【技术实现步骤摘要】
本申请涉及页岩油气藏压裂，尤其涉及一种压裂泵压智能预测与安全预警方法、装置、设备及介质。
技术介绍
1、随着页岩油气勘探开发进入工业化开采阶段，页岩油气的高效开发离不开工厂化作业和大规模压裂技术。与常规压裂相比，页岩油气大规模压裂时间长且设备设施多，现场作业情况复杂，其中压裂砂堵发生最为频繁且后果严重，发生后轻则对设备管线造成损坏，严重时则会破坏地层的渗流污染环境，甚至导致油气井报废。因此，研究页岩油气压裂砂堵的安全预警方法，对页岩油气压裂施工的安全进行意义重大。
2、相关技术中，压裂砂堵识别方法主要包括特征分析法、净压力拟合法、斜率反转法和数据驱动法等，这些方法对压裂砂堵预警研究具有重要意义，但多基于操作人员主观经验判断，容易造成误判和漏判，从而不足以准确预警压裂砂堵。
技术实现思路
1、本申请实施例提供一种压裂泵压智能预测与安全预警方法、装置、设备及介质，用以提高压裂砂堵预警的准确性。
2、第一方面，本申请实施例提供一种压裂泵压智能预测与安全预警方法，包括：获取目标页岩油气井在压裂过程中前设定时长内的泵压以及泵压的主控影响因素分别随时间变化的数据，该主控影响因素包含流体黏度、排量以及砂浓度，主控影响因素是通过压裂模拟及灰色关联分析法分析得到的影响泵压变化规律的主控因素；将数据输入至压裂泵压预测模型进行泵压预测，得到预测泵压曲线；根据预测泵压曲线，绘制泵压曲线斜率变化图；根据泵压曲线斜率变化图，对目标页岩油气井进行压裂砂堵的安全预警。
3、一种
4、一种可能的实现方式中，压裂泵压预测模型为长短期记忆网络(long short-termmemory，简称lstm)模型，该lstm模型的隐藏层节点个数是通过以下方式确定的：获取训练集，该训练集包含第一训练子集，第一训练子集为压裂模拟过程中的泵压以及主控因素分别随时间变化的等时长数据集；基于预设比例范围，将第一训练子集划分为训练数据集和预测数据集；根据训练数据集和预测数据集，确定压裂泵压预测模型在不同隐藏层节点个数下的相对误差；根据相对误差，确定隐藏层节点个数。
5、一种可能的实现方式中，第一训练子集是通过以下方式得到的：获取压裂模拟过程中泵压以及主控因素分别随时间变化的数据；从数据的起始时间点开始，以预设值滑动预测窗口，将预测窗口内的数据切割下来，得到第一训练子集。
6、一种可能的实现方式中，训练集还包含第二训练子集，该第二训练子集包括目标页岩油气井在历史压裂过程中的泵压以及泵压的主控影响因素分别随时间变化的数据，压裂泵压预测模型是通过以下方式训练得到的：使用第一训练子集进行压裂泵压预测模型的预训练，得到预训练完成后的压裂泵压预测模型；使用第二训练子集对预训练完成后的压裂泵压预测模型进行训练，得到训练完成的压裂泵压预测模型。
7、一种可能的实现方式中，主控影响因素是通过以下方式确定的：基于压裂模拟器，根据页岩油井的地层及井位数据建立数值模型，地层包含底层和顶层，井位数据包括孔眼直径以及顶层的顶层深度和底层的底层深度；采用控制变量法，将泵压的多个影响因素作为自变量输入至数值模型进行压裂模拟，得到当前自变量的泵压曲线，多个影响因素包括流体黏度、砂浓度、排量、主应力差、射孔数以及裂缝簇数；基于灰色关联分析方法，根据泵压曲线和自变量，在多个影响因素中确定泵压变化规律的主控影响因素。
8、一种可能的实现方式中，将数据输入至压裂泵压预测模型进行泵压预测，得到预测泵压曲线，包括：对主控影响因素分别随时间变化的数据进行拼接，得到第一数据序列；对初始数据序列进行降维处理，得到第二数据序列；将第二数据序列输入至压裂泵压预测模型进行泵压预测，得到预测泵压曲线。
9、第二方面，本申请实施例提供一种压裂泵压智能预测与安全预警装置，包括：
10、获取模块，用于获取目标页岩油气井在压裂过程中前设定时长内的泵压以及泵压的主控影响因素分别随时间变化的数据，该主控影响因素包含流体黏度、排量以及砂浓度，主控影响因素是通过压裂模拟及灰色关联度分析法分析得到的影响泵压变化规律的主控因素；
11、处理模块，用于将数据输入至压裂泵压预测模型进行泵压预测，得到预测泵压曲线；
12、绘制模块，用于根据预测泵压曲线，绘制泵压曲线斜率变化图；
13、预警模块，用于根据泵压曲线斜率变化图，对目标页岩油气井进行压裂砂堵的安全预警。
