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）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114239419B(45)授权公告日2025.07.01

(21)申请号202111603701.0

(22)申请日2021.12.24

(65)同一申请的已公布的文献号申请公布号CN114239419A

(43)申请公布日2022.03.25

(73)专利权人中国石油天然气股份有限公司

地址100007北京市东城区东直门北大街9

号

(51)Int.CI.

GO6F30/27(2020.01)

(56)对比文件

CN113338916A,2021.09.03审查员王文聪

(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

(74)专利代理机构成都九鼎天元知识产权代理

有限公司51214专利代理师张杰

权利要求书2页说明书7页附图3页

(54)发明名称

一种基于深度学习的井筒积液预测方法

(57)摘要

CN114239419B本发明提供一种基于深度学习的井筒积液预测方法，包括：S1、获取SCADA生产高频数据并对其进行降维；S2、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，得到融合后的特征向量；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；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。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

CN114239419B

获取SCADA生产高频数据并对其进行降维

获取SCADA生产高频数据并对其进行降维

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，得到融合后的特征向量

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

根据重构误差向量计算动态阀值，并根据动态阙值判断井简是否积液

CN114239419B权利要求书1/2页

2

1.一种基于深度学习的井筒积液预测方法，其特征在于，包括如下步骤：

S1、获取SCADA生产高频数据并对其进行降维；

S2、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，得到融合后的特征向量；其中，A2数据为SCADA生产高频数据按天汇总的生产数据；

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；

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；

步骤S3中利用融合后的特征进行数据建模并进行训练的方法包括：

S31、构建具有多头注意力机制的Transformer模型，所述Transformer模型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；

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；

S33、使用井筒未积液时间段的数据，先对所述井筒未积液时间段的数据采取步骤S2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型进行训练。

2.根据权利要求1所述的基于深度学习的井筒积液预测方法，其特征在于，步骤S32中所述利用缩放点乘注意力机制对步骤S2得到的融合后的特征计算Q(queries)、K(keys)、V(values)的方法为：

Q=Wy+;

K=Wky;

V=Wy+;

其中，W。、Wk、W分别为Q(queries)、K(keys)、V(values)对应的权重，y为对输入数据采用固定窗口大小切片后组成的数据。

3.根据权利要求2所述的基于深度学习的井筒积液预测方法，其特征在于，步骤S32中所述根据计算结果进行缩放点乘注意力计算的方法表示为：

其中，T表示矩阵转置，d为训练输入