【技术实现步骤摘要】
本专利技术属于油藏智能优化压裂领域，具体涉及一种基于机器学习的压裂过程复杂事件智能预警优化方法。
技术介绍
1、在油气勘探和生产过程中，压裂技术是提高油气产量的关键手段之一，用于增强油气储层的渗透性。在压裂过程中，不同的压裂事件会对储层产生不同的影响，如地层破裂是地层泵压监测的一项重要组成、瞬时停泵压力影响着裂缝形态、砂堵会对压裂生产造成极大的危害等。因此，准确识别与预警优化不同的压裂事件对于油气勘探和生产具有重要意义。目前，传统的识别方法主要是基于人工经验和规则，这类方法耗时、效率低且容易受到人为因素的影响，缺乏智能化和自动化。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于机器学习的压裂过程复杂事件智能预警优化方法，首先利用压裂过程泵压实时预测模型，预先预测泵压变化趋势；基于以获得的真实压裂施工数据与预测获得的泵压变化趋势，再利用两种不同的事件识别模型，高效识别预警压裂过程不同事件；之后通过计算泵压平均变化率，依据排量和砂浓度调控标准表，调节排量和砂浓度，最终实现高效的压裂多类型事件优化，设计合理，解决了现有技术的不足，具有良好的效果。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于机器学习的压裂过程复杂事件智能预警优化方法，包括以下步骤：
4、步骤1、获取历史压裂施工参数数据，参数包括原始参数和扩展参数，所述原始参数包括时间、泵压、泵排量、砂浓度；
5、步骤2、建立压裂事件数据集和泵压预测数据集；
6、步骤3、建立压裂过程多类型事件识别预警标准；
7、步骤4、设计fnn-lstm网络结构，基于fnn-lstm网络结构建立压裂事件识别模型和泵压预测模型；
8、步骤5、基于训练集和测试集训练压裂事件识别模型和泵压预测模型，得到训练好的压裂事件识别模型和泵压预测模型；
9、步骤6、基于当前时刻的泵压平均变化率表征不同事件的当前强度，判断事件是否需要优化，建立不同事件强度下的压裂施工参数排量和砂浓度调控标准；
10、步骤7、将实时采集到的当前时间步的压裂施工参数数据输入到训练好的压裂事件识别模型和泵压预测模型，得到事件类型和泵压预测数据；若需要优化，则根据调控标准对压裂施工参数进行优化，并输出优化后事件优化效果，若不需要优化，则进行下一时间步的预警优化。
11、进一步地，所述步骤1中，以泵压、泵排量、砂浓度参数为主，根据公式(1)-(3)分别利用大小为5、10、15的计算步长，对原始参数求均值、离差、平均变化率，获得扩展参数；
12、 ；（1）
13、 ；（2）
14、；（3）
15、其中，为时刻序号；为压裂施工初始时刻；为压裂施工第个时刻；为计算步长大小；为一段压裂数据中数据点个数；为初始时刻的参数数据；为时刻的参数数据；为前个时间点参数的平均值；为在一定时间段内参数的平均变化率；为离差，即时刻参数数据与前个时间点参数平均值的差。
16、进一步地，所述步骤2中，建立压裂事件数据集的具体过程为：
17、步骤2.1.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据，降低数据噪声，均值滤波表达式为：
18、；（4）
19、其中，代表滤波器大小，表示参数的第个数，是参数中的新数值，表示一段压裂数据中数据点个数；
20、步骤2.1.2、采用standardscaler函数消除压裂施工参数数据中奇异样本数据导致的不良影响，standardscaler函数表达式为：
21、；（5）
22、其中，是标准化后的数据，是数据的均值，是数据的标准差；
23、步骤2.1.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为15的采样滑动窗口进行数据采样，建立压裂事件数据集，并按照9:1的比例随机划分为训练集和测试集。
24、进一步地，所述步骤2中，建立泵压预测数据集的具体过程为：
25、步骤2.2.1、利用大小为25的均值滤波器平滑处理压裂施工参数数据，降低数据噪声；
26、步骤2.2.2、采用minmaxscaler函数消除压裂施工参数数据中奇异样本数据导致的不良影响，minmaxscaler函数表达式为：
27、；（6）
28、其中，为压裂施工参数的归一化值；为的最小值；为的最大值；
29、步骤2.2.3、基于压裂施工时间，以时间增长方向为滑动窗口移动方向，利用大小为60的采样滑动窗口进行数据采样，建立泵压预测数据集，并按照9:1的比例随机划分为训练集和测试集。
30、进一步地，所述步骤3包括以下子步骤：
