本發(fā)明實施例涉及過程數(shù)據(jù)模式識別技術(shù)領(lǐng)域，尤其涉及一種頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警方法及裝置。

背景技術(shù)：

頁巖氣壓裂是頁巖氣開發(fā)的主體技術(shù)，壓裂過程井下發(fā)生異常工況的危害極大，油管內(nèi)形成的高壓會反過來損壞地面設(shè)備，比如壓裂泵、井口裝置等，甚至?xí)茐牡貙訚B流，導(dǎo)致壓裂施工失敗。

頁巖氣壓裂過程井下異常工況預(yù)測本質(zhì)上是模式識別問題。在頁巖氣壓裂施工現(xiàn)場，人工依據(jù)數(shù)據(jù)采集系統(tǒng)上監(jiān)測參數(shù)的變化趨勢預(yù)測未來時刻井下的工況。由于個體知識、經(jīng)驗以及責(zé)任心差異等原因，導(dǎo)致不能及時預(yù)測和處理異常工況的情況經(jīng)常發(fā)生。lgp-lgt法被用來分析壓裂過程中井下裂縫在擴展過程中的狀態(tài)。壓力的斜率被用來分析攜砂液在裂縫中運移的阻力，從而指導(dǎo)加砂。無論是lgp-lgt，還是壓力曲線斜率法，僅僅利用了壓力參數(shù)的信息，忽略了其余監(jiān)測參數(shù)攜帶的重要信息，限制了自身的適用范圍，同時不能用于異常工況。學(xué)者定性的分析了壓裂施工曲線形態(tài)特征，可以作為現(xiàn)場施工監(jiān)控的依據(jù)。然而，壓裂過程井下異常工況(包括地層形成裂縫、壓竄事故和砂堵事故)的實時監(jiān)測仍然沒能得到解決。

壓裂施工曲線是壓裂時地面所得到的最實時，最直接的壓裂施工情況的真實反映。當(dāng)井下出現(xiàn)異常工況時，會引起多個監(jiān)測參數(shù)的異常波動，因此，充分挖掘并融合多個監(jiān)測參數(shù)攜帶的工況信息，可以為頁巖氣壓裂井下異常工況實時監(jiān)測提供一條有效途徑?；诙嘣葱畔⑷诤系哪Ｊ阶R別方法不需要建立精確的數(shù)學(xué)模型，其核心是對多個監(jiān)測參數(shù)進行特征提取并融合，并轉(zhuǎn)化為一種先驗知識，用于模式識別。目前，基于多源信息融合的模式識別方法(比如神經(jīng)網(wǎng)絡(luò)、qta、svc)已經(jīng)在氣象預(yù)測，機械故障預(yù)測領(lǐng)域得到廣泛應(yīng)用。然而，與上述研究對象相比，由于頁巖氣壓裂技術(shù)是近幾年在國內(nèi)展開的，尚缺乏完整的施工曲線數(shù)據(jù)庫，積累的異常工況數(shù)據(jù)樣本非常有限，因此，如何利用有限的樣本建立高精度的井下異常工況實時預(yù)測模型是急需解決的問題。

技術(shù)實現(xiàn)要素：

針對上述技術(shù)問題，本發(fā)明實施例提供了一種頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警方法及裝置，以提高井下異常工況的預(yù)測精度。

一方面，本發(fā)明實施例提供了一種頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警方法，所述方法包括：

基于離線數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，利用支持向量回歸機訓(xùn)練監(jiān)測參數(shù)預(yù)測模型；

通過計算多個離散化的斜率值，提取特征參數(shù)離線數(shù)據(jù)的趨勢特征，基于支持向量分類機建立相應(yīng)工序階段下的井下異常工況監(jiān)測器；

利用建立的所述監(jiān)測參數(shù)預(yù)測模型和所述井下異常工況監(jiān)測器，基于在線監(jiān)測數(shù)據(jù)進一步開展井下異常工況的實時預(yù)測及預(yù)警。