14、一种可能的实现方式中，预警模块具体用于：在泵压曲线斜率变化图中，确定大于预设值的泵压曲线斜率对应的时间点；根据时间点，确定压裂砂堵的可能发生时段；根据可能发生时段，对目标页岩油气井进行压裂砂堵的安全预警。
15、一种可能的实现方式中，压裂泵压预测模型为lstm模型，该lstm模型的隐藏层节点个数是通过以下方式确定的：获取训练集，该训练集包含第一训练子集，第一训练子集为压裂模拟过程中的泵压以及主控因素分别随时间变化的等时长数据集；基于预设比例范围，将第一训练子集划分为训练数据集和预测数据集；根据训练数据集和预测数据集，确定压裂泵压预测模型在不同隐藏层节点个数下的相对误差；根据相对误差，确定隐藏层节点个数。
16、一种可能的实现方式中，第一训练子集是通过以下方式得到的：获取压裂模拟过程中泵压以及主控因素分别随时间变化的数据；从数据的起始时间点开始，以预设值滑动预测窗口，将预测窗口内的数据切割下来，得到第一训练子集。
17、一种可能的实现方式中，训练集还包含第二训练子集，该第二训练子集包括目标页岩油气井在历史压裂过程中的泵压以及泵压的主控影响因素分别随时间变化的数据，压裂泵压预测模型是通过以下方式训练得到的：使用第一训练子集进行压裂泵压预测模型的预训练，得到预训练完成后的压裂泵压预测模型；使用第二训练子集对预训练完成后的压裂泵压预测模型进行训练，得到训练完成的压裂泵压预测模型。
18、一种可能的实现方式中，主控影响因素是通过以下方式确定的：基于压裂模拟器，根据页岩油井的地层及井位数据建立数值模型，地层包含底层和顶层，井位数据包括孔眼直径以及顶层的顶层深度和底层的底层深度；采用控制变量法，将泵压的多个影响因素作为自变量输入至数值模型进行压裂模拟，得到当前自变量的泵压曲线，多个影响因素包括流体黏度、砂浓度、排量、主应力差、射孔数以及裂缝簇数；基于灰色关联分析方法，根据泵压曲线和自变量，在多个影响因素中确定泵压变化规律的主控影响因素。
19、一种可能的实现方式中，处理模块具体用于：对主控影响因素分别随时间变化的数据进行拼接，得到第一数据序列；对初始数据序列进行降维处理，得到第二数据序列；将第二数据序列输入至压裂泵压预测模型进行本文档来自技高网...
【技术保护点】
1.一种压裂泵压智能预测与安全预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述泵压曲线斜率变化图，对所述目标页岩油气井进行压裂砂堵的安全预警，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述压裂泵压预测模型为长短期记忆网络LSTM模型，所述LSTM模型的隐藏层节点个数是通过以下方式确定的：
4.根据权利要求3所述的方法，其特征在于，所述第一训练子集是通过以下方式得到的：
5.根据权利要求3所述的方法，其特征在于，所述训练集还包含第二训练子集，所述第二训练子集包括所述目标页岩油气井在历史压裂过程中的泵压以及泵压的主控影响因素分别随时间变化的数据，所述压裂泵压预测模型是通过以下方式训练得到的：
6.根据权利要求1或2所述的方法，其特征在于，所述主控影响因素是通过以下方式确定的：
7.根据权利要求1或2所述的方法，其特征在于，所述将所述数据输入至压裂泵压预测模型进行泵压预测，得到预测泵压曲线，包括：
8.一种压裂泵压智能预测与安全预警装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种压裂泵压智能预测与安全预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述泵压曲线斜率变化图，对所述目标页岩油气井进行压裂砂堵的安全预警，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述压裂泵压预测模型为长短期记忆网络lstm模型，所述lstm模型的隐藏层节点个数是通过以下方式确定的：
4.根据权利要求3所述的方法，其特征在于，所述第一训练子集是通过以下方式得到的：
5.根据权利要求3所述的方法，其特征在于，所述训练集还包含第二训练子集，所述第二训练子集包括所述目标页岩油气井在历史压裂过程中的泵压以及泵压的...
【专利技术属性】
技术研发人员：陈志明，李格轩，胡连博，廖新维，张来斌，
申请(专利权)人：中国石油大学北京，
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。