[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

说明书

本发明公开了一种压裂施工中油压峰值的在线图神经网络预测方法，由于传统的机器学习回归方法预测油压的准确性不够，为了满足压裂施工中的辅助施工的要求，本发明提出使用图神经网络进行油压值的预测，数据预处理中将周期内的油压序列的峰值作为节点，以可视图算法进行网络构建，对预测的节点，默认其与前一时刻节点相连，然后进行图自编码器网络嵌入，编码器由两层图卷积神经网络组成，解码器由内积解码器组成。将预测节点的表示与其他节点进行cos相似度计算，选取Topk个最相似节点油压值，根据其相似权重组合，得到预测节点的油压值。根据当前预测值修正网络，遗忘较远时刻的节点，并持续预测新的油压峰值。

技术领域

本发明涉及图神经网络技术领域，具体涉及压裂施工中使用图神经网络预测油压峰值的一种在线学习方法。

背景技术

压裂施工是利用水力作用使地层形成裂缝的一种施工方法。地层压裂工艺过程是用压裂车把高压大排量具有一定黏度的液体挤入地层，当把地层压出许多裂缝后，加入支撑剂(如石英砂等)充填进裂缝，提高地层的渗透能力，以增加注、采产量。

在压裂施工的过程中，每次加沙则会导致油压值发生一定的变化，准确而快速的获得沙浓变化所引起的油压峰值的变化对整个施工过程至关重要。传统的回归方法如线性回归、支持向量机回归器无法准确的通过沙浓特征捕获油压峰值的变化，导致预测的平均平方误差较大，较大误差则对压裂施工油压预测影响较大。

为了提升油压峰值预测的效果，基于图神经网络的非线性油压峰值预测的在线学习方法被提出。其中可视图网络构建实现了时间序列数据转换为复杂网络，基于图自编码器的无监督的表示学习方法广泛应用于各类图网络数据。本发明提出对油压的时间序列进行复杂网络构建后进行带有属性的图嵌入方法进行网络节点表示学习，既可以进行离线学习也可进行在线学习；在离线学习中，基于历史油压序列数据构建网络进行节点表示学习后预测，根据输入沙浓的变化即获得对应的预测油压峰值；在在线学习中，根据实时油压序列和实时沙浓序列进行网络构建后再进行节点表示学习后预测，实时数据实时更新网络结构，同时新预测的油压峰值节点及时修正当前网络，保证了后续节点油压峰值预测的准确性。最后引入遗忘机制，遗忘时间较远的对应节点的油压值，同时保持网络大小，提高运算效率。

发明内容

本发明公开了一种基于图神经网络的压裂施工中油压值的预测方法，包括以下步骤：(1)数据预处理；具体包括：施工周期的划分，图网络的构建，网络节点特征的构建，制作训练集和测试集；(2)以图自编码器进行油压值网络嵌入的节点表示学习；编码器包括两层图卷积神经网络，解码器使用内积解码器计算两节点之间存在边的概率来重构图(3)基于油压值节点的向量表示，计算预测节点与已知油压节点的相似度，寻找Topk个最相似油压的节点，以相似节点的相似度权重和相似节点油压值线性求和作为预测节点的油压。(4)根据新的预测节点的油压及时修正当前网络，同时使用遗忘机制遗忘较远时刻的油压节点并控制网络大小。(5)通过(4)中更新的网络，继续预测下一周期的油压峰值，重复(2)(3)(4)，即实现预测后续周期中的油压峰值。

本发明所提供的技术方案为：一种图神经网络的压裂施工中油压值的预测，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；