另一方面，本發(fā)明實施例還提供了一種頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警裝置，所述裝置包括：

模型建立模塊，用于基于離線數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，利用支持向量回歸機訓(xùn)練監(jiān)測參數(shù)預(yù)測模型；

模型訓(xùn)練模塊，用于通過計算多個離散化的斜率值，提取特征參數(shù)離線數(shù)據(jù)的趨勢特征，基于支持向量分類機建立相應(yīng)工序階段下的井下異常工況監(jiān)測器；

預(yù)警模塊，用于利用建立的所述監(jiān)測參數(shù)預(yù)測模型和所述井下異常工況監(jiān)測器，基于在線監(jiān)測數(shù)據(jù)進一步開展井下異常工況的實時預(yù)測及預(yù)警。

本發(fā)明實施例提供的頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警方法及裝置通過基于離線數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，利用支持向量回歸機訓(xùn)練監(jiān)測參數(shù)預(yù)測模型，通過計算多個離散化的斜率值，提取特征參數(shù)離線數(shù)據(jù)的趨勢特征，基于支持向量分類機建立相應(yīng)工序階段下的井下異常工況監(jiān)測器，以及利用建立的所述監(jiān)測參數(shù)預(yù)測模型和所述井下異常工況監(jiān)測器，基于在線監(jiān)測數(shù)據(jù)進一步開展井下異常工況的實時預(yù)測及預(yù)警，大大提高了對井下異常工況進行預(yù)測的預(yù)測精度。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點將會變得更明顯：

圖1是本發(fā)明的頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警方法的流程圖；

圖2是本發(fā)明的工況變化過程示意圖；

圖3是本發(fā)明的滑動窗口示意圖；

圖4a是本發(fā)明的特征參數(shù)的變化趨勢示意圖；

圖4b是本發(fā)明的特征參數(shù)的變化趨勢示意圖；

圖4c是本發(fā)明的特征參數(shù)的變化趨勢示意圖；

圖4d是本發(fā)明的特征參數(shù)的變化趨勢示意圖；

圖5是本發(fā)明的參數(shù)預(yù)測及趨勢提取示意圖；

圖6是本發(fā)明的井口壓力預(yù)測效果圖；

圖7是本發(fā)明的不同時刻的井口壓力預(yù)測值示意圖；

圖8是本發(fā)明的不同時刻的排量預(yù)測值示意圖

圖9是本發(fā)明的頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警裝置的結(jié)構(gòu)圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細(xì)說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。

圖1示出了頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警方法的具體步驟。參見圖1，頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警方法包括：s11，基于離線數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，利用支持向量回歸機訓(xùn)練監(jiān)測參數(shù)預(yù)測模型；s12，通過計算多個離散化的斜率值，提取特征參數(shù)離線數(shù)據(jù)的趨勢特征，基于支持向量分類機建立相應(yīng)工序階段下的井下異常工況監(jiān)測器；s13，利用建立的所述監(jiān)測參數(shù)預(yù)測模型和所述井下異常工況監(jiān)測器，基于在線監(jiān)測數(shù)據(jù)進一步開展井下異常工況的實時預(yù)測及預(yù)警。

1.建立監(jiān)測參數(shù)預(yù)測模型

1.1)建立訓(xùn)練數(shù)據(jù)集

在壓裂過程中，井下工況從正常到異常是一個漸變的發(fā)展過程，監(jiān)測參數(shù)也會由平穩(wěn)波動逐漸演變?yōu)閯×易兓?。因此，整個工況變化過程可以劃分為正常工況階段、過渡階段和異常工況階段，過渡階段指的是監(jiān)測參數(shù)平穩(wěn)波動和劇烈波動之間的時間區(qū)間，該時間區(qū)間內(nèi)的工況是異常工況的早期征兆，如圖2所示。從數(shù)學(xué)角度分析，可以將早期征兆和異常工況之間的關(guān)系看成映射關(guān)系。因此，在建立參數(shù)預(yù)測模型的過程中，有必要將過渡階段內(nèi)的時間序列數(shù)據(jù)作為模型的輸入項，真實異常工況階段的時間序列數(shù)據(jù)作為輸出項。

