[发明专利]一种基于Res-TCN神经网络的油井产液伴生气智能预测方法

权利要求书

1.一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：包括以下步骤：

步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签；

步骤2、预处理样本数据，构建数据集；

步骤3、根据数据集构建Res-TCN神经网络模型；

步骤4、对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。

2.根据权利要求1所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤1的具体实现方法为：将四扇区多电极电导传感器通过法兰连接垂直安装于井口下降管道上，测量井口下降管道内不同工况及不同截面位置下含气率波动信号数据，并保存采集到的数据，同时通过离线气液分离计测量得到与传感器测量工况对应的含气率数据，共采集G类不同含气率下的样本数据，并作为含气率预测标签。

3.根据权利要求1所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2包括以下步骤：

步骤2.1、预处理样本数据；

步骤2.2、通过无重叠的滑动窗口截取所有工况下的含气率波动样本数据作为单个样本；

步骤2.3、随机将样本按比例划分数据集。

4.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.1的具体实现方法为：

标准化样本数据：

归一化样本数据：

其中，为第j扇区的第i个流体数据，为第j扇区流体数据的平均值，为第j扇区流体数据的标准差，为第j扇区流体数据的最大值，为第j扇区流体数据的最小值，为预处理后的第j扇区的第i个流体信号。

5.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.2的具体实现方法为：设滑动窗口的长度为H，则在长度为L的流体信号中得到个样本，其中代表向下取整，得到所有工况下流体数据的M个样本。

6.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.3的比例为：训练集∶验证集∶测试集＝6∶2∶2。

7.根据权利要求3所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤3的Res-TCN神经网络模型包括：第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块、第四Res-TCN模块和输出模块，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块并行连接输出模块。

8.根据权利要求7所述的一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块结构相同，并且均包括第一时间卷积层和顺序连接的T层Res-TCN单元，第一时间卷积层和顺序连接的T层Res-TCN单元依次顺序连接；

所述Res-TCN模块的具体计算方法为：

其中，X₀为第一时间卷积层的输入，X₁为第一时间卷积层的输出，W₁为第一时间卷积层的权重，X_l为第l层Res-TCN单元的输出，X_l-1为第l-1层Res-TCN单元的输出，F为当前TCN卷积单元的输出，W为当前TCN卷积单元层的权重参数，σ为激活函数，W_i为当前Res-TCN单元内权重参数，X_T为第T个Res-TCN单元的网络输出；第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块生成4路包含不同含气率波动信息的特征向量。