本发明提供一种基于深度学习的井筒积液预测方法,包括:S1、获取SCADA生产高频数据并对其进行降维;S2、将降维后的SCADA生产高频数据与A2数据和地质参数数据进行特征融合,得到融合后的特征向量;S3、利用融合后的特征向量进行数据建模并进行训练,计算重构误差向量;S4、根据重构误差向量计算动态阈值,并根据动态阈值判断井筒是否积液。本发明实现了基于深度学习的井筒积液预测,其中采用秒级数据作为特征,使得模型不仅仅只关注天与天之间的数据波动,也考虑到天内数据波动情况,能捕捉到更加细微的数据变化;并且采用动态阈值的方法对积液进行预测,能够解决在实际工业生产中出现相较于正常状态下的较大的数据波动时,也能够使得模型不会进行误判。
声明:
“基于深度学习的井筒积液预测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)