基于人工智能的SAGD井下温压监测系统及方法与流程

本技术涉及智能监测，且更为具体地，涉及一种基于人工智能的sagd井下温压监测系统及方法。

背景技术：

1、sagd (steam-assisted gravity drainage)是一种有效的稠油开采技术，其机理是在注汽井中注入蒸汽，注到地下的蒸汽在注汽井周围形成蒸汽腔，并加热周围的原油以提高油的流动性，一部分蒸汽凝析成水，水和热油在重力的作用下向下流动，流到采油井即被采出。

2、在sagd技术领域，井下温压对采油有着重要的影响，合理控制和监测井下温压是确保采油效率和生产稳定性的关键。然而，传统的井下温压监测方法主要依赖于传感器采集数据，并通过人工分析和判断来识别异常情况。这种方法需要专业人员对数据进行分析和解读，数据处理的效率和及时性较低，进而影响及时调控和应对突发情况的能力。尤其在监测点较多时，人工分析存在一定的局限性，容易出现疏漏和错误判断。

3、因此，期待一种基于人工智能的sagd井下温压监测系统及方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于人工智能的sagd井下温压监测系统及方法，其采用基于深度学习的人工智能技术对井下的温度和压力进行监测和分析，挖掘出井下温度和压力之间的时序关联变化规律，从而智能识别异常的井下温压情况。这样，能够实现对井下温压的自动化监测，减少人工干预，提高监测效率，并能够在发现异常情况时及时发出预警，帮助工作人员快速做出反应，减少事故发生的可能性。

2、相应地，根据本技术的一个方面，提供了一种基于人工智能的sagd井下温压监测方法，其包括：获取由温度传感器和压力传感器采集的井下温度值的时间序列和井下压力值的时间序列；将所述井下温度值的时间序列和所述井下压力值的时间序列进行数据预处理以得到井下温度-井下压力时序关联向量的序列；对所述井下温度-井下压力时序关联向量的序列进行多尺度特征提取以得到井下温度-井下压力时序关联特征向量的序列；将所述井下温度-井下压力时序关联特征向量的序列输入基于自相关注意力网络的特征显著器以得到井下温度-井下压力显著时序特征向量；基于所述井下温度-井下压力显著时序特征向量，确定监测结果；其中，将所述井下温度-井下压力时序关联特征向量的序列输入基于自相关注意力网络的特征显著器以得到井下温度-井下压力显著时序特征向量，包括：以如下自相关注意力公式对所述井下温度-井下压力时序关联特征向量的序列进行处理以得到所述井下温度-井下压力显著时序特征向量；其中，所述自相关注意力公式为：；其中，为第个注意力打分系数，为第个注意力打分系数，为所述井下温度-井下压力时序关联特征向量的序列中第个井下温度-井下压力时序关联特征向量，为第个井下温度-井下压力时序关联特征向量，为权重系数矩阵，为权重系数向量，为偏置向量，表示双曲正切函数处理，表示以为底的指数函数处理，为第个注意力权重系数，为第个注意力权重系数，为所述井下温度-井下压力时序关联特征向量的序列的长度，表示级联函数，为所述井下温度-井下压力显著时序特征向量。

3、在上述基于人工智能的sagd井下温压监测方法中，将所述井下温度值的时间序列和所述井下压力值的时间序列进行数据预处理以得到井下温度-井下压力时序关联向量的序列，包括：对所述井下温度值的时间序列和井下压力值的时间序列进行数据规整化以得到井下温度时序输入向量和井下压力时序输入向量；将所述井下温度时序输入向量和所述井下压力时序输入向量进行关联编码和数据结构调整以得到所述井下温度-井下压力时序关联向量的序列。

4、在上述基于人工智能的sagd井下温压监测方法中，对所述井下温度值的时间序列和井下压力值的时间序列进行数据规整化以得到井下温度时序输入向量和井下压力时序输入向量，包括：将所述井下温度值的时间序列和所述井下压力值的时间序列分别按照时间维度排列为所述井下温度时序输入向量和所述井下压力时序输入向量。

5、在上述基于人工智能的sagd井下温压监测方法中，将所述井下温度时序输入向量和所述井下压力时序输入向量进行关联编码和数据结构调整以得到所述井下温度-井下压力时序关联向量的序列，包括：计算所述井下温度时序输入向量相对于所述井下压力时序输入向量的样本协方差关联矩阵以得到井下温度-井下压力时序关联矩阵；对所述井下温度-井下压力时序关联矩阵进行矩阵拆分以得到所述井下温度-井下压力时序关联向量的序列。

6、在上述基于人工智能的sagd井下温压监测方法中，计算所述井下温度时序输入向量相对于所述井下压力时序输入向量的样本协方差关联矩阵以得到井下温度-井下压力时序关联矩阵，包括：以如下样本协方差关联公式来计算所述井下温度时序输入向量相对于所述井下压力时序输入向量的样本协方差关联矩阵以得到所述井下温度-井下压力时序关联矩阵；其中，所述样本协方差关联公式为：；其中，为所述井下温度时序输入向量，为所述井下温度时序输入向量的转置向量，为所述井下压力时序输入向量，为所述井下压力时序输入向量的转置向量，为所述井下温度-井下压力时序关联矩阵。

