1.一种基于卷积神经网络的气井积液预测方法,其特征在于,包括以下步骤:
S1、数据采集:获取气田中气井的日产气量的数据和井口油压的数据;
S2、数据清洗及数据集制作:将S1的日产气量的数据和井口油压的数据制作成谱线的图片,获得的所有图片组成图片集,在每张图片中,以时间为x轴,将日产气量的数据作为一个y轴,将井口油压的数据作为另一个y轴;
S3、数据集预处理:对图片集进行预处理操作,每一张图片预处理操作后为预处理图片,得到由预处理图片组成的预处理图片集,预处理操作为:图像解码、灰度化处理、图像大小调整和归一化操作;
S4、设计卷积神经网络模型,卷积神经网络模型含有1个输入层、2~6个卷积层、2~6个池化层、3~5个全连接层、1个分类层、1个输出层,卷积神经网络模型的预测结果为积液或非积液;
S5、模型训练:将预处理图片集中的预处理图片分成训练集和测试集,训练集和测试集的预处理图片的数量比为(6~7):(3~4),将训练集内预处理图片分批次输入卷积神经网络模型进行训练,每批次训练完毕后,得到训练集的预测结果、交叉熵损失曲线和训练准确率曲线,通过交叉熵损失曲线获得损失值和通过训练准确率曲线获得准确率,当准确率达到97%以上且损失值降低至0.01以下卷积神经网络模型训练完毕;
S6、模型验证:将测试集输入卷积神经网络模型进行训练,得到测试集的损失值和准确率,若测试集的准确率与训练集的准确率的差大于10%和/或测试集的损失值与训练集的损失值的差大于0.1,则判定该卷积神经网络模型存在过拟合的缺陷,重复S4~S5直至测试集的准确率与训练集的准确率的差小于等于10%且测试集的损失值与训练集的损失值的差小于等于0.1,此时判定为该卷积神经网络模型训练完毕;
S7、将该气田中待预测气井的日产气量的数据和井口油压的数据按照S1~S3进行操作,以获得待预测气井的预处理图片,将一张该待预测气井的预处理图片输入S6中所得训练完毕的卷积神经网络模型,卷积神经网络模型输出预测结果。
2.根据权利要求1所述的气井积液预测方法,其特征在于,在所述S2中,每张图片中的时间范围不少于7天。
3.根据权利要求2所述的气井积液预测方法,其特征在于,在所述S2中,每张图片的分辨率在(400~800)*(300~600),RGB通道数为3。
4.根据权利要求3所述的气井积液预测方法,其特征在于,在所述S3中,图像解码位于预处理操作的第一步,归一化操作位于预处理操作的第四步,灰度化处理和图像大小调整分别位于预处理操作的第三步和第二步,第三步和第二步的顺序可互换。
5.根据权利要求4所述的气井积液预测方法,其特征在于,在所述S3中,预处理操作为:
首先将每一张图片图像解码为矩阵张量,然后采用插值算法将图片大小调整为(100~
200)*(75~150),然后将图片的RGB三通道彩色转换为一通道灰色,最后进行归一化,即可将该图片制作成预处理图片。
6.根据权利要求5所述的气井积液预测方法,其特征在于,在所述S3中,归一化操作的处理公式为 式中:xi为归一化操作前一步获得矩阵中的一个数值,yi代表预处理图片的矩阵中的数值, 代表xi的平均值, i代表xi所在矩阵中数据的数目,i=1……n,s代表xi的标准差,
7.根据权利要求6所述的气井积液预测方法,其特征在于,在所述S4中,分类层采用Softmax函数进行分类,所述S4中Softmax函数的公式为 式中Vj代表S4中按顺序计最后一个全连接层中输出单元的输出数值,j表示卷积神经网络模型的预测结果的索引,j=0或1,气井总的分类类别的个数为C,C=2,Sj表示的是第j个类别所占的比率。
8.根据权利要求7所述的气井积液预测方法,其特征在于,在所述S4中,在卷积层与全连接层引入激活函数,激活函数采用ReLU函数,ReLU函数的运算表达式为:f(m)=max{0,m},式中max代表取m与0的最大值,m代表卷积层进行卷积运算后的输出值或全连接层进行特征整合后的输出值,当m>0时,ReLU函数的梯度恒等于1,当m<0时,f(m)恒等于0;
在所述S4中,在全连接层使用Dropout操作;
在所述S4中,卷积神经网络模型的构建基于Python语言和TensorFlow神经网络框架。
9.根据权利要求8所述的气井积液预测方法,其特征在于,在所述S5中,卷积神经网络模型的总迭代次数Epoch设置为150~200次;
在所述S5中,卷积神经网络模型中优化器采用AdamOptimizer,优化器的学习率设置为
0.0005~0.001。
10.根据权利要求9所述的气井积液预测方法,其特征在于,在所述S7中,待预测气井的日产气量的数据和井口油压的数据的所得图片的时间范围与训练集和测试集的日产气量的数据和井口油压的数据的所得图片的时间范围相同。