System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及油气井压裂作业下井口压力检测,具体涉及一种基于时间序列模型的压裂作业多时间步压力预测方法。
技术介绍
1、地层压裂技术是油气开采中常用的方法,通过注入含砂液体改变地层压力,以协助气体开采。在开采过程中,必须严格控制地层压力以预防意外事故。目前,通常采用监控系统以监测压力和其他信息,并通过手动操作来控制压力的变化。然而,由于监控系统与安全事故发生时间存在时间差,当压力急剧变化时,监控系统无法提供足够的缓冲时间来预防安全施工事故。所以,亟需采用更先进和有效的方法来监测和预测地层压力,以确保施工的安全性。
2、在压裂作业中,采集的数据通常是典型的时间序列数据。目前,时间序列预测技术主要分为基于统计和基于机器学习两类方法。基于统计的方法包括移动平均(ma)模型、自回归(ar)模型、状态空间模型和自回归综合移动平均(arima)模型。然而,这些模型依赖于数据分布和稳定性的假设,在工业应用中存在通用性不足的问题。基于机器学习的方法包括递归神经网络、门控递归单元、长短期记忆网络和基于transformer网络的模型。随着transformer的优化改进,它在时间序列上取得了巨大进展,能够捕捉长距离依赖关系,在各种应用中广泛使用。
3、由于压裂作业数据具有时间变化和高度关联的特点,通常按时间顺序收集数据。在这种情况下,井口压力预测被视为一个多步时间序列预测问题,即利用过去n个数据点的序列来预测未来可能的m个数据点的序列,记作输入n预测m。相对于单步预测方法只预测未来一个值,多步预测面临更多不确定因素,误差的
技术实现思路
1、本专利技术的目的之一在于提供一种基于时间序列模型的压裂作业多时间步压力预测方法,以监测和预测地层压力,提高井口压力预测的准确性。
2、为了实现上述目的,本专利技术采用的技术方案如下:
3、一种基于时间序列模型的压裂作业多时间步压力预测方法,包括以下步骤:
4、基于多层感知器构建时间序列模型;所述时间序列模型包括编码器和解码器,编码器和解码器分别构建有至少两个mlp(multilayer perceptron,多层感知器)结构,以实现从时间维度提取特征和从变量维度提取信息;解码器内还构建有多头交叉注意力机制,多头交叉注意力机制用于感知来自编码器的输出信息,使解码器结合输入序列生成输出;
5、利用时间序列模型进行压力预测:
6、s1、将采集的压裂作业数据中的非时间特征进行转化,清洗异常数据,并进行特征标准化,得到标准化数据;
7、s2、利用输入数据的均值对标准化数据进行拆分,实现对输入数据的特征分离;
8、s3、在时间维度上,将提取的特征数据划分为非重叠的长度为n的片段;将片段映射到指定的维度,并与位置编码相加,形成特征编码矩阵,作为编码器的输入;
9、s4、将特征编码矩阵输入时间序列模型,得到井口压力预测结果。
10、进一步的,压裂作业数据包括井口压力值及其相关因素,相关因素包括对应阶段、井口压力、套压、排出排量、阶段排出液体量、累计排出液体量、两种含砂液体浓度和总砂量。
11、进一步的,利用时间序列模型进行压力预测方法还包括以下步骤:
12、s0、将传感器获取的数据收集并构建为压裂作业数据集,根据时间序列数据子集划分的原则,将数据集按照连续阶段进行划分。
13、进一步的,s1步骤中清洗异常数据并进行特征标准化具体包括以下步骤:
14、s11、无用数据删除:对压裂作业数据中的起始和结束阶段数据进行删除,并将特征全部丢失的样本删除;
15、s12、数据填充:对于样本特征部分缺失的样本进行特征填充;
16、s13、数据标准化:采用标准化公式对压裂作业数据进行标准化:
17、;
18、其中,为压裂作业数据,为标准化后的值,为数据均值,为数据标准差。
19、进一步的,采用特征提取公式对标准化数据进行拆分,以实现对输入数据的特征分离:
20、;
21、其中,为变量维度,为提取的特征数据,为输入序列样本数据,为在时间维度上的均值。
22、进一步的,s3具体包括以下步骤:
23、s31、对提取的特征矩阵的每个变量维度划分为长度为n的不重叠分段数据,其中,是变量维度,是输入的序列长度,为输入的样本空间维度,为样本经划分后的分段数据的空间维度;表示特征矩阵的维度信息,表示的维度信息;
24、s32、将通过线性变换并添加位置编码后得到一个多维矩阵,其中,为时间维度,是模型维度,为样本经线性变换和添加位置编码后的空间维度;表示的维度信息。
25、进一步的,s32通过以下公式实现:
26、;
27、其中,为输出嵌入空间的维度,为当前数据在输入序列中的位置,用于映射到列索引,为输入序列的长度,为多维矩阵,为的位置编码信息,和均为数据在不同位置的编码方式。
28、进一步的,mlp结构包括两个线性变换层和一个gelu(gaussian error linearunit,高斯误差线性单元)激活函数层。
29、进一步的,s4具体包括以下步骤:
30、s41、将多维矩阵进行维度转换,得到,其中,表示批次大小,表示变量维度,表示时间维度,是模型的维度,表示样本当前的空间维度,表示样本经维度转换后的空间维度,其主要操作是将这两个维度进行合并为一个维度,即从原来的四维矩阵,转换成三维矩阵,目的是为了得到只含有时间维度而不含变量维度的矩阵,以便mlp提取时间维度的信息;
31、s42、通过mlp结构提取中的时间维度信息,得到,其中,表示批次大小,表示变量维度,表示时间维度,是模型的维度,表示样本当前的空间维度;
32、s43、将再次进行维度转换为,其中,表示样本当前的空间维度,此处操作是将这个维度和这个维度进行合并,从原来含有时间维度的三维矩阵,转换成含有变量维度的三维矩阵,目的在于将含有时间维度的矩阵转成含有变量维度的矩阵,以便mlp提取其变量维度的信息;
33、s44、通过mlp结构提取中变量维度特征信息得到,其中表示样本当前的空间维度;
34、s45、将再次进行维度转换,得到编码器每一层的输出,为编码器的第几层,其中,表示第层编码本文档来自技高网...
【技术保护点】
1.一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,包括以下步骤:
2.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,压裂作业数据包括井口压力值及其相关因素,相关因素包括对应阶段、井口压力、套压、排出排量、阶段排出液体量、累计排出液体量、两种含砂液体浓度和总砂量。
3.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,利用时间序列模型进行压力预测方法还包括以下步骤:
4.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,S1步骤中清洗异常数据并进行特征标准化具体包括以下步骤:
5.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,采用特征提取公式对标准化数据进行拆分,以实现对输入数据的特征分离:
6.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,S3具体包括以下步骤:
7.根据权利要求6的一种基于时间序列模型的压裂作业多时间步压力预测方法
8.根据权利要求6的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,MLP结构包括两个线性变换层和一个GELU激活函数层。
9.根据权利要求7的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,S4具体包括以下步骤:
10.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,还包括以下步骤:
...【技术特征摘要】
1.一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,包括以下步骤:
2.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,压裂作业数据包括井口压力值及其相关因素,相关因素包括对应阶段、井口压力、套压、排出排量、阶段排出液体量、累计排出液体量、两种含砂液体浓度和总砂量。
3.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,利用时间序列模型进行压力预测方法还包括以下步骤:
4.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法,其特征在于,s1步骤中清洗异常数据并进行特征标准化具体包括以下步骤:
5.根据权利要求1的一种基于时间序列模型的压裂作业多时间步压力预测方法...
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。