一种基于深度学习和双对数曲线的压裂砂堵风险预警方法与流程

本发明涉及压裂砂堵风险预警，特别涉及一种基于深度学习和双对数曲线的压裂砂堵风险预警方法。

背景技术：

1、随着全球能源消耗增加，石油资源数量减少，低渗透油气藏供给的重要性日益突出。作为低渗透油气藏开发的压裂施工技术应用广泛，施工过程中面临各种风险异常，影响压裂施工效果。油公司正在探索大数据、人工智能指导下的智能压裂技术和布缝优化技术。但从全球范围看，智能压裂技术的研究还有待发展。

2、目前的压裂作业存在以下几方面问题：(1)侧重于实时检测和传输压裂施工参数和裂缝监测数据；(2)缺乏利用在地面获取的相关参数对砂堵、压窜等事故预警的智能系统，普遍使用人工进行曲线监测与人为分析，存在误判、漏判等安全问题；(3)压裂效果受施工工艺参数、裂缝变化等动态因素的影响，压裂效果难以估计。因此，有必要在压裂改造技术的基础上，发展智能压裂技术，实现压裂施工的高精度控制。

3、发展智能压裂技术体现在对砂堵的智能预警上。在压裂作业的过程中，砂堵最为常见，发生砂堵时，不仅会形成高压损害管线，造成压裂液浪费和设备损坏的问题，情况严重时还可能会造成重大人员伤亡，破坏地层渗流，导致压裂施工井的报废。

4、压裂施工现场进行砂堵预警时，大多依靠人工进行曲线监测与分析，存在误判、漏判问题，对压裂工作造成安全隐患。同时该方式机械落后，在施工过程中需要工程技术人员一直观察施工曲线，对注意力和耐力带来挑战。此外，由于压裂施工曲线异常变化存在偶然性，直接利用施工曲线进行砂堵预警会有滞后性和偶然性，常常发生误报和延迟警报，无法保证压裂施工现场的安全。故需要基于现场压裂仪表车，研究开发一套砂堵智能预警系统，从一定程度上解决现有通过人工观察曲线、人为进行砂堵判识，存在的滞后、偶然和机械性等问题。

5、目前，已有安全预警模型主要包括监测参数预警模型、机器学习预警模型和风险预警模型。监测参数预警模型通常需要根据不同的压裂施工现场设定一个对应的阈值，当监测参数超过预定义数值时，则系统发出报警信息。但选取阈值受经验制约，容易造成漏报警和误报警的问题。机器学习预警模型通过需要采集大量的监测数据训练事故分类器或回归模型，训练完成后对当下工况做出评估。风险预警模型是从不确定性的角度分析事故风险，包括预先危险性分析、事故树、层次分析法和模糊逻辑等。这类方法通常并不具备实时安全预警的功能，在实际应用中效果不好。虽然部分研究人员对砂堵、压窜等故障设计开发了预警系统，但是由于压裂施工现场情况复杂，各种故障常常发生误报和延迟警报，综合故障预警系统仍然需要进一步深入研究。

技术实现思路

1、本发明的目的是提供一种基于地面易于监测的油压、套压、总液量、砂量、砂比、排量、泵压等施工参数实现对压裂施工现场砂堵、压窜等故障进行预警的基于深度学习和双对数曲线的压裂砂堵风险预警方法。

2、为此，本发明技术方案如下：

3、一种基于深度学习和双对数曲线的压裂砂堵风险预警方法，步骤如下：

4、s1、在压裂施工过程中，以相同的间隔时间，分别采集至少包括油压和套压的施工参数数据，并形成时间序列xm＝{xt-n,…,xj,…,xt-1,xt}；其中，m为施工参数类型的序号，i＝1,2,…；x为样本数值，t为样本的采集时间，n为时间序列中的样本个数；

5、s2、基于步骤s1获得的已知时间序列，利用时间序列时域分析算法对各项施工参数的未来时间序列进行预测；步骤包括：

6、s201、将各施工参数的时间序列处理为平稳时间序列

7、s202、将各项施工参数的平稳时间序列处理为中心化平稳时间序列；

8、s203、基于各施工参数的中心化平稳时间序列的自相关系数和偏自相关系数，确定各施工参数时间序列的模型并初步定阶：

9、情况①：如果自相关拖尾，偏自相关p步截尾，则判断该施工参数时间序列符合自回归模型(ar(p))，并初步定阶为ar(p)模型；

10、情况②：如果自相关q步截尾，偏自相关拖尾，则判断该施工参数时间序列符合移动平均模型(ma(q))，并初步定阶为ma(q)模型；

11、情况③：如果自相关和偏自相关都拖尾，则判断该施工参数时间序列符合自回归移动平均模型(arma(p,q))，并初步定阶为arma(p,q)模型；

12、s204、利用最小信息准则函数，确定施工参数时间序列的最佳模型阶数，其步骤为：1)确定一个最大阶数n为施工参数时间序列中的样本个数；2)将所有小于l的正整数作为p、q的可能取值，并依次代入至最小信息准则函数的计算公式：中，式中，为σ2的极大似然估计；n为施工参数时间序列中的样本个数；p，q为模型的阶数：当模型为上述步骤s203的情况1时，q＝0，当模型为上述步骤s203的情况2时，p＝0；3)将计算得到的aic最小值所对应的模型阶数确定为最佳模型阶数；

13、s205、使用最小二乘估计算法估计各项施工参数时间序列的模型的自回归系数；

14、s206、使用ljung-box统计量对时间序列进行检验，其计算结果为概率值p；当p>0.05时，模型显著；当p≤0.05时，模型不显著，，返回步骤s204，修正l的取值，并重复步骤s204～s206，直至模型判断为显著；

15、s207、将由步骤s202获得的各施工参数中心化平稳时间序列代入至相应的施工参数模型中，预测得到各施工参数未来时间序列；

16、s208、将由步骤s207获得的各施工参数未来时间序列加上由步骤s202获得的中心化平稳时间序列的平均值，获得反中心化未来时间序列；

17、s209、将由步骤s201获得的施工参数平稳时间序列与由步骤s208得到的反中心化未来时间序列进行求和，获得反差分化未来时间序列；

18、s3、构建l-aresnet网络，以对各施工参数未来时间序列的预测值进行修正；步骤包括：

19、s301、构建l-aresnet网络：其由门控单元、卷积残差块模块、第一通道注意力模块、第一恒等残差模块、第二通道注意力模块、第二恒等残差模块、第三通道注意力模块和聚类模块；其中，门控单元由依次连接的第一门控神经网络、第二门控神经网络和第三门控神经网络构成；第三门控神经网络的输出端与卷积残差块模块的输入端连接，且每个门控网络均还包含有一个单独的预测值输出端；卷积残差块模块包括三个连接通道，其输出端与第一通道注意力模块的输入端连接；第一通道注意力模块的输出端与第一恒等残差模块的输入端连接；第一恒等残差模块包括三个连接通道，其输出端与第二通道注意力模块的输入端连接；第二通道注意力模块的输出端与第二恒等残差模块的输入端连接；第二恒等残差模块包括三个连接通道，其输出端与第三通道注意力模块的输入端连接；第三通道注意力模块的输出端与聚类模块的输入端连接；聚类模块由中心损失函数和交叉熵损失函数联合形成损失函数对特征进行监督，其计算公式为：

20、

21、式中，第一项表示交叉熵损失函数，第二项表示中心损失函数，标量λ∈[0,1]用于平衡两个损失函数，ci是相似特征的中心，函数d(·)代表距离函数，j是类号，wj是权重，b是偏差，n是类的总数，也是分段的段数；xi为施工参数未来时间序列的修正值，其由门控单元获得的施工参数未来时间序列和由步骤s2获得的相同时间段下的该施工参数的反差分化未来时间序列求取平均值得到；

22、训练l-aresnet网络：基于一项施工参数时间序列对应一个l-aresnet网络的方式，将采用与步骤s1相同方式获得的各项施工参数时间序列数据集，对l-aresnet网络进行网络训练，使各l-aresnet网络中的门控单元的第三门控神经网络能够预测得到相应施工参数未来时间序列，而聚类模块能够提取得到施工参数未来时间序列在不同段的聚类特征；

23、s302、将步骤s1获得的各项施工参数依次代入训练好的l-aresnet网络中，获得每项施工参数未来时间序列的修正值，以及每项施工参数未来时间序列在不同段的聚类特征；

24、s303、基于步骤s302获得的不同段的聚类特征，对时间序列分段，采用三次样条插值法对不同段的曲线进行曲线拟合，以得到各施工参数未来样本数值的时序变化曲线；

25、s4、根据步骤s3获得的各施工参数未来样本数值的时序变化曲线，分别计算表征各施工参数未来变化趋势的曲线斜率k，并将曲线斜率的对数值lgk作为预警判断值；将各施工参数的预警判断值与其预警临界值进行比较；若两个及两个以上的预警判断值高于预警临界值，则进行报警。

26、进一步地，在步骤s1中，施工参数还包括总液量、砂量、砂比、排量和泵压。

27、进一步地，步骤s201的具体步骤为：1)采用adf检验法，对由步骤s1获得每项施工参数的时间序列进行平稳性检验；2)保留检验结果为平稳序列的施工参数时间序列，而对检验结果为非平稳序列的施工参数时间序列进行差分运算，以将非平稳序列更新为平稳序列。

28、进一步地，步骤s202的具体步骤为：计算由步骤s201所得各施工参数平稳时间序列的样本平均值，再将各施工参数平稳时间序列中的各样本数值减去样本平均值，得到各施工参数的中心化平稳时间序列

29、进一步地，在步骤s203中，自相关系数ρk的计算公式为：偏自相关系数的计算公式为：上两式中，为中心化的平稳时间序列，为中心化平稳时间序列的平均值；n为中心化平稳时间序列中的样本个数；k取值为1,2,…,n-1。

30、与现有技术相比，该基于深度学习和双对数曲线的压裂砂堵风险预警方法通过对地面易于监测的油压、套压、总液量、砂量、砂比、排量、泵压等施工参数的分析预测，实现对压裂施工现场砂堵、压窜等故障的智能预警，从一定程度上解决现有通过人工观察曲线、人为进行砂堵判识，存在的滞后、偶然和机械性等问题。