基于深度学习方法的液压 fracturing(水力压裂)风险筛选早期预警模型
《ADVANCED ENGINEERING INFORMATICS》:Early risk warning model of hydraulic fracturing screen-out risk based on deep learning method
【字体:
大
中
小
】
时间:2026年05月18日
来源:ADVANCED ENGINEERING INFORMATICS 9.9
编辑推荐:
李玉峰|毛胜|庄晓英|张帅|田守成|黄忠伟|李根生摘要水平井的多段压裂对于非常规储层的开发至关重要,但砂筛堵塞仍然是导致作业失败的主要风险。因此,对砂筛堵塞风险的早期预警至关重要。传统的物理模型依赖于压裂网压趋势或斜率分析,通常仅限于事后诊断。本文提出了一种基于时间注意力的长短期
李玉峰|毛胜|庄晓英|张帅|田守成|黄忠伟|李根生
摘要
水平井的多段压裂对于非常规储层的开发至关重要,但砂筛堵塞仍然是导致作业失败的主要风险。因此,对砂筛堵塞风险的早期预警至关重要。传统的物理模型依赖于压裂网压趋势或斜率分析,通常仅限于事后诊断。本文提出了一种基于时间注意力的长短期记忆(Long Short-Term Memory, LSTM)神经网络,用于早期预警砂筛堵塞。通过使用120秒的历史窗口和30秒的预测范围,将连续的处理数据转换为监督序列。我们定义了一个每秒的风险标志,该标志是根据原始压力、流量和支撑剂曲线通过压力变化率、流量波动和支撑剂趋势提取的规则化指标。当在预测范围内至少出现五个风险标志时,序列被标记为阳性,从而使模型能够学习到持续性的前兆而非瞬态噪声。通过在训练集中进行欠采样来缓解数据集不平衡问题。Attention-LSTM模型能够捕捉关键压裂参数的时间依赖性和动态波动。将基于物理特性的特征与原始数据相结合,以提高可解释性并减少误报。在渭源页岩气数据集上,所提出的模型实现了0.956的F1分数,并且在默认决策阈值下显著改善了误报控制。该模型在专家标注的风险预警区出现前约25秒发出预警,为操作响应提供了可操作的提前时间。这些结果表明,所提出的Attention-LSTM为研究的数据集提供了一个准确且可解释的早期预警工具。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号