本發(fā)明涉及氣藏開(kāi)發(fā)，特別涉及一種基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著新時(shí)代工業(yè)的迅速發(fā)展，氣藏能源產(chǎn)業(yè)也在持續(xù)開(kāi)發(fā)，其開(kāi)發(fā)過(guò)程伴隨一系列問(wèn)題比如，在開(kāi)采氣井井筒中容易形成嚴(yán)重的堵塞節(jié)流現(xiàn)象(堵塞物往往是一些結(jié)垢物)，造成氣井產(chǎn)能急劇下降，迫使氣井減產(chǎn)、停產(chǎn)，對(duì)生產(chǎn)造成嚴(yán)重影響。部分氣井結(jié)垢還會(huì)造成近井地帶污染、井筒有效流動(dòng)空間降低等問(wèn)題，因此高壓氣井需要時(shí)刻了解結(jié)垢的定性定量情況便于周期除垢以保證正常生產(chǎn)。

2、傳統(tǒng)的結(jié)垢預(yù)測(cè)方法依賴物理模型，主要基于結(jié)垢形成過(guò)程的化學(xué)動(dòng)力學(xué)和流體力學(xué)理論，利用傳遞函數(shù)來(lái)描述系統(tǒng)的動(dòng)態(tài)行為。然而，由于井筒結(jié)垢過(guò)程的復(fù)雜性和影響因素的多樣性，傳統(tǒng)傳遞函數(shù)模型難以全面準(zhǔn)確地反映井筒內(nèi)結(jié)垢的形成和變化，對(duì)氣井結(jié)垢的判別不夠精確，對(duì)結(jié)垢的定量判斷還存在缺陷。其他井筒結(jié)垢的定量預(yù)測(cè)方法主要依賴于經(jīng)驗(yàn)?zāi)Ｐ秃蛯?shí)驗(yàn)數(shù)據(jù)，但這些方法精度有限，無(wú)法充分考慮井筒內(nèi)復(fù)雜的多維參數(shù)變化。此外，溫度壓力是影響結(jié)垢程度的重要指標(biāo)，但氣井井筒溫壓分布動(dòng)態(tài)變化，溫度壓力隨井深增加而增加，如何建立井筒縱向沉積模型是關(guān)鍵。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明旨在提供一種基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法及系統(tǒng)。

2、本發(fā)明的技術(shù)方案如下：

3、一方面，提供一種基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，包括以下步驟：

4、s1：獲取不同時(shí)間點(diǎn)井筒內(nèi)部的三維圖像和基礎(chǔ)參數(shù)，并對(duì)所述三維圖像和所述基礎(chǔ)參數(shù)進(jìn)行預(yù)處理；

5、s2：構(gòu)建動(dòng)態(tài)傳遞函數(shù)模型，通過(guò)所述動(dòng)態(tài)傳遞函數(shù)模型結(jié)合預(yù)處理后的基礎(chǔ)數(shù)據(jù)預(yù)測(cè)井筒內(nèi)結(jié)垢隨時(shí)間變化的動(dòng)態(tài)行為；

6、s3：構(gòu)建3d?cnn模型，并將預(yù)處理后的三維圖像作為所述3d?cnn模型的輸入，對(duì)其進(jìn)行空間特征提??；

7、s4：構(gòu)建lstm模型，并將提取的空間特征作為所述lstm模型的輸入，利用所述lstm模型預(yù)測(cè)井筒內(nèi)的結(jié)垢量；

8、s5：根據(jù)所述動(dòng)態(tài)傳遞函數(shù)模型預(yù)測(cè)的動(dòng)態(tài)行為，結(jié)合步驟s4的輸出結(jié)果，調(diào)整所述動(dòng)態(tài)傳遞函數(shù)模型、3d?cnn模型以及l(fā)stm模型中的參數(shù)，重復(fù)步驟s2-s5，獲得最終的預(yù)測(cè)模型；