假設(shè)當(dāng)前時刻為t，參數(shù)預(yù)測模型的預(yù)測步長為tst，樣本的時間窗口寬度為twin，t、tst和twin的關(guān)系如圖3所示，則對于任意未來時刻t^*∈(t,t+tst]，可以利用[t^*-tw-tst,t^*-tst]內(nèi)的時間序列數(shù)據(jù)預(yù)測t^*時刻的參數(shù)值。

tc表示采樣周期(即相鄰兩個采樣點的時間間隔)，v表示每個時間窗口內(nèi)時間序列數(shù)據(jù)的數(shù)量，根據(jù)公式(1)得到。f表示預(yù)測步長內(nèi)時間序列數(shù)據(jù)的數(shù)量，根據(jù)公式(2)得到。

選取h組監(jiān)測參數(shù)的時間序列數(shù)據(jù)。為了保證svr更準(zhǔn)確地捕捉到異常工況特征，每組數(shù)據(jù)必須包含正常工況發(fā)展為異常工況時完整的過程數(shù)據(jù)，例如，圖2展示了一段完整的井口壓力的時間序列數(shù)據(jù)。通過連續(xù)向前滑動時間窗口(如圖3所示)，分別從每組監(jiān)測參數(shù)的時間序列數(shù)據(jù)中選取k組訓(xùn)練樣本。與此同時，根據(jù)預(yù)測步長tst，相應(yīng)的選取每個時間窗口對應(yīng)的預(yù)測項。

對于每類監(jiān)測參數(shù)，總的時間窗口數(shù)量(也稱之為訓(xùn)練樣本總數(shù))為m＝h*k，表示為t1,t2,…,tm，包含m組訓(xùn)練樣本的輸入數(shù)據(jù)集用矩陣r表示，如公式(3)所示，矩陣的行向量表示時間窗口內(nèi)的時間序列數(shù)據(jù)，rmv表示第m個時間窗口tm,m＝1,2,…,m內(nèi)的第v,v＝1,2,…,v個監(jiān)測參數(shù)值。相應(yīng)的，輸入數(shù)據(jù)集r中每個時間窗口對應(yīng)的預(yù)測項用輸出數(shù)據(jù)集l表示，如公式(4)所示，r^tm表示與時間窗口tm,m＝1,2,…,m的距離為tst的監(jiān)測參數(shù)值。

1.2)建立參數(shù)預(yù)測模型

壓裂施工日常操作、環(huán)境干擾會引起傳感器采樣數(shù)據(jù)中存在奇異值，為了減少奇異樣本值對參數(shù)預(yù)測模型帶來的影響，根據(jù)公式(5)(6)(7)，將訓(xùn)練數(shù)據(jù)集(包含輸入數(shù)據(jù)集和輸出數(shù)據(jù)集)作歸一化處理。歸一化后的輸入數(shù)據(jù)集和輸出數(shù)據(jù)集分別作為支持向量回歸機(svr)的輸入項和輸出項，采用粒子群優(yōu)化算法(pso)對svr中懲罰參數(shù)c和核參數(shù)g進行尋優(yōu)，建立svr模型。

式中：表示第m個時間窗口tm,m＝1,2,…,m內(nèi)的第v,v＝1,2,…,v個監(jiān)測參數(shù)值的歸一化值。μ表示所有樣本數(shù)據(jù)的均值，σ表示所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。v表示每個時間窗口內(nèi)時間序列數(shù)據(jù)的數(shù)量，m表示總的時間窗口數(shù)量。

2.建立異常工況監(jiān)測器

2.1)選擇特征參數(shù)

在壓裂施工的不同工序中，異常工況所引起的異常波動的監(jiān)測參數(shù)不同。因此，在建立異常工況監(jiān)測器之前，需要依據(jù)正在進行的工序，選擇表征能夠異常工況的特征參數(shù)，提高異常工況分類的準(zhǔn)確率。

