买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南石油大学

摘要：本发明提供了一种基于频率信道转换和自监督的气井积液分类和预测方法，属于气井积液分类和预测技术领域。该方法包括对获取的气井天级生产数据进行分析特征选择和预处理，并分别构建有标签数据集以及无标签数据集；对分析特征数据进行频率信道转换和掩码处理，并利用时频一致性、近邻加权聚合恢复掩码时间点，构建预训练模型，利用无标签数据集对预训练模型进行训练；在下游积液任务中构建微调模型，并利用有标签数据集对微调模型的参数进行调整；利用进行参数调整后的微调模型输出分类结果和预测结果。本发明有效地解决气井积液分类和预测中标签数据有限的问题，提高模型准确性和效率。

主权项：1.一种基于频率信道转换和自监督的气井积液分类和预测方法，其特征在于，包括以下步骤：S1、获取气井天级生产数据，并对获取的气井天级生产数据进行分析特征选择和预处理，并分别构建有标签数据集以及无标签数据集；S2、对无标签数据集的子序列数据进行频率信道转换和掩码处理，并利用时频一致性、近邻加权聚合恢复掩码时间点，构建预训练模型，利用无标签数据集对预训练模型进行训练；所述S2包括以下步骤：S201、利用数据增强层Aug，对无标签数据集的子序列数据进行频率信道转换处理；S202、利用数据增强层Aug，对无标签数据集的子序列数据进行掩码处理，生成表示原始时间序列不同视觉信号的多个掩码时间序列： 其中，表示掩码时间序列，表示原始时间序列，j表示第j个掩码时间序列，M表示生成的掩码时间序列个数，表示掩码操作，表示掩码矩阵，r表示掩码比例；S203、根据频率信道转换处理结果和生成的多个掩码时间序列，利用时频一致性、近邻加权聚合恢复掩码时间点重建原始时间序列，完成对预训练模型的构建；所述S203包括以下步骤：S2031、将原始时间序列、频率信道转换后的序列及掩码时间序列拼接的集合输入至预训练模型中，并分别经预训练模型中的特征提取骨干网络Encoder和点到序列的映射层Projector，获取点级表征集合和序列级表征集合： 其中，、、分别表示原始时间序列、频率信道转换后的序列及掩码时间序列的点级表征集合，、、分别表示原始时间序列、频率信道转换后的序列及掩码时间序列的序列级表征集合，j表示第j个掩码时间序列，M表示生成的掩码时间序列个数，表示特征提取骨干网络，表示点到序列的映射网络，表示原始时间序列、频率信道转换后的序列及掩码时间序列拼接后的集合；S2032、利用余弦相似度cosine计算，通过计算原始时间序列、频率信道转换后的序列及掩码时间序列的序列级表征相似度，得到不同序列的序列级相似度矩阵： 其中，表示相似度计算，表示大小的二维实数张量，表示序列级表征之间相似度，均表示序列级表征，表示转置运算，表示原始时间序列、频率信道转换后的序列及掩码时间序列拼接后的集合的批量大小，M表示生成的掩码时间序列个数，表示分析特征数据的批量大小；S2033、基于序列级相似度矩阵，利用下式，对点级表征集合进行信息聚合，得到： 其中，表示基于序列级表征的相似度对点级表征进行信息聚合后的结果，表示重构后的点级表征，表示一个批次中对应时间序列的索引，表示之间的相似度，表示之间的相似度，表示对应时间序列的序列表示，和均表示非时间序列的对应的序列表示，表示对应的点级表征；S2034、将输入至解码器Decoder进行处理，并利用下式，重建原始时间序列，完成对预训练模型的构建： 其中，表示解码操作；S204、利用无标签数据集，对预训练模型进行迭代训练，保存最后得到的预训练模型的编码器参数和投影层参数，完成对预训练模型的训练；S3、利用经训练后的预训练模型，在下游积液任务中构建微调模型，并利用有标签数据集对微调模型的参数进行调整；S4、利用进行参数调整后的微调模型输出分类结果和预测结果。

全文数据：

权利要求：

百度查询： 西南石油大学 基于频率信道转换和自监督的气井积液分类和预测方法