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

专利主权项内容

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：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；步骤2、建立压裂事件数据集和泵压预测数据集；步骤3、建立压裂过程多类型事件识别预警标准；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；所述步骤4中，建立压裂事件识别模型包括以下步骤：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；步骤4.1.2、将当前时刻t的输入数据x和上一个时间步的隐藏状态h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，x转换为振幅信息x_real和相位信息x_imag，h转换为振幅信息h_real和相位信息h_imag；tt-1tfftfftt-1fftfft步骤4.1.3、将振幅和相位信息进行信号融合，即x_real∪x_imag，h_real∪h_imag；fftfftfftfft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x和h；将x和h输入到最大池化层1中，最大池化核为2，输出x和h；将x和h输入到激活函数层1中，利用ReLU激活函数，将x和h进行非线性变换，得到x和h；convconvconvconvmaxpoolmaxpoolmaxpoolmaxpoolmaxpoolmaxpoolrelurelu步骤4.1.5、将x和h输入到卷积层2，卷积层2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x′和h′；将x′和h′输入到最大池化层2中，最大池化核为2，输出x′和h′；将x′和h′输入到激活函数层2中，利用ReLU激活函数，将x′和h′进行非线性变换，得到x′和h′>relureluconvconvconvconvmaxpoolmaxpoolmaxpoolmaxpoolmaxpoolmaxpoolrelurelu步骤4.1.6、将x′和h′分别输入到遗忘门、传入门、更新门和输出门中，表达式为：relurelu>＝Sigmoid(x′+h′+(c；w)+b)；(7)>relurelut-1cf>>＝Sigmoid(x′+h′+(c；w)+b)；(8)>relurelut-1ci>>＝Tanh(x′+h′+b)；(9)>relurelu>>＝Sigmoid(x′+h′+(c；w)+b)；(10)>relurelut-1co>其中，f为遗忘门输出，i为传入门输出，g为更新门输出，o为输出门输出；w、w、w分别表示上一个时间步的细胞状态c与遗忘门、传入门和输出门相关的权重矩阵；b、b、b、b分别表示遗忘门、传入门、输出门和更新门的偏置向量；>>>>cfcicot-1>>>>步骤4.1.7、基于上一个时间步的细胞状态c，获取当前时间步的细胞状态ct，表达式为：t-1>＝f⊙c+i⊙g；(11)>>t-1>t其中，⊙表示逐元素相乘操作；步骤4.1.8、计算当前时间步的隐藏状态h，表达式为：th＝o⊙Tanh(c)；(12)ttt步骤4.1.9、将h作为全连接层1和全连接层2的输入数据，获取数据分类结果；t所述步骤4.1.9包括以下子步骤：步骤4.1.9.1、将当前时间步的隐藏状态h作为全连接层1的输入数据，之后经过Softmax激活函数将全连接层1的输出转换为表示各个事件类别概率的向量，识别压裂开始、地层破裂、压裂结束和瞬时停泵事件；t步骤4.1.9.2、将当前时间步的隐藏状态h作为全连接层2的输入数据，之后经过Softmax激活函数将全连接层2的输出转换为表示各个事件类别概率的向量，识别泵球、盐酸降压、暂堵压裂和砂堵事件；t所述步骤4中，建立泵压预测模型包括以下步骤：步骤4.2.1、构建模型结构：基于FNN-LSTM网络结构建立泵压预测模型，所述泵压预测模型包括输入层、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、更新门和全连接层；模型输入为原始参数数据和扩展参数数据，模型输出为泵压预测数据；步骤4.2.2、将当前时刻t的输入数据x和上一个时间步的隐藏状态h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，x转换为振幅信息x_real和相位信息x_imag，h转换为振幅信息h_real和相位信息h_imag；tt-1tfftfftt-1fftfft步骤4.2.3、将振幅和相位信息进行信号融合，即x_real∪x_imag，h_real∪h_imag；fftfftfftfft步骤4.2.4、将融合后的信息依次输入到卷积层1、最大池化层1和激活函数层1中，得到x和h；relurelu步骤4.2.5、将x和h依次输入到卷积层2、最大池化层2和激活函数层2中，得到x′和h′；relurelurelurelu步骤4.2.6、将x′和h′分别输入到遗忘门、传入门、更新门和输出门中，得到遗忘门输出f、传入门输出i、更新门输出g和输出门输出o；relurelutttt步骤4.2.7、基于上一个时间步的细胞状态c，获取当前时间步的细胞状态c；t-1t步骤4.2.8、计算当前时间步的隐藏状态h；t步骤4.2.9、将h作为全连接层的输入数据，输出未来30s泵压；t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；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；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。