9、s6：根據(jù)所述最終的預(yù)測(cè)模型對(duì)目標(biāo)井筒進(jìn)行結(jié)垢預(yù)測(cè)。

10、作為優(yōu)選，步驟s1中，所述基礎(chǔ)參數(shù)包括壓力、溫度、流量、結(jié)垢形成物質(zhì)濃度。

11、作為優(yōu)選，步驟s1中，對(duì)所述基礎(chǔ)參數(shù)進(jìn)行預(yù)處理包括去噪處理、標(biāo)準(zhǔn)化或歸一化處理。

12、作為優(yōu)選，步驟s2中，所述動(dòng)態(tài)傳遞函數(shù)模型包括：

13、流體動(dòng)力傳遞函數(shù)：

14、

15、式中：g(s)為傳遞函數(shù)；u(s,x)和p(s,x)分別為u(x,t)和p(x,t)的拉普拉斯變換；u(x,t)和p(x,t)分別為x,t條件下的氣體流速和壓力；x為流體中氣體速度和壓力的分布位置；s為拉式變量；ρ為氣體密度；μ為氣體粘度；t為時(shí)間；

16、結(jié)垢前體質(zhì)量守恒傳遞函數(shù)：

17、

18、式中：d為擴(kuò)散系數(shù)；

19、化學(xué)反應(yīng)速率傳遞函數(shù)：

20、

21、結(jié)垢速率傳遞函數(shù)：

22、

23、式中：ks為結(jié)垢速率常數(shù)；

24、結(jié)垢位置傳遞函數(shù)：

25、

26、式中：r(s)為系統(tǒng)參考輸入或設(shè)定值；u(s)為控制輸入或控制信號(hào)；a為常數(shù)項(xiàng)。

27、作為優(yōu)選，步驟s3中，進(jìn)行空間特征提取具體包括以下子步驟：首先，輸入預(yù)處理后的三維圖像，其次進(jìn)行卷積特征提取，再次進(jìn)行激活處理，然后進(jìn)行池化處理，再然后進(jìn)行多次重復(fù)卷積和池化，最后通過(guò)全連接層輸出提取的空間特征。

28、作為優(yōu)選，步驟s4中，利用所述lstm模型預(yù)測(cè)井筒內(nèi)的結(jié)垢量具體包括以下子步驟：首先，獲取提取的空間特征，其次對(duì)空間特征進(jìn)行扁平化處理并輸入至lstm模型，再次通過(guò)lstm模型的輸入門、更新記憶門、遺忘門、輸出門捕捉長(zhǎng)期依賴，然后通過(guò)lstm模型的全連接層進(jìn)行預(yù)測(cè)，最后使用損失函數(shù)計(jì)算誤差，并通過(guò)反向傳播優(yōu)化lstm模型參數(shù)。

29、作為優(yōu)選，步驟s5中，通過(guò)反饋控制器調(diào)整所述動(dòng)態(tài)傳遞函數(shù)模型、3d?cnn模型以及l(fā)stm模型中的參數(shù)。

30、作為優(yōu)選，步驟s5中，所述反饋控制器采用pid控制器。

31、作為優(yōu)選，步驟s5中，通過(guò)反饋控制器調(diào)整所述動(dòng)態(tài)傳遞函數(shù)模型、3d?cnn模型以及l(fā)stm模型中的參數(shù)具體包括以下子步驟：計(jì)算預(yù)測(cè)值與實(shí)際觀測(cè)數(shù)據(jù)之間的誤差，通過(guò)所述誤差計(jì)算誤差修正量，控制器輸出調(diào)整模型權(quán)重，反饋循環(huán)更新模型。

32、另一方面，還提供一種基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)系統(tǒng)，包括：

33、數(shù)據(jù)采集模塊，用于獲取不同時(shí)間點(diǎn)井筒內(nèi)部的三維圖像和基礎(chǔ)參數(shù)，并對(duì)所述三維圖像和所述基礎(chǔ)參數(shù)進(jìn)行預(yù)處理；

