[發明專利]一種基于LSTM神經網絡的抽油機井檢泵周期預測方法

在審

• 申請號: 202110018564.8
• 申請日: 2021-01-07
• 公開（公告）號: CN112832744A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 張威;張曉東;王栩穎
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: E21B47/008
• 分類號: E21B47/008;F04B51/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于，包含如下步驟：

步驟一、獲取抽油機井檢泵周期樣本數據集；

步驟二、通過線性回歸對所述樣本的多個特征參數進行優選，優選出影響抽油機井檢泵周期的多個主控因素；

步驟三、訓練基于LSTM神經網絡的抽油機井檢泵周期預測模型；

步驟四、根據抽油機井檢泵周期預測模型獲得檢泵周期預測結果。

2.根據權利要求1所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：所述步驟一中獲取抽油機井檢泵周期樣本數據集是指，一個檢泵周期的完整數據為一個樣本數據。

3.根據權利要求1所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：所述步驟二中通過線性回歸對所述多個特征參數進行優選包括對所述樣本的所有特征參數進行歸一化預處理，公式如下；

其中為歸一化之后的特征參數；x為抽油機井原始特征參數；X_min表示特征參數中的最小值；X_max表示特征參數中的最大值。

4.根據權利要求3所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：對歸一化處理之后的特征參數使用多元線性回歸進行擬合，獲得歸一化后特征參數的回歸方程其中，y表示檢泵周期，表示第i個特征參數，a₀表示回歸方程的常數，a_i表示特征參數的權重。

5.根據權利要求4所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：使用回歸方程中的權重值代表對應的特征參數對檢泵周期的貢獻度；判斷貢獻度是否超過預先設定的閾值；若超過，則將貢獻度對應的特征參數作為主控因素進行建模。

6.根據權利要求1所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：所述步驟三中抽油機井檢泵周期預測模型包括輸入層、隱藏層、輸出層和網絡優化模型。

7.根據權利要求6所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：所述隱藏層為五層網絡結構，兩層LSTM層后連接三層全連接層，逐層訓練，經過所有計算之后，把最后輸出結果作為標簽輸入至網絡優化模塊，，在所述網絡優化模塊中進行優化。

8.根據權利要求7所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：所述網絡優化模塊接收樣本數據對應的檢泵周期，形成實際標簽，所述實際標簽和所述預測標簽進行損失計算，采用均方誤差損失函數，并通過隨機梯度下降優化算法不斷更新網絡權重。

9.根據權利要求8所述的一種基于LSTM神經網絡的抽油機井檢泵周期預測方法，其特征在于：所述LSTM神經網絡單元具體公式表示如下：

i_t＝σ(W_it[h_t-1,x_t]+b_it)

f_t＝σ(W_ft[h_t-1，x_t]+b_ft)

o_t＝σ(W_ot[h_t-1,x_t]+b_ot)

h_t＝o_t tanh(c_t)

其中i_t、f_t、c_t、o_t分別為t時刻的輸入門向量、遺忘門向量、臨時細胞狀態向量、細胞狀態向量、輸出門向量；x_t和h_t分別為LSTM神經網絡的輸入和輸出；σ和tanh分別為sigmoid和雙曲正切激活函數；W為權重系數矩陣；b為偏置向量。