31、步骤3.1、基于csv格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为laber1，分类后的时间段包括压裂开始之前的时间段、压裂开始到地层破裂时间段、地层破裂到压裂结束时间段、压裂结束到瞬时停泵时间段、瞬时停泵之后的时间段，压裂开始到地层破裂时间段的开始时刻作为压裂开始事件的识别预警标准，地层破裂到压裂结束时间段的开始时刻作为地层破裂事件的识别预警标准，压裂结束到瞬时停泵时间段的开始时刻作为压裂结束事件的识别预警标准，瞬时停泵之后的时间段的开始时刻作为瞬时停泵事件的识别预警标准；
32、步骤3.2、基于csv格式的压裂施工数据和数据分类方法，将压裂施工数据时间戳进行分类，记为label2，分类后的时间段包括压裂泵球阶段、盐酸降压阶段、沙堵阶段和暂堵压裂阶段，每个时间段作为相应事件发生的时间段，分别建立压裂泵球事件、盐酸降压事件、沙堵事件和暂堵压裂事件的识别预警标准。
33、进一步地，建立压裂事件识别模型包括以下步骤：
34、步骤4.1.1、构建模型结构：基于fnn-lstm网络结构建立压裂事件识别模型，所述压裂事件识别模型包括输入层、快速傅里叶变换层、卷积层1、最大池化层1、激活函数层1、卷积层2、最大池化层2、激活函数层2、遗忘门、传入门、输出门、更新门、全连接层1和全连接层2；模型输入为原始参数数据和扩展参数数据，模型输出为事件分类情况；
35、步骤4.1.2、将当前时刻t的输入数据和上一个时间步的隐藏状态经过快速傅里叶变换层进行快速傅里叶变换处理，将时域的输入数据信号转换为不同频率成分的振幅和相位信息，转换为振幅信息和相位信息，转换为振幅信息和相位信息；
36、步骤4.1.3、将振幅和相位信息进行信号融合，即，；
37、步骤4.1.4、将融合后的信息输入到卷积层1，卷积层1输入通道为1，输出通道为1，卷积核大小为3，步长为1，填充为1，输出和；将和输入到最大池化层1中，最大池化核为2，输出和；将和输入到激活函数层1中，利用relu激活函数，将和进行非线性变换，得到和；
38、步骤4.1.5、将和输入到卷积层2，卷积层2本文档来自技高网...
【技术保护点】
1.一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤1中，以泵压、泵排量、砂浓度参数为主，根据公式(1)-(3)分别利用大小为5、10、15的计算步长，对原始参数求均值、离差、平均变化率，获得扩展参数；
3.根据权利要求1所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤2中，建立压裂事件数据集的具体过程为：
4.根据权利要求3所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤2中，建立泵压预测数据集的具体过程为：
5.根据权利要求4所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤3包括以下子步骤：
6.根据权利要求5所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤4中，建立压裂事件识别模型包括以下步骤：
7.根据权利要求6所述的一种基于机器学习的压裂过程复杂事件智能预
8.根据权利要求7所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤4中，建立泵压预测模型包括以下步骤：
9.根据权利要求8所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤5中，训练压裂事件识别模型包括以下子步骤：
10.根据权利要求9所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，步骤6中，当前时刻t泵压平均变化率的计算公式为：
...【技术特征摘要】
1.一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤1中，以泵压、泵排量、砂浓度参数为主，根据公式(1)-(3)分别利用大小为5、10、15的计算步长，对原始参数求均值、离差、平均变化率，获得扩展参数；
3.根据权利要求1所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤2中，建立压裂事件数据集的具体过程为：
4.根据权利要求3所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤2中，建立泵压预测数据集的具体过程为：
5.根据权利要求4所述的一种基于机器学习的压裂过程复杂事件智能预警优化方法，其特征在于，所述步骤3包...
【专利技术属性】
技术研发人员：袁彬，赵明泽，张伟，鄢尧，
申请(专利权)人：中国石油大学华东，
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。