7、在上述基于人工智能的sagd井下温压监测方法中，对所述井下温度-井下压力时序关联向量的序列进行多尺度特征提取以得到井下温度-井下压力时序关联特征向量的序列，包括：将所述井下温度-井下压力时序关联向量的序列通过基于多尺度邻域特征提取网络的时序关联模式特征提取器以得到所述井下温度-井下压力时序关联特征向量的序列。

8、在上述基于人工智能的sagd井下温压监测方法中，基于所述井下温度-井下压力显著时序特征向量，确定监测结果，包括：对所述井下温度-井下压力显著时序特征向量进行特征分布优化以得到优化后井下温度-井下压力显著时序特征向量；将所述优化后井下温度-井下压力显著时序特征向量输入基于分类器的监测结果生成器以得到所述监测结果，所述监测结果用于表示是否存在异常。

9、在上述基于人工智能的sagd井下温压监测方法中，将所述优化后井下温度-井下压力显著时序特征向量输入基于分类器的监测结果生成器以得到所述监测结果，所述监测结果用于表示是否存在异常，包括：使用所述分类器的全连接层对所述优化后井下温度-井下压力显著时序特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述优化后井下温度-井下压力显著时序特征向量归属于各个分类标签的概率值，所述分类标签包括正常和异常；将所述概率值中最大者对应的分类标签确定为所述分类结果。

10、在上述基于人工智能的sagd井下温压监测方法中，还包括：训练步骤，用于对所述基于多尺度邻域特征提取网络的时序关联模式特征提取器、所述基于自相关注意力网络的特征显著器和所述基于分类器的监测结果生成器进行训练；其中，所述训练步骤，包括:获取训练数据，所述训练数据，包括：训练井下温度值的时间序列和训练井下压力值的时间序列；将所述训练井下温度值的时间序列和所述训练井下压力值的时间序列进行数据预处理以得到训练井下温度-井下压力时序关联向量的序列；将所述训练井下温度-井下压力时序关联向量的序列通过基于多尺度邻域特征提取网络的时序关联模式特征提取器以得到训练井下温度-井下压力时序关联特征向量的序列；将所述训练井下温度-井下压力时序关联特征向量的序列输入基于自相关注意力网络的特征显著器以得到训练井下温度-井下压力显著时序特征向量；对所述训练井下温度-井下压力显著时序特征向量进行特征分布优化以得到训练优化后井下温度-井下压力显著时序特征向量；将所述训练优化后井下温度-井下压力显著时序特征向量输入基于分类器的监测结果生成器以得到分类损失函数值；以所述分类损失函数值来对所述基于多尺度邻域特征提取网络的时序关联模式特征提取器、所述基于自相关注意力网络的特征显著器和所述基于分类器的监测结果生成器进行训练，其中，在所述训练优化后井下温度-井下压力显著时序特征向量通过基于分类器的监测结果生成器进行分类迭代时，对所述训练优化后井下温度-井下压力显著时序特征向量进行优化。

11、根据本技术的另一个方面，提供了一种基于人工智能的sagd井下温压监测系统，其包括：温压数据获取模块，用于获取由温度传感器和压力传感器采集的井下温度值的时间序列和井下压力值的时间序列；数据预处理模块，用于将所述井下温度值的时间序列和所述井下压力值的时间序列进行数据预处理以得到井下温度-井下压力时序关联向量的序列；多尺度特征提取模块，用于对所述井下温度-井下压力时序关联向量的序列进行多尺度特征提取以得到井下温度-井下压力时序关联特征向量的序列；特征显著化模块，用于将所述井下温度-井下压力时序关联特征向量的序列输入基于自相关注意力网络的特征显著器以得到井下温度-井下压力显著时序特征向量；监测结果生成模块，用于基于所述井下温度-井下压力显著时序特征向量，确定监测结果；其中，所述特征显著化模块，用于：以如下自相关注意力公式对所述井下温度-井下压力时序关联特征向量的序列进行处理以得到所述井下温度-井下压力显著时序特征向量；其中，所述自相关注意力公式为：；其中，为第个注意力打分系数，为第个注意力打分系数，为所述井下温度-井下压力时序关联特征向量的序列中第个井下温度-井下压力时序关联特征向量，为第个井下温度-井下压力时序关联特征向量，为权重系数矩阵，为权重系数向量，为偏置向量，表示双曲正切函数处理，表示以为底的指数函数处理，为第个注意力权重系数，为第个注意力权重系数，为所述井下温度-井下压力时序关联特征向量的序列的长度，表示级联函数，为所述井下温度-井下压力显著时序特征向量。

12、与现有技术相比，本技术提供的基于人工智能的sagd井下温压监测系统及方法，其采用基于深度学习的人工智能技术对井下的温度和压力进行监测和分析，挖掘出井下温度和压力之间的时序关联变化规律，从而智能识别异常的井下温压情况。这样，能够实现对井下温压的自动化监测，减少人工干预，提高监测效率，并能够在发现异常情况时及时发出预警，帮助工作人员快速做出反应，减少事故发生的可能性。