[发明专利]一种压裂施工中油压峰值的在线图神经网络预测方法

权利要求书

1.一种压裂施工中油压峰值的在线图神经网络预测方法，其具体包括如下步骤：

步骤1、数据预处理，具体步骤如下：

(1)周期划分；将压裂施工数据中的油压序列与沙浓序列进行周期划分，划分方式为上次加入沙浓起到下次加入沙浓起为一个周期，每个周期包括各时刻的加沙浓度以及对应的油压值的大小，当加沙浓度为0时即为停止加沙；

(2)峰值选取与节点属性构建；取每个周期中油压的最大值和最小值分别作为两个网络节点，即每个周期包含2个节点，每个节点采用油压峰值作为标签，组成油压峰值序列；节点属性包括当前周期内的沙浓序列的统计信息，具体包括：沙浓序列的最大值，最小值，平均值，方差，停止加沙时长，加沙时长，加沙总量；

(3)训练集与测试集的划分；对油压值序列进行训练集、验证集、测试集的划分，选择前百分之七十作为训练集，后百分之十作为验证集，最后百分之二十作为测试集；

(4)网络构建；对训练集的油压序列进行可视图网络构建，可视图网络实现了时间序列到复杂网络的转换；具体如下：给定油压序列X_n＝{x₁，x₂，...，x_n}，其中x_i表示在时间i时刻的油压值；将每个油压值作为一个节点，即：n_i＝x_i；边的定义规则：其中a＜b＜c，t表示时间先后关系；如果x_a和x_c满足此规则，则x_a和x_c之间存在连边；遍历整个油压值序列X_n，完成可视图网络的构建；

(5)基于以上数据预处理后得到油压峰值可视图网络邻接矩阵A以及对应的各个节点属性矩阵X；

步骤2、提出使用图自编码器获取各个节点的低维向量表示，编码器层使用两层的图卷积神经网络，解码器层使用简单的内积解码器以两节点之间是否连边进行解码；编码器：z＝GCN(X，A)，解码器：损失函数：L＝E_q(Z|X，A)[logP(A|Z)]；E_q(Z|X，A)表示交叉熵损失函数，衡量与A之间的重构损失，即计算邻接矩阵A中与重构邻接矩阵中的元素的值之间的差异；两层图卷积神经网络定义如下：其中A为整个图的邻接矩阵，D为度矩阵，ReLU(·)表示RELU激活函数，W₀与W₁为可学习的参数，为解码器重构的图结构，σ为sigmoid激活函数，

步骤3、提出基于相似度的油压值预测方法；对预测的油压值，采取默认与前一节点连接的方式，通过图自编码器得到各个节点的向量表示，对预测节点的向量表示分别与网络中已知油压的节点的向量进行cos相似度计算，找出Topk个最相似的节点值，Topk是超参数，表示最相似的节点的个数；通过验证集确定最优相似节点个数；将计算的相似度作为各节点的权重分别与已知油压值进行线性求和后作为预测点的油压值；

步骤4、网络修正；将步骤3得到的下一节点的油压值加入步骤1中的油压序列中，重新进行可视图网络构建，由于步骤3中默认预测油压值节点与前一节点相连，将导致预测点缺少连边，所以需要将预测后的油压值进行网络修正；同时，由于新来的预测节点会导致网络不断增大，为控制网络规模，引入网络遗忘机制，将油压序列中索引为0的x₁进行丢弃，达到遗忘最远时刻油压值的效果；

步骤5、迭代更新，预测更多的油压峰值；对下一个新来的预测节点，重复步骤2、3、4，通过此方式，预测更多周期内的油压的峰值。