(1)若是壓裂工序處于“泵注前置液”階段，即未加“支撐劑”，砂比系數(shù)為0。最可能的工況是“地層形成裂縫”，引起“井口壓力和排量”的異常波動，因此，選擇井口壓力和排量作為異常工況監(jiān)測器的特征參數(shù)。

(2)若是壓裂工序處在“加砂”階段，此時砂比系數(shù)不為0，則異常工況包括“近井砂堵、遠(yuǎn)井砂堵，地層間壓竄事故”，等等，通常造成井口壓力和套管壓力的異常波動，因此，選擇井口壓力和套管壓力作為異常工況監(jiān)測器的特征參數(shù)。

2.2)確定斜率閾值區(qū)間

在井下異常工況發(fā)生的初期(如圖2中過渡階段)，異常工況征兆表現(xiàn)微弱，特征參數(shù)波動不明顯，因此，為了提取特征參數(shù)早期的微弱變化趨勢，實現(xiàn)對異常工況的早期預(yù)測，本文通過計算和比較當(dāng)前時刻下特征參數(shù)采樣值與過去不同時刻下特征參數(shù)采樣值的斜率，表征當(dāng)前時刻下特征參數(shù)的變化趨勢，變化趨勢可以用斜率值的組合表示。

幾種典型的特征參數(shù)變化趨勢圖4所示，用x表示時間，y表示特征參數(shù)。若分析x0時刻特征參數(shù)的趨勢時，首先設(shè)置3個不同的時間片，時間片長度分別記為ts1，ts2，ts3，其中ts3＝3ts1，ts2＝2ts1，然后分別計算3個時間片對應(yīng)的特征參數(shù)的斜率，記為a1，a2，a3。由于3個擬合線相交于(x0,y0)，便于分析斜率的意義。

圖4a：若a1＞a2＞a3＞0，表明趨勢一直處于上升的趨勢；圖4b：若a3＜a2＜a1＜0，表明趨勢一直處于下降的趨勢；圖a和圖b均屬于簡單變化趨勢。

圖4c：若a1＜a2＜0＜a3或a1＜0＜a2＜a3，表明趨勢為先上升再下降；圖4d：若a3＜0＜a2＜a1或a3＜a2＜0＜a1，表明趨勢為先下降再上升；圖4c和圖4d屬于復(fù)合變化趨勢。若a1，a2，a3的值均等于0，表明曲線一直處于平穩(wěn)期。由于隨機噪聲或信號干擾，平穩(wěn)期的斜率值不可能等于0，而是在0附近波動。

從上述可以看出，通過3個斜率值的正負(fù)性及大小關(guān)系可以表示特征參數(shù)不同的變化趨勢。當(dāng)時間片長度一定時，斜率絕對值越大，表明特征參數(shù)趨勢變化越明顯。為了表征特征參數(shù)的變化程度，進一步設(shè)置斜率閾值，將連續(xù)的斜率值作離散化處理，采用離散值的斜率值表示特征參數(shù)的變化程度。

分別選取hδ組正常工況階段內(nèi)和hω組異常工況階段內(nèi)(如圖2所示)特征參數(shù)的時間序列數(shù)據(jù)。設(shè)置3個時間片，分別為ts1，ts2，ts3，其中ts3＝3ts1，ts2＝2ts1，從每組時間序列數(shù)據(jù)的末端開始，依次逆向計算不同時刻的斜率值，選擇正常工況下每個時間片對應(yīng)的最大斜率絕對值和異常工況下每個時間片對應(yīng)的最小斜率絕對值，分別作為每個時間片對應(yīng)的斜率閾值下限和上限。則第i特征參數(shù)的第j時間片的斜率閾值上限和下限分別記為uij和lij。

