(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111603701.0 (22)申请日 2021.12.24 (71)申请人 中国石油天然气股份有限公司 地址 100011 北京市东城区安德路16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　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 代理人 张杰 (51)Int.Cl. G06F 30/27(2020.01) (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 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 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。 权利要求书2页 说明书7页 附图3页 CN 114239419 A 2022.03.25 CN 114239419 A 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； 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。 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S1中对 SCADA生产高频 数据进行降维的方法为： 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； 其中， 所述自 编码器包括多层LSTM网络， 每层LSTM网络具有不同的隐藏单元， 每层LSTM网络对SCADA生产 高频数据进行不同维度的特 征提取。 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S2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。 4.根据权利要求3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Trans former模型， 所述Trans former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。 5.根据权利要求4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＝Wqy`t； K＝Wky`t； V＝Wvy`t； 其中， Wq、 Wk、 Wv分别为Q(queries)、 K(keys)、 V(value s)对应的权重， y`t为对输入数据采 用固定窗口大小切片后组成的数据。 6.根据权利要求5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： 权　利　要　求　书 1/2 页 2 CN 114239419 A 2其中， T表示矩阵转置， dk为训练输入数据的维度。 7.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S3 中计 算重构误差向量的方法为： 先计算重构误差： 其中， et表示t时刻的重构误差， n表示输入输出的特征向量长度， yt为t时刻的输入数 据， 为t时刻的重构数据， 也即模型在t时刻的输出 数据； 再根据重构误差得到 重构误差向量： B＝[et‑h， ...et‑1， et]； 其中， B表示重构误差向量， h表示重构误差窗口大小。 8.根据权利要求7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S4中根 据重构误差向量计算动态阈值的方法为： 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； Δ 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， Δσ(e)为重构误差向量中重构误差的标准差 μ(B)与去掉异常的重构误差之后的重构误差的标准差 μ({e∈B|e＜ ε})之差； Ba为满足e＞ε 的重构误差e的集 合； Pj为Ba集合中连续重构误差的集 合。 9.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S4中所 述根据动态阈值判断井筒是否积液的方法为： 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。权　利　要　求　书 2/2 页 3 CN 114239419 A 3