根据油井结蜡历史数据生成油井数据集；其中，油井数据集包括多个任务的子数据集；子数据集包括从特定的一次结蜡结束开始到下一次结蜡结束为止所产生的油井结蜡历史数据；
5、利用长短期记忆网络和卷积神经网络构建油井结蜡预测模型，并将油井数据集作为油井结蜡预测模型的输入；
6、利用元学习算法对油井结蜡预测模型的权重进行优化，确定模型权重；
7、利用预设优化算法对基于模型权重的油井结蜡预测模型的超参数进行优化，确定模型超参数；
8、利用基于模型权重和模型超参数的油井结蜡预测模型对验证集进行预测，获得预测结果。
9、本申请实施例还公开了一种基于机器学习的抽油机井筒结蜡程度分析装置，所述装置包括：
10、数据处理模块，用于获取油井结蜡历史数据，并根据油井结蜡历史数据生成油井数据集；其中，油井数据集包括多个任务的子数据集；子数据集包括从特定的一次结蜡结束开始到下一次结蜡结束为止所产生的油井结蜡历史数据；
11、模型构建模块，用于利用长短期记忆网络和卷积神经网络构建油井结蜡预测模型，并将油井数据集作为油井结蜡预测模型的输入；
12、模型优化模块，用于利用元学习算法对油井结蜡预测模型的权重进行优化，确定模型权重；
13、模型优化模块，还用于利用预设优化算法对基于模型权重的油井结蜡预测模型的超参数进行优化，确定模型超参数；
14、预测模块，用于利用基于模型权重和模型超参数的油井结蜡预测模型对验证集进行预测，获得预测结果。
15、本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请实施例中一个或多个所述的方法。
16、本申请实施例中，获取油井结蜡历史数据，并根据油井结蜡历史数据生成油井数据集。其中，油井数据集包括多个任务的子数据集；子数据集包括从特定的一次结蜡结束开始到下一次结蜡结束为止所产生的油井结蜡历史数据。将单一任务的数据集转化为一个多任务的数据集，可以更好地发现油井结蜡规律。利用长短期记忆网络和卷积神经网络构建油井结蜡预测模型，并将训练集作为油井结蜡预测模型的输入，可以更好的提取特征，以及更好地对具体时序性的油井结蜡进行预测。利用元学习算法对油井结蜡预测模型的权重进行优化，确定模型权重；利用预设优化算法对基于模型权重的油井结蜡预测模型的超参数进行优化，确定模型超参数；将元学习算法与预设优化算法结合，确定更优的模型权重和模型超参数，可以进一步提高油井结蜡预测模型的性能。利用基于模型权重和模型超参数的油井结蜡预测模型对验证集进行预测，获得预测结果，可以提高预测结果的精准度。
17、本申请实施例附加的方面和优点将在下面的描述部分中给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述根据所述油井结蜡历史数据生成油井数据集，包括：
3.根据权利要求1所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述元学习算法包括内循环和外循环两部分，所述油井数据集包括训练集和验证集，所述利用元学习算法对所述油井结蜡预测模型的权重进行优化，确定模型权重，包括：
4.根据权利要求3所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述根据所述训练集中特定的一个任务的数据训练所述油井结蜡预测模型，更新并获得该任务的最优权重，包括：
5.根据权利要求3所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述根据所述验证集中所有任务的数据训练所述油井结蜡预测模型，并利用元梯度更新并获得所述模型权重，包括：
6.根据权利要求3所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述预测优化算法为粒子群优化算法，所述利用预设优化算法对
7.根据权利要求6所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述利用所述粒子群优化算法计算出使模型误差最低的所述超参数作为所述模型超参数，包括：
8.根据权利要求1所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述利用长短期记忆网络和卷积神经网络构建油井结蜡预测模型，包括：
9.一种基于机器学习的抽油机井筒结蜡程度分析装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法。
...【技术特征摘要】
1.一种基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述根据所述油井结蜡历史数据生成油井数据集，包括：
3.根据权利要求1所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述元学习算法包括内循环和外循环两部分，所述油井数据集包括训练集和验证集，所述利用元学习算法对所述油井结蜡预测模型的权重进行优化，确定模型权重，包括：
4.根据权利要求3所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述根据所述训练集中特定的一个任务的数据训练所述油井结蜡预测模型，更新并获得该任务的最优权重，包括：
5.根据权利要求3所述的基于机器学习的抽油机井筒结蜡程度分析方法，其特征在于，所述根据所述验证集中所有任务的数据训练所述油井结蜡预测模型，并利用元梯度更新并获得所述模型...
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。