34、動(dòng)態(tài)傳遞函數(shù)模型模塊，用于構(gòu)建動(dòng)態(tài)傳遞函數(shù)模型，并通過(guò)所述動(dòng)態(tài)傳遞函數(shù)模型結(jié)合預(yù)處理后的基礎(chǔ)數(shù)據(jù)預(yù)測(cè)井筒內(nèi)結(jié)垢隨時(shí)間變化的動(dòng)態(tài)行為；

35、3d?cnn模型模塊，用于構(gòu)建3d?cnn模型，并將預(yù)處理后的三維圖像作為所述3dcnn模型的輸入，對(duì)其進(jìn)行空間特征提?。?/p>

36、lstm模型模塊，用于構(gòu)建lstm模型，并將提取的空間特征作為所述lstm模型的輸入，利用所述lstm模型預(yù)測(cè)井筒內(nèi)的結(jié)垢量；

37、調(diào)整模塊，用于根據(jù)所述動(dòng)態(tài)傳遞函數(shù)模型預(yù)測(cè)的動(dòng)態(tài)行為，結(jié)合步驟s4的輸出結(jié)果，調(diào)整所述動(dòng)態(tài)傳遞函數(shù)模型、3d?cnn模型以及l(fā)stm模型中的參數(shù)，重復(fù)步驟s2-s5，獲得最終的預(yù)測(cè)模型；

38、預(yù)測(cè)模塊，用于根據(jù)所述最終的預(yù)測(cè)模型對(duì)目標(biāo)井筒進(jìn)行結(jié)垢預(yù)測(cè)。

39、本發(fā)明的有益效果是：

40、本發(fā)明通過(guò)結(jié)合3d卷積神經(jīng)網(wǎng)絡(luò)對(duì)井筒圖像數(shù)據(jù)進(jìn)行空間特征提取，能夠有效捕捉井筒內(nèi)結(jié)垢的空間分布信息，同時(shí)利用長(zhǎng)短期記憶網(wǎng)絡(luò)處理時(shí)間序列數(shù)據(jù)，捕捉結(jié)垢隨時(shí)間變化的長(zhǎng)期依賴關(guān)系。通過(guò)引入傳遞函數(shù)，模型能夠根據(jù)系統(tǒng)的物理動(dòng)態(tài)特性進(jìn)行實(shí)時(shí)反饋和調(diào)整，有效降低預(yù)測(cè)誤差。

41、本發(fā)明還能夠利用控制器，通過(guò)控制器調(diào)整傳遞函數(shù)的輸出與神經(jīng)網(wǎng)絡(luò)的權(quán)重，使得系統(tǒng)預(yù)測(cè)結(jié)果更加接近實(shí)際觀測(cè)值，從而增強(qiáng)了模型的魯棒性和泛化能力。本發(fā)明不僅能夠有效處理結(jié)垢預(yù)測(cè)中空間和時(shí)間維度的復(fù)雜特征，還能通過(guò)物理與數(shù)據(jù)驅(qū)動(dòng)模型的融合，避免過(guò)擬合問(wèn)題，進(jìn)一步提高模型的預(yù)測(cè)精度。

42、本發(fā)明能夠?qū)驳慕Y(jié)垢堵塞物進(jìn)行定量預(yù)測(cè)，得到結(jié)垢堵塞物的分布，為后續(xù)的定期清理以及油氣開(kāi)采帶來(lái)不少便利。

技術(shù)特征：

1.一種基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s1中，所述基礎(chǔ)參數(shù)包括壓力、溫度、流量、結(jié)垢形成物質(zhì)濃度。

3.根據(jù)權(quán)利要求1所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s1中，對(duì)所述基礎(chǔ)參數(shù)進(jìn)行預(yù)處理包括去噪處理、標(biāo)準(zhǔn)化或歸一化處理。

4.根據(jù)權(quán)利要求1所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s2中，所述動(dòng)態(tài)傳遞函數(shù)模型包括：