2.3)斜率離散化

選取hθ組特征參數(shù)的時間序列數(shù)據(jù)(每組數(shù)據(jù)包含工況變化的3個階段)，分別在每組特征參數(shù)的時間序列數(shù)據(jù)上隨機選取kθ個時刻采樣點，并在每個時刻采樣點設(shè)置3個時間片，記為ts1，ts2，ts3，其中ts3＝3ts1，ts2＝2ts1，計算出每個時刻采樣點對應(yīng)的一組斜率值。根據(jù)斜率閾值區(qū)間將斜率值作離散化處理。第i個特征參數(shù)的第j個時間片對應(yīng)的斜率閾值區(qū)間記為[lij,uij]，則在時刻t，第i個特征參數(shù)的第j個時間片對應(yīng)斜率的離散規(guī)則為式(8)：

式中，aij表示第i個特征參數(shù)的第j個時間片對應(yīng)的斜率值。λ表示特征參數(shù)的類別數(shù)量；

2.4)建立數(shù)據(jù)集

將前面步驟中所有時刻采樣點的離散化的斜率值構(gòu)建如公式(9)所示的矩陣，d表示n個樣本(n＝hθ*kθ等于總的時刻采樣點數(shù))，每個樣本用行向量表示，每一行由一個時刻采樣點處z(z＝3*λ)個離散化的斜率值和相應(yīng)的類別標(biāo)簽ψ組成，類別標(biāo)簽表示正常工況和異常工況，并分別采用數(shù)字0和1表示。

2.5)建立井下異常工況監(jiān)測器

從矩陣d中隨機選出3/4的樣本建立訓(xùn)練數(shù)據(jù)集，剩余樣本作為測試數(shù)據(jù)集。在訓(xùn)練支持向量分類機(svm)工況監(jiān)測器的過程中，z個離散化的斜率值和對應(yīng)的類別標(biāo)簽分別作為svm工況監(jiān)測器的輸入項和輸出項，并采用粒子群優(yōu)化算法(pso)對svm中懲罰參數(shù)c和核函數(shù)參數(shù)g尋優(yōu)，建立svm井下異常工況監(jiān)測器。

3.實時預(yù)測井下異常工況

在監(jiān)測參數(shù)預(yù)測模型和異常工況監(jiān)測器基礎(chǔ)上進一步開展井下異常工況的實時預(yù)測預(yù)警。上述實時預(yù)測預(yù)警的具體過程描述如下：

3.1)選擇特征參數(shù)

根據(jù)當(dāng)前壓裂施工所處的工序，確定表征異常工況的特征參數(shù)，并選擇特征參數(shù)的預(yù)測模型，和當(dāng)前工序下的異常工況監(jiān)測器。

3.2)實時構(gòu)建輸入數(shù)據(jù)集

利用在線監(jiān)測數(shù)據(jù)，實時構(gòu)建特征參數(shù)預(yù)測模型的輸入數(shù)據(jù)集。具體過程如圖3所示：從t-tw-tst開始，依次向前滾動時間窗口，結(jié)束于當(dāng)前時刻t，建立包含v組樣本的實時輸入數(shù)據(jù)集，實時輸入數(shù)據(jù)集的格式與公式(3)相同。每當(dāng)在線監(jiān)測參數(shù)的最新采樣值到來時，更新一遍輸入數(shù)據(jù)集。

3.3)實時提取特征參數(shù)的趨勢

特征參數(shù)的變化趨勢是通過離散化的斜率值表征的。將實時輸入數(shù)據(jù)集作為特征參數(shù)預(yù)測模型的輸入項，預(yù)測(t,t+tst]內(nèi)的時間序列數(shù)據(jù)，如圖5所示。對于每個特征參數(shù)，將t+tst作為趨勢提取的時刻點，設(shè)置3個時間片，記為ts1，ts2，ts3，其中ts3＝3ts1，ts2＝2ts1，分別計算一組斜率值，并根據(jù)每個特征參數(shù)的斜率閾值區(qū)間，將斜率值作離散化處理。

