CBiA-PSL抽油井异常工况预警模型
油田生产过程中,油井受各种因素的影响容易发生泵漏、管漏等异常工况,会降低油井产出甚至导致躺井,对异常工况预警是油田智能化管理的重要任务.基于CNN-BiGRU联合网络,提出一种改进的网络结构CBiA-PSL模型(CNN BiGRU attention-positive sharing loss),用于油井异常工况预警.模型利用CNN学习工况样本灰度图像的深度特征,BiGRU有效避免信息损失并加强CNN池化层特征的联系,注意力机制对隐藏状态加权计算以完成有效特征筛选.针对工况数据集不平衡的问题,提出正共享损失函数PSL,将异常数据(正类)划分为子类,每个子类都共享整个正类的损失,且给样本少的正类更高的权重.实验结果表明,CBiA-PSL模型预测效果更佳,对于异常类和整体的预测都有较高的精度.
卷积神经网络、双向门控循环单元、注意力机制、正共享损失、损失函数、异常工况识别、工况诊断与预警、数据不平衡
17
TP18(自动化基础理论)
国家自然科学基金;国家自然科学基金
2022-04-28(万方平台首次上网日期,不代表论文的发表时间)
共8页
295-302