CN114239419B 一种基于深度学习的井筒积液预测方法 （中国石油天然气股份有限公司）

(12)发明专利(73)专利权人中国石油天然气股份有限公司号(72)发明人刘军杨学锋胡南朱怡辉梁谷段洋李琴贾艳芬董莎舒茂迪万翠容陈丽清有限公司51214专利代理师张杰本发明提供一种基于深度学习的井筒积液2S32、每个缩放点乘注意力模块利用缩放点乘注意力机制对融合后的特征计算Q建模；其中，Q(queries)为每条数据想要查询的内容，K(keys)为每条数据关键字，V行特征融合，再将得到的特征向量作为输入特征对步骤S32完成数据建模后构建的模型进(values)的方法为：34一种基于深度学习的井筒积液预测方法技术领域[0001]本发明涉及气井开发技术领域，具体而言，涉及一种基于深度学习的井筒积液预测方法。背景技术[0002]气井积液是指气井中由于气体不能有效携带出液体而使液体在井筒中聚积的现象。气井在生产过程中，气液两相由地层流出，经由井筒采出地面。生产早期，气井产气量高，气液两相以环状流向上流动，液体以夹带于气芯中的液滴和贴附于管壁的液膜携液。随着地层压力下降，气井产气量降低，导致井筒中液体(液滴/液膜)流动反转不能被带出地面从而发生积液。现场试井作业表明，井筒积液导致井筒压力梯度大幅度增加，从而使得产量递减幅度增大，影响气井最终采收率。因此，准确预测气井积液时间并及时采取排水采气工艺措施对维持低产气井稳产生产具有重大意义。而目前对于采气工艺及积液的预测还存在[0004]2、目前气井积液研究众多，但对其机理认识莫衷一是，不同预测模型计算值之间偏差很大，导致现场进行排采工艺设计时缺乏有效的指导。究其根本原因，各机理模型建模时考虑影响因素单一，缺乏与实际井筒两相流动对比。[0005]3、采气工艺实施时机主要依靠经验，亟需更精细的措施时机指导，特别对页岩气易积液，影响后期产能；不同井地质工程参数差异大，生产能力各异，统一标准难以完全适发明内容[0006]本发明旨在提供一种基于深度学习的井筒积液预测方法，以解决上述存在的问[0007]本发明提供的一种基于深度学习的井筒积液预测方法，包括如下步骤：融合后的特征向量；[0010]S3、利用融合后的特征向量进行数据建模并进行训练，计算重构误差向量；[0011]S4、根据重构误差向量计算动态阈值，并根据动态阈值判断井筒是否积液。[0012]上述方案的有益效果是：实现了基于深度学习的井筒积液预测，其中采用秒级数据作为特征，使得模型不仅仅只关注天与天之间的数据波动，也考虑到天内数据波动情况，能捕捉到更加细微的数据变化；并且采用动态阈值的方法对积液进行预测，能够解决在实际工业生产中出现相较于正常状态下的较大的数据波动时，也能够使得模型不会进行误5[0015]上述方案的有益效果是：根据SCADA生产高频数据具有的高维性[0020]S32、每个缩放点乘注意力模块利用缩放点乘注意力机制对融合后的特征计算Q建模；其中，Q(queries)为每条数据想要查询的内容，K(keys)为每条数据关键字，VS2进行特征融合，再将得到的特征向量作为输入特征对步骤S32完成数据建模后构建的模[0023]进一步的，步骤S32中所述利用缩放点乘注意力机制对步骤S2得到的融合后的特6[0031]上述方案的有益效果是：能够捕捉到序列中长距离的依赖关系，能有效利用远距离的依赖关系，并且对于增加计算的并行性也有直接的帮助作用。[0035]其中，e表示t时刻的重构误差，n表示输入输出的特征数据，t为t时刻的重构数据，也即模型在t时刻的输出数据；[0036]再根据重构误差得到重构误差向量：[0039]上述方案的有益效果是：由于每天的特征数据是一个向量，为了后续阈值选择以及积液预测的方便，故使用每天重构误差向量的期望来代表当天的重构误差。[0040]进一步的，步骤S4中根据重构误差向量计算动态阈值的方法为：[0042]其中，A表示动态阈值候选向量；argmax(A)函数表示从动态阈值候选向量A中选择使公式.最大化的动态阈值ε;μ(B)为重构误差向量的均值；σ(B)为重构误差向量的标准差；z为权重系数；△μ(e)为重构误差向量中重构误差的均值μ(B)与去掉异常的重构误差之后的重构误差的均值μ({e∈B|e<ε})之差，△σ(e)为重构误差向量中重构误差的标>的重构误差e的集合；P;为B集合中连续重构误差的集合。[0043]上述方案的有益效果是：使用动态的方法来挑选阈值避免了固定阈值法一刀切的模式，使得挑选出的阈值由近期生产情况确定，符合工业生产实况。[0044]进一步的，步骤S4中所述根据动态阈值判断井筒是否积液的方法为：[0045]当t+1时刻的重构误差大于或等于动态阈值时，则判断该时刻井筒处于积液状态，否则判断该时刻井筒未积液。[0046]上述方案的有益效果是：采用动态阈值的方法对积液进行预测，能够解决在实际7工业生产中出现相较于正常状态下的较大的数据波动时，也能够使得模型不会进行误判。