3.4)實時預(yù)測井下異常工況

將離散化的斜率值轉(zhuǎn)換成如式(9)所示的數(shù)據(jù)集，作為工況監(jiān)測器的輸入項，實時預(yù)測當(dāng)前工序階段內(nèi)井下異常工況，得到井下工況的預(yù)警結(jié)果，并發(fā)布預(yù)警信息。

本發(fā)明提出一種基于多源信息融合的頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警系統(tǒng)及裝置。首先采用有限的井下工況離線數(shù)據(jù)，建立監(jiān)測參數(shù)預(yù)測模型和異常工況監(jiān)測器。再采用svm訓(xùn)練異常工況監(jiān)測器時，利用多個離散化的斜率值表征特征參數(shù)的變化趨勢，并構(gòu)建輸入數(shù)據(jù)集。最終，基于在線監(jiān)測數(shù)據(jù)實現(xiàn)井下異常工況的實時預(yù)測及預(yù)警。

第一實施例

本實施例采用“焦頁板塊”頁巖氣井壓裂過程中“泵注前置液”階段的井下工況作為案例對象驗證本發(fā)明的準(zhǔn)確性和適用性。井口壓力和排量是“泵注前置液”階段異常工況的特征參數(shù)，因此，需要建立井口壓力和排量的預(yù)測模型。接下來以井口壓力預(yù)測模型為例，展示建模步驟。

1.建立監(jiān)測參數(shù)預(yù)測模型

1.1)建立訓(xùn)練數(shù)據(jù)集

設(shè)時間窗口寬度twin＝1min，預(yù)測步長tst＝1min，井口壓力的采樣周期tc＝2s，因此，根據(jù)式(1)可知，每個時間窗口內(nèi)時間序列數(shù)據(jù)的總數(shù)v＝30。

選取h＝10組井口壓力的時間序列數(shù)據(jù)，分別從每組數(shù)據(jù)中選取k＝500組訓(xùn)練樣本，建立包括s＝5000組訓(xùn)練樣本的輸入數(shù)據(jù)集。同理，根據(jù)預(yù)測步長，建立包含s＝5000個樣本的輸出數(shù)據(jù)集。

1.2)建立井口壓力預(yù)測模型

經(jīng)過pso對svr參數(shù)尋優(yōu)后，得到井口壓力預(yù)測模型的懲罰參數(shù)c＝12.25和核參數(shù)g＝3.57。為了驗證井口壓力預(yù)測模型的效果，選用一段井口壓力的時間序列數(shù)據(jù)作為測試數(shù)據(jù)，并根據(jù)建立相應(yīng)的測試數(shù)據(jù)集。注意：測試數(shù)據(jù)集與訓(xùn)練數(shù)據(jù)集的格式相同，測試數(shù)據(jù)集也包括輸入數(shù)據(jù)集和輸出數(shù)據(jù)集；不同的是，在驗證模型效果時，用于輸出數(shù)據(jù)集雖然在形式上被帶入到預(yù)測模型中，但是實際上并不參與運算。圖6展示了井口壓力預(yù)測模型的預(yù)測效果，可以直觀看出，所建立模型能夠比較吻合的預(yù)測出井口壓力的變化趨勢。

同理，根據(jù)步驟1.1)和步驟2.2)建立排量預(yù)測模型，其中排量采樣周期為4s，預(yù)測模型的時間窗口寬度為1min，預(yù)測步長為1min，懲罰參數(shù)為7.34，核參數(shù)為25.52。

2.建立異常工況監(jiān)測器

2.1)選擇特征參數(shù)

由于選擇壓裂過程“泵注前置液”階段的井下工況作為案例對象，因此，井口壓力和排量是“泵注前置液”階段異常工況的特征參數(shù)。

2.2)確定斜率閾值區(qū)間

分別選取5組正常工況階段和異常工況階段內(nèi)井口壓力和排量的時間序列數(shù)據(jù)。設(shè)相鄰時間片的時間間隔為1min，即ts1＝1min，ts2＝2min，ts3＝3min。井口壓力和排量的斜率閾值區(qū)間如表1所示。

