[发明专利]一种基于特征优化和在线学习的固井泵压预测方法

说明书

本发明提供一种基于特征优化和在线学习的固井泵压预测方法，包括：利用施工数据与井身结构数据计算井径扩大率和质量变化量，实现特征扩展与优化；根据差异化作业引起的数据分布的变化，利用聚类方式划分数据子集，构建差异化的决策树基模型，并以Stacking方式集成得到预训练模型；对实时作业数据进行转换计算，并通过在线聚类方式划分样本所属类别，构建样本子集，以在线方式更新基模型或构建新基模型，并实现泵压预测；同时利用真实泵压值对集成模型进行在线训练。本发明可用于不同区块、不同井型的固井泵压预测，具有较高的准确性和泛化性，能为固井作业提供及时和准确的泵压值，以便更高效、更安全地进行固井作业。

技术领域

本发明涉及基于机器学习的石油固井作业泵压预测技术领域，尤其涉及利用优化特征预测固井泵压的在线集成方法。

背景技术

固井作业中对压力的预测与监控在石油工程领域具有重大的意义。在实际作业过程中，压力过大或流量控制不及时都可能会产生井喷或者井漏等情况，造成人力与财力的较大损失，但由于固井作业属于井下作业，施工人员不能及时观测到井下作业过程中的实际真实情况，无法及时对于井下发生情况进行处理，所以对于固井作业的泵压预测的实时性和准确性具有较高的需求。

目前，针对固井作业的泵压计算主要采用数理模型的模拟方式，通过对于大量数据进行数理模型的模拟计算，实现对于泵压的估计。这种方式由于对泵压影响因素较为复杂，前后相关性较大等原因可能导致模拟结果存在较大误差，而且泵压计算方式并不具有通用性，不同井之间具有不同的井身结构，井径的大小和井内流体压力的变化对于泵压具有较大的影响，而一般的数理模型只考虑到了流量的相关影响性，对井径等因素的考虑并不完备；而且不同地区的井下环境具有差异，无法采用有效的通用数理模型进行准确的计算，这导致了一般形式的数值模型估计的泵压值与实际值存在较大差异。因此，本发明提出了一种更适用的机器学习模型准确预测泵压作业中泵压的数值变化，可有效辅助和指导固井作业安全实施。

发明内容

本发明的目的在于，针对上述问题，提出一种基于特征优化和在线学习的固井泵压预测方法。

一种基于特征优化和在线学习的固井泵压预测方法，对于固井作业过程中的真实数据进行特征处理与特征构造，引入集成学习模型针对具有的不同关系的数据进行模型构建与预测，包括以下步骤：

 S1: 特征在线计算；

 S2: 模型预训练阶段；

 S3: 模型在线训练与预测。

进一步的，一种基于特征优化和在线学习的固井泵压预测方法，所述模型预训练阶段的数据包括固井井口泵压及相关因素数据集，相关因素数据集包括阶段、密度、流量、阶段排量、总排量特征。

进一步的，一种基于特征优化和在线学习的固井泵压预测方法，所述步骤S1包括：

通过实际固井作业获取的传感器信息与对应的井身结构数据进行特征在线计算，在在线训练过程中使用数理计算公式进行计算，得出新的相关因素作为辅助特征，计算式如下：

 ；

其中，代表井径扩大率；代表指所属位置，为环空或是井内；代表施工过程流体已覆盖位置的平均井径；代表当前位置的井径。

进一步的，一种基于特征优化和在线学习的固井泵压预测方法，所述步骤S1包括以下子步骤：

 S11：构造井内质量变化量，读取真实数据与对应井身结构数据，根据真实数据逐条计算当前情况的流体进入井内的总体积，通过数理公式计算出每个时刻下的每种流体的质量，同时考虑井内与环空两种情况，将特征分为井内和环空两种情况进行计算其变化量；

 S12：实时特征构建及优化；

 S121：构造井径扩大率，读取真实数据与对应井身结构数据，使用对应井身结构数据构造出深度与井径大小相对应的字典；