[0048]本发明实现了基于深度学习的井筒积液预测，其中采用秒级数据作为特征，使得模型不仅仅只关注天与天之间的数据波动，也考虑到天内数据波动情况，能捕捉到更加细微的数据变化；并且采用动态阈值的方法对积液进行预测，能够解决在实际工业生产中出现相较于正常状态下的较大的数据波动时，也能够使得模型不会进行误判。附图说明[0049]为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。[0050]图1为本发明实施例的基于深度学习的井筒积液预测方法的流程图。[0051]图2为本发明实施例的降维自编码器的结构示意图。[0052]图3为本发明实施例的特征融合示意图。[0053]图4为本发明实施例Transformer模型的结构示意图。[0054]图5a为本发明实施例的多头注意力机制中缩放点乘注意力机制示意图，其中，[0055]图5b为本发明实施例的多头注意力机制示意图。具体实施方式[0056]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0057]因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范[0059]如图1所示，本实施例提出一种基于深度学习的井筒积液预测方法，包括如下步高频数据，时间级为秒级，能详细反映生产过程中一天内数据波动情况。经过数据清洗操作[0062]由于所述SCADA生产高频数据具有高维性的特点，考虑后续要与A2数据和地质参数数据进行特征融合，若直接使用原始数据进行特征融合并进行数据建模，将导致维灾难以及A2数据与地质参数数据对模型的影响力不足，并且SCADA生产高频数据作为时间级为8用于观察天与天之间的生产数据波动情况。A2数据作为天级生产数据，因此需要通过降维维的方法为：利用自编码器将获取的SCADA生产高频数据的时间维度降低到指定维度；其[0063]如图2所示为自编码器的一个示例，该示例中的自编码器一共有五层，每层是一个据进行不同维度的特征提取。所提取的自编码器中间变量，实质上是一组从输入的高维数据中提取出的最具代表性的特征，将SCADA生产高频数据从一天几万条降维成自定义条数，把时间刻度从秒级提到天级，再与A2数据和地质参数数据进行特征融合。融合后的特征向量；[0065]本实施例中，所述地质参数数据是指每口生产井的地质参数，为井的固定属性，属于静态参数。本实施例中利用Concat操作将降维后的SCADA生产高频数据与A2数据和地质参数数据进行特征融合。所述Concat操作是指将所有特征直接拼接成一个向量，以做到特参数数据通过Concat操作进行特征向量拼接，组成最终的模型输入特征向量，如图3所示，以此达到模型在考虑动态的SCADA生产高频数据的同时，也充分利用了A2数据和静态的地质参数数据，从而能够作出更准确的预测结果。[0066]S3、利用融合后的特征向量进行数据建模并进行训练，计算重构误差向量；具体[0067]S31、构建具有多头注意力机制的Transformer模型，所述多头注意力机制包括若干个并行的缩放点乘注意力模块；每个所述缩放点乘注意力模块基于编码-解码的架构，由一个编码器和一个解码器构成；所述编码器和解码器内部均使用多头注意力机制搭建，每个多头注意力机制间由特征融合层与前向传播层连接。为本实施例构建的具有多头注意力机制的Transformer模型如图4所示。所述多头注意力机制如图5a所示，包括三个并行的缩放点乘注意力模块，每个缩放点乘注意力模块的工作机制如图5b所示。该Transformer模型的输入与输出均是特定滑动窗口大小的时序数据，旨在捕捉天与天之间的数据波动关系，而天与天的数据波动关系能反映出积液特征，比如日产气量的骤降、油套压压差变大等。由于模型只使用正常数据进行训练，故当模型的输入是正常数据时，将得到一个重构误差较小的输出，当模型的输入是异常数据，即积液时间段的数据时，将会得到一个较大重构误差的输出。[0068]S32、每个缩放点乘注意力模块利用缩放点乘注意力机制对融合后的特征计算Q(queries)、K(keys)、V(values),再根据计算结果进行缩放点乘注意力计算，从而完成数据建模；其中，Q(queries)为每条数据想要查询的内容，K(keys)为每条数据关键字，V(values)为每条数据的内容；[0069]其中，所述利用缩放点乘注意力机制对步骤S2得到的融合后的特征计算Q(queries)、K(keys)、V(valu9S2进行特征融合，再将得到的特征向量作为输入特征对步骤S32完成数据建模后构建的模的重构误差进行划分，得出重构误差向量中重构误差的均值μ(B)与去掉异常的重构误差SCADA降维数据)地质参数