表1閾值區(qū)間

2.3)和2.4)：斜率離散化并建立數(shù)據(jù)集

選取hθ＝20組井口壓力和排量的時間序列數(shù)據(jù)，在每組特征參數(shù)的時間序列數(shù)據(jù)上隨機選取kθ＝10個時刻采樣點，得到n＝200個樣本，部分結(jié)果如表2所示。并將表2轉(zhuǎn)換成如式(9)所示的數(shù)據(jù)集。

表2離散化的斜率值(部分)

隨機選取150個樣本作為訓(xùn)練數(shù)據(jù)集，剩余50組作為測試數(shù)據(jù)集。經(jīng)過pso尋優(yōu)后，svm異常工況監(jiān)測器的懲罰參數(shù)c＝7.85，核參數(shù)g＝45.88。表3所示為已建立的svm工況監(jiān)測器對測試數(shù)據(jù)集的判定結(jié)果，其中準(zhǔn)確率為88.00％，漏警率為14.29％，虛警率10.34％。

表3測試結(jié)果

3.實時預(yù)測井下異常工況

當(dāng)前工序處于“泵注前置液”階段，則井口壓力和排量是當(dāng)前工序內(nèi)異常工況的特征參數(shù)。本文選取10組特征參數(shù)的時間序列數(shù)據(jù)(每組數(shù)據(jù)包括工況變化的3個階段，即正常工況階段→過渡階段→異常工況階段)作為驗證數(shù)據(jù)。圖7和圖8展示了一組驗證數(shù)據(jù)在不同時刻點的預(yù)測效果，從圖中可以看出，參數(shù)預(yù)測模型能夠比較吻合的預(yù)測出未來1min內(nèi)參數(shù)的變化趨勢。

表列出了所提出方法在不同工況階段的預(yù)測結(jié)果。所提出方法能夠在正常工況階段對2組異常工況實現(xiàn)準(zhǔn)確預(yù)測，在過渡階段對9組異常工況實現(xiàn)準(zhǔn)確預(yù)測，在異常工況階段對9組數(shù)據(jù)實現(xiàn)準(zhǔn)確監(jiān)測。從預(yù)警角度分析，在正常工況階段或過渡階段準(zhǔn)確預(yù)測到異常工況，均屬于預(yù)警的范疇，因此，從表中可以看出，所提出方法未能對第9組異常工況數(shù)據(jù)實現(xiàn)準(zhǔn)確預(yù)警，只是在異常工況階段實現(xiàn)了準(zhǔn)確監(jiān)測。

表4預(yù)測區(qū)間

*其中符號“-”表示未能預(yù)測到異常工況，“+”表示預(yù)測到異常工況

第二實施例

本實施例提供了頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警裝置的一種技術(shù)方案。在該技術(shù)方案中，頁巖氣壓裂過程井下異常工況實時預(yù)測預(yù)警裝置包括：模型建立模塊91、模型訓(xùn)練模塊92，以及預(yù)警模塊93。

模型建立模塊91用于基于離線數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，利用支持向量回歸機訓(xùn)練監(jiān)測參數(shù)預(yù)測模型。

模型訓(xùn)練模塊92用于通過計算多個離散化的斜率值，提取特征參數(shù)離線數(shù)據(jù)的趨勢特征，基于支持向量分類機建立相應(yīng)工序階段下的井下異常工況監(jiān)測器。

預(yù)警模塊93用于利用建立的所述監(jiān)測參數(shù)預(yù)測模型和所述井下異常工況監(jiān)測器，基于在線監(jiān)測數(shù)據(jù)進一步開展井下異常工況的實時預(yù)測及預(yù)警。

