基于深度学习的页岩气压裂砂堵事故预警方法

发布时间：2021-05-19 15:18

　　为预警页岩气压裂施工过程中砂堵事故,降低压裂施工成本,提出一种基于深度学习的压裂砂堵事故早期预警方法。首先,在分析压裂施工参数特征工程和数据基础上,采用长短时记忆神经网络（LSTM）算法,并引入编码-解码器结构,建立多变量时间序列预测模型;然后,利用该模型的综合压力参数及其他与压力参数相关性强的施工参数,挖掘、分析时间序列数据中隐含的信息;最后,以某段页岩气压裂数据为实际算例,比较LSTM和自回归移动平均（ARIMA）模型的预测结果。研究结果表明:与传统预测模型相比,LSTM网络模型能更准确地预测压裂施工曲线的变化趋势,预测精度提高21.75%;相比于人工判别传统预测模型,LSTM网络模型预测时间得到大幅提前。 

【文章来源】：中国安全科学学报. 2020,30(09)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 LSTM基本理论
2 页岩气大规模压裂及压裂砂堵事故
3 LSTM网络压裂砂堵预测模型
4 案例分析
    4.1 数据准备
    4.2 模型预测
    4.3 结果分析
5 结论


【参考文献】：
期刊论文
[1]基于长短期记忆网络的钻前测井曲线预测方法[J]. 王俊,曹俊兴,刘哲哿,周欣,雷学.  成都理工大学学报(自然科学版). 2020(02)
[2]高速铁路列车晚点时间实时预测的神经网络模型[J]. 黄平,文超,李忠灿,杨宇翔,彭其渊.  中国安全科学学报. 2019(S1)
[3]压裂酸化施工远程指挥系统应用[J]. 陈璟,李沛轩.  物联网技术. 2018(10)
[4]基于CNN-LSTM的QAR数据特征提取与预测[J]. 张鹏,杨涛,刘亚楠,樊志勇,段照斌.  计算机应用研究. 2019(10)
[5]基于时间序列分析的负荷预测方法的比较研究[J]. 蒋增林,叶江明,陈昊.  南京工程学院学报(自然科学版). 2018(02)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[7]斜率反转法在杭锦旗区块压裂施工中的应用[J]. 张宇,张永春,李月丽.  天然气勘探与开发. 2017(02)
[8]页岩气压裂技术现状及发展方向[J]. 刘广峰,王文举,李雪娇,潘少杰,白耀星.  断块油气田. 2016(02)
[9]中国页岩气特征、挑战及前景(二)[J]. 邹才能,董大忠,王玉满,李新景,黄金亮,王淑芳,管全中,张晨晨,王红岩,刘洪林,拜文华,梁峰,吝文,赵群,刘德勋,杨智,梁萍萍,孙莎莎,邱振.  石油勘探与开发. 2016(02)
[10]预测水力压裂井砂堵的新方法[J]. 何智慧,马新仿,熊廷松,郭子义,王怡.  科学技术与工程. 2014(08)



本文编号：3195991