申请/专利权人：西南石油大学

申请日：2023-11-27

公开（公告）日：2024-06-21

公开（公告）号：CN117540277B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/2431;G06F18/213;G06F18/214;G06F18/2113;G06F18/10;G06N3/0475;G06N3/094;G06N3/0455;G06Q10/04;G06Q50/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.03.01#实质审查的生效;2024.02.09#公开

摘要：本发明公开了一种基于WGAN‑GP‑TabNet算法的井漏预警方法，属于井漏预测技术领域。包括：收集现场数据；筛选与漏失流量相关性强的特征参数并删除现场数据中相关性不强的参数，从而形成初始参数；根据漏失流量对初始参数进行分级，根据分级后各级参数的数量将各等级分为多数类和少数类；将初始参数输入WGAN‑GP模型，生成少数类数据；利用初始参数和生成的少数类数据来训练并评估井漏预警模型TabNet；采集现场数据并利用通过训练的TabNet模型预测漏失程度。本发明有效解决了深度学习防漏堵漏中类不平衡导致的召回率和少数类预测精度不高的问题，具有稳定可靠，准确率高，便于操作，反应速度快，可迁移性强等优势。

主权项：1.一种基于WGAN-GP-TabNet算法的井漏预警方法，特征在于，包括以下步骤：步骤1、从现场收集钻井工程数据，建立防漏堵漏大数据库，并对数据进行预处理；步骤2、基于预处理后的数据中各特征参数与漏失流量的相关性筛选相关性强的特征参数，以预处理后的数据中相关性强的特征参数作为初始参数，并对初始参数进行LOESS降噪；步骤3、根据漏失流量对LOESS降噪后的初始参数进行分级，并根据分级后各个等级中初始参数的数量对各个等级进行分类，分为多数类和少数类；步骤4、将步骤3处理后的数据输入WGAN-GP模型，生成少数类数据；所述WGAN-GP模型如下：生成器具有4层隐藏层，隐藏层神经元数目为256，128，64，64；判别器具有5层隐藏层，隐藏层神经元数目为256,128,64,64,32，判别器输出层为1个神经元；在生成器和判别器隐藏层后均设置Dropout层，丢弃率为0.25，判别器输出层有一个节点，用于判断输入样本的真实性，采用Adam作为优化函数；步骤5、利用步骤2经过LOESS降噪后的初始参数以及步骤4生成的少数类数据来训练并评估井漏预警模型TabNet；TabNet模型由多个决策步堆叠而成，每个决策步由Featuretransformer和Attentivetransformer、Mask层、Split层和ReLU组成；输入的样本特征如有离散型特征，TabNet首先利用训练嵌入的方式，将离散化特征映射成连续性数值特征，然后保证每个决策步数据输入形式都是B×D矩阵，其中B代表batchsize的大小，D代表井漏漏失参数的维度；每个决策步的特征由上一个决策步的Attentivetransformer输出，最后将决策步输出结果集成到整体决策中；步骤6、采集现场数据并利用通过训练的TabNet模型预测漏失程度，所述现场数据中包括所述相关性强的特征参数。

全文数据：

权利要求：

百度查询： 西南石油大学 一种基于WGAN-GP-TabNet算法的井漏预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD