[发明专利]一种基于LSTM神经网络的抽油机井检泵周期预测方法

说明书

本发明设计了一种基于LSTM神经网络的抽油机井检泵周期预测方法，涉及油井检测技术领域。该方法包括获取抽油机井检泵周期样本数据集；通过线性回归对所述样本的多个特征参数进行优选，优选出影响抽油机井检泵周期的多个主控因素；训练基于LSTM神经网络的抽油机井检泵周期预测模型；根据训练好的模型获得检泵周期预测结果。本发明为了解决现有抽油机检泵周期预测模型中根据作业经验选取主控因素，且只考虑特征参数与检泵周期之间的静态关系，忽略了特征参数之间在时间上的连续变化性的问题，通过线性回归对特征参数进行优选，并训练LSTM神经网络进行预测，具有预测检泵周期较为准确的优点。

技术领域

本发明涉及油井检测技术领域，尤其涉及一种基于LSTM神经网络的抽油机井检泵周期预测方法。

背景技术

目前对抽油机井检泵周期的分析和预测主要分为基于抽油机井故障机理的方法和基于抽油机井特征参数的方法。基于故障机理的方法首先对抽油机井的故障类型进行分析和评价，然后依据经验和特征参数给出相应的结果，但是由于检泵周期和特征参数之间的关系较为复杂，特征参数之间又有一定的关联性，依据经验很难准确的把握检泵周期和特征参数之间的相关性；基于特征参数的方法主要是对抽油机井特征参数进行分析和研究，使用一定的算法或模型去学习特征参数和检泵周期之间的关系，但是现有的方法存在着只考虑特征参数与检泵周期之间的静态关系，忽略了特征参数之间在时间上的连续变化性的问题。

发明内容

针对现有技术中的上述不足，本发明的目的是提供一种基于LSTM神经网络的抽油机井检泵周期预测方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于LSTM神经网络的抽油机井检泵周期预测方法，具体步骤如下：

步骤一、获取抽油机井检泵周期样本数据集；

步骤二、通过线性回归对所述样本的多个特征参数进行优选，优选出影响抽油机井检泵周期的多个主控因素；

步骤三、训练基于LSTM神经网络的抽油机井检泵周期预测模型；

步骤四、根据抽油机井检泵周期预测模型获得检泵周期预测结果。

可选地，所述获取抽油机井检泵周期样本数据集是指，一个检泵周期的完整数据为一个样本数据。

可选的，所述通过线性回归对所述多个特征参数进行优选包括对所述样本的所有特征参数进行归一化预处理，公式如下；

其中为归一化之后的特征参数；x为抽油机井原始特征参数；X_min表示特征参数中的最小值；X_max表示特征参数中的最大值。

可选的，对归一化处理之后的特征参数使用多元线性回归进行拟合，获得归一化后特征参数的回归方程其中，y表示检泵周期，表示第i个特征参数，a₀表示回归方程的常数，a_i表示特征参数的权重。

可选的，使用回归方程中的权重值代表对应的特征参数对检泵周期的贡献度；判断贡献度是否超过预先设定的阈值；若超过，则将贡献度对应的特征参数作为主控因素进行建模。

可选的，所述基于LSTM神经网络的抽油机井检泵周期预测模型包括输入层、隐藏层、输出层和网络优化模型。

可选的，所述隐藏层为五层网络结构，两层LSTM层后连接三层全连接层，逐层训练，经过所有计算之后，把最后输出结果作为标签输入至网络优化模块，，在所述网络优化模块中进行优化。

可选的，所述网络优化模块接收样本数据对应的检泵周期，形成实际标签，所述实际标签和所述预测标签进行损失计算，采用均方误差损失函数，并通过随机梯度下降优化算法不断更新网络权重。