優(yōu)選的，所述模型建立模塊91包括：訓(xùn)練數(shù)據(jù)采集單元，以及模型訓(xùn)練單元。

訓(xùn)練數(shù)據(jù)采集單元用于采集用于對所述支持向量回歸機進行訓(xùn)練的訓(xùn)練數(shù)據(jù)集。

模型訓(xùn)練單元用于根據(jù)所述訓(xùn)練數(shù)據(jù)集，訓(xùn)練所述支持向量回歸機。

優(yōu)選的，所述模型訓(xùn)練模塊92包括：特征參數(shù)選取單元、區(qū)間確定單元、離散化單元，以及尋優(yōu)單元。

特征參數(shù)選取單元用于根據(jù)當(dāng)前壓裂施工工序，從井口壓力、排量及套管壓力中選取所述支持向量分類機的特征參數(shù)。

區(qū)間確定單元用于確定所述特征參數(shù)的斜率閾值區(qū)間。

離散化單元用于將所述特征參數(shù)的斜率離散化。

尋優(yōu)單元用于將離散化后的所述特征參數(shù)的斜率作為輸入項，通過粒子群優(yōu)化算法對所述異常工況監(jiān)測器的懲罰參數(shù)及核函數(shù)參數(shù)進行尋優(yōu)。

優(yōu)選的，所述預(yù)警模塊93包括：監(jiān)測數(shù)據(jù)采集單元、數(shù)據(jù)輸入單元，以及預(yù)警單元。

監(jiān)測數(shù)據(jù)采集單元用于實時采集井口壓力、排量及套管壓力，作為進行實時預(yù)警的監(jiān)測數(shù)據(jù)。

數(shù)據(jù)輸入單元用于將所述監(jiān)測數(shù)據(jù)作為輸入項輸入至所述支持向量回歸機。

預(yù)警單元用于根據(jù)所述支持向量回歸機的輸出量，提取特征參數(shù)的趨勢特征，進行異常工況的預(yù)警。

本發(fā)明的有益效果：

(1)頁巖氣壓裂過程中井下異常工況會引起多個監(jiān)測參數(shù)的異常波動，融合多個特征參數(shù)的趨勢特征可以判斷井下異常工況。然而，已有的方法在監(jiān)測井下異常工況時，僅利用了“壓力”參數(shù)，忽略了其余監(jiān)測參數(shù)攜帶的工況信息，從而限制了自身的監(jiān)測范圍，導(dǎo)致異常工況預(yù)測準(zhǔn)確率低。因此，為了準(zhǔn)確預(yù)測頁巖氣壓裂過程井下異常工況，需要提取并融合多個特征參數(shù)攜帶的工況特征，提高異常工況預(yù)測準(zhǔn)確率。

(2)頁巖氣壓裂事業(yè)是近幾年在國內(nèi)展開的，尚缺乏完整的施工曲線數(shù)據(jù)庫，積累的異常工況樣本數(shù)據(jù)非常有限。因此，為了減少因缺少數(shù)據(jù)樣本對異常工況預(yù)測模型精度的影響，需要在小樣本工況數(shù)據(jù)下建立高精度的異常工況預(yù)測模型。

(3)支持向量分類機(svm)是一種基于多源信息融合的機器學(xué)習(xí)方法，可以從多個特征參數(shù)的變化趨勢中提取工況特征，實現(xiàn)對工況的分類。然而，已有的研究在建立svm的輸入數(shù)據(jù)集時，僅通過提取特征參數(shù)的簡單變化趨勢(即上升、下降、不變)建立輸入數(shù)據(jù)集，而忽略了復(fù)合變化趨勢，比如先上升后下降趨勢、先下降后上升趨勢，使得svm不能準(zhǔn)確捕捉到特征參數(shù)的異常特征，建立的預(yù)測模型準(zhǔn)確率低，預(yù)測實時性差。因此，在建立svm的輸入數(shù)據(jù)集時，需要采用多個離散化的斜率值表征特征參數(shù)的復(fù)合變化趨勢，提高異常工況預(yù)測的實時性。

以上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，對于本領(lǐng)域技術(shù)人員而言，本發(fā)明可以有各種改動和變化。凡在本發(fā)明的精神和原理之內(nèi)所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。