[发明专利]一种基于元迁移学习的小样本有杆泵井工况诊断方法

说明书

本发明公开了一种基于元迁移学习的小样本有杆泵井工况诊断方法，属于石油工况诊断技术领域，本发明结合迁移学习和元学习两者性能的优点构建元迁移学习算法框架，通过使用在相关数据集上的预训练所得良好的网络初始化参数，再利用元学习特有的超参数自动学习能力，以更高的效率训练出用于工况诊断的模型，并将该模型应用于有杆泵井工况的实时监测中，实现科学合理地诊断油井生产问题，从而显著改善油藏开发效果；同时，使用元梯度正则化策略和困难任务样本选取方法，适用于实际油田井数多但可用带诊断标签少的情况，更贴近实际油田现场的油井故障诊断情况。

技术领域

本发明属于石油工况诊断技术领域，具体涉及一种基于元迁移学习的小样本有杆泵井工况诊断方法。

背景技术

能源在现代生活中扮演着重要的角色，被称为“工业血液”。它不仅是人们日常生活的需要，也是国民经济持续快速发展的基础支撑。因此，不断提高油气田勘探开发技术具有重要的现实意义。抽油井工况诊断技术以抽油杆柱作为井下性能的传输线，下端的泵作为发射器，上端的功率计作为接收器。井下泵的工况以声波的速度沿杆柱以应力波的形式传播到地表。对地面记录的数据进行数学处理后，可以定量推断泵的工作状况。传统方法计算较为复杂，效率较低。

随着近年来人工智能技术的发展，凭借智能、自动化、简单、高效的优势，利用机器学习方法解决传统工程问题越来越流行。人工神经网络具有良好的并行学习和问题处理能力，能够在解决故障诊断问题中取得良好的分类效果。而传统机器学习方法网络参数冗余，导致所需示功图样本数量过多，且诊断效率低。

发明内容

针对传统机器学习方法网络参数冗余导致所需示功图样本数量过多的问题，本发明提出了一种基于元迁移学习的小样本有杆泵井工况诊断方法，结合迁移学习和元学习，减少运行时间，提高计算效率。

本发明的技术方案如下：

一种基于元迁移学习的小样本有杆泵井工况诊断方法，包括以下步骤：

S1.确定油田示功图任务总分布p(T)和相应的数据集D，初始化学习率和；

S2.随机初始化特征提取器参数、基础学习器参数，以及缩放和位移参数；

S3.进行迁移学习的预训练阶段，对数据集D中的训练样本进行误差损失验证，反向传播并优化特征提取器参数和基础学习器参数；

S4.设定缩放、位移参数初始值，将设置为0，将设置为1；针对小样本数据集，重新设置基础学习器参数，进行随机初始化处理；再设定一个空数据集{m^*}用来放置后续处理失败的任务；

S5.进行元学习阶段，随机选择抽油井示功图总分布p(T)中的K个任务集；对于这K个任务，对每个任务中的样本数据进行训练，通过误差损失来优化参数，数学描述如下所示：

(2)

式中，涉及多个类别，每次在新的少样本设置中进行分类；对应一个临时分类器，只适用于当前数据集，并由前几个数据集优化的初始化；为损失对的梯度求导；为在训练任务上的损失值；

S6.优化缩放和位移参数，以及对学习器参数进行更新，数学描述如下：

(3)

式中，为测试任务损失对进行梯度求导更新参数，i分别为1和2；

根据与上述公式相同的学习率更新和优化：

(4)

式中，为在测试任务上的损失值；