基于深度学习的页岩气压裂砂堵事故预警方法

摘要：

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.

关键词：深度学习、页岩气压裂、砂堵事故、长短时记忆神经网络(LSTM)、编码-解码器、施工曲线

所属期刊栏目：30

分类号：X928.03(安全管理（劳动保护管理）)

资助基金：北京市科技新星计划;国家万人计划青年拔尖人才项目

在线出版日期：2020-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：108-114