5.根據(jù)權(quán)利要求1所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s3中，進(jìn)行空間特征提取具體包括以下子步驟：首先，輸入預(yù)處理后的三維圖像，其次進(jìn)行卷積特征提取，再次進(jìn)行激活處理，然后進(jìn)行池化處理，再然后進(jìn)行多次重復(fù)卷積和池化，最后通過(guò)全連接層輸出提取的空間特征。

6.根據(jù)權(quán)利要求1所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s4中，利用所述lstm模型預(yù)測(cè)井筒內(nèi)的結(jié)垢量具體包括以下子步驟：首先，獲取提取的空間特征，其次對(duì)空間特征進(jìn)行扁平化處理并輸入至lstm模型，再次通過(guò)lstm模型的輸入門、更新記憶門、遺忘門、輸出門捕捉長(zhǎng)期依賴，然后通過(guò)lstm模型的全連接層進(jìn)行預(yù)測(cè)，最后使用損失函數(shù)計(jì)算誤差，并通過(guò)反向傳播優(yōu)化lstm模型參數(shù)。

7.根據(jù)權(quán)利要求1所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s5中，通過(guò)反饋控制器調(diào)整所述動(dòng)態(tài)傳遞函數(shù)模型、3d?cnn模型以及l(fā)stm模型中的參數(shù)。

8.根據(jù)權(quán)利要求7所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s5中，所述反饋控制器采用pid控制器。

9.根據(jù)權(quán)利要求7或8所述的基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法，其特征在于，步驟s5中，通過(guò)反饋控制器調(diào)整所述動(dòng)態(tài)傳遞函數(shù)模型、3d?cnn模型以及l(fā)stm模型中的參數(shù)具體包括以下子步驟：計(jì)算預(yù)測(cè)值與實(shí)際觀測(cè)數(shù)據(jù)之間的誤差，通過(guò)所述誤差計(jì)算誤差修正量，控制器輸出調(diào)整模型權(quán)重，反饋循環(huán)更新模型。

10.一種基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于傳遞函數(shù)與機(jī)器學(xué)習(xí)的井筒結(jié)垢預(yù)測(cè)方法及系統(tǒng)，所述方法包括以下步驟：S1：獲取不同時(shí)間點(diǎn)井筒內(nèi)部的三維圖像和基礎(chǔ)參數(shù)，并對(duì)所述三維圖像和所述基礎(chǔ)參數(shù)進(jìn)行預(yù)處理；S2：構(gòu)建動(dòng)態(tài)傳遞函數(shù)模型，預(yù)測(cè)井筒內(nèi)結(jié)垢隨時(shí)間變化的動(dòng)態(tài)行為；S3：構(gòu)建3D?CNN模型，并將預(yù)處理后的三維圖像作為所述3D?CNN模型的輸入，對(duì)其進(jìn)行空間特征提取；S4：構(gòu)建LSTM模型，并將提取的空間特征作為所述LSTM模型的輸入，利用所述LSTM模型預(yù)測(cè)井筒內(nèi)的結(jié)垢量；S5：根據(jù)動(dòng)態(tài)傳遞函數(shù)模型預(yù)測(cè)的動(dòng)態(tài)行為，結(jié)合步驟S4的輸出結(jié)果，調(diào)整模型中的參數(shù)，重復(fù)步驟S2?S5，獲得最終的預(yù)測(cè)模型；S6：根據(jù)最終的預(yù)測(cè)模型對(duì)目標(biāo)井筒進(jìn)行結(jié)垢預(yù)測(cè)。本發(fā)明能夠準(zhǔn)確預(yù)測(cè)井筒結(jié)垢。

技術(shù)研發(fā)人員：游旭濤,賈林薈,陳翔,吳建發(fā),趙金洲,劉平禮,唐登濟(jì),王嘉偉,何小紅,羅歡
受保護(hù)的技術(shù)使用者：成都信息工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/22