一种基于分布式神经网络的水力压裂施工压力预测方法

1.本发明涉及人工智能技术领域，特别是涉及一种基于分布式神经网络的水力压裂施工压力预测方法。


背景技术：

2.在水力压裂施工过程中，现场工程师常常依靠人工观测的方式对压裂过程的施工压力曲线进行监测与分析，然而现场的压裂施工压力曲线是当前工况的即时响应，并不能显示未来时刻的施工压力，所以导致该方式具有较大的滞后性。因此，提前预测压裂施工压力指导现场压裂施工具有重大指导意义。
3.在现有技术中，基于物理过程的模型分析可以帮助工程师进行优化压裂设计。然而基于物理过程的简单分析模型在实际使用过程中，会存在许多的假设值，无法准确的捕捉到水力压裂复杂的变化过程。对于更为复杂的数值模拟，则需要耗费大量的时间和人力，还需要考虑大量的地质静态数据，但地质静态数据的获取和准确性本身就存在一定的问题。压裂施工压力由地质条件和工程参数共同决定，由于对储层地质条件认识的局限、施工因素多等原因，预测水力压裂施工压力曲线是一大挑战。
4.因此，建立能够对压裂施工压力进行快速预测的方法，对于即时判别施工风险、指导现场压裂施工实时动态调整具有重要的意义。


技术实现要素：

5.本发明的目的是提供一种基于分布式神经网络的水力压裂施工压力预测方法，以解决现有技术中无法对水力压裂施工压力快速预测的技术问题。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于分布式神经网络的水力压裂施工压力预测方法，包括：
8.(1)收集多个基于时间序列的压裂现场施工压力数据，将所述施工压力数据进行变换处理，以使得变换处理后的所述施工压力数据趋于平稳；
9.(2)将变换处理后的所述施工压力数据按照时间序列划分为第一持续注砂阶段以及第二持续注砂阶段，将所述第一持续注砂阶段对应的施工压力数据划分为训练集，将所述第二持续注砂阶段对应的施工压力数据划分为测试集；
10.(3)建立多个独立的神经网络子模型，利用步骤(2)中的训练集数据分别对每个所述神经网络子模型进行训练，测试集数据分别测试神经网络子模型的准确率，直至每个所述神经网络子模型收敛；
11.(4)建立分布式神经网络预测模型，分别对步骤(3)中每个独立的神经网络子模型的预测结果进行赋权；
12.调整赋权系数，评价调整后的赋权系数下的分布式神经网络预测模型；
13.根据网格搜索方法确定最佳赋权系数，获取所述最佳赋权系数对应的施工压力预测模型。
14.可选的，将变换处理后的所述施工压力数据分解为趋势、季节和噪声三个分量，以进行施工压力数据变化情况分析。
15.可选的，所述变换处理方法包括但不限于一阶差分变化、对数变换、归一化变换、标准化变换。
16.可选的，独立的神经网络子模型包括但不限于lstm模型、mlp模型和cnn模型。
17.可选的，在神经网络子模型中采用一步预测方法或多步预测方法对施工压力进行预测。
18.可选的，所述步骤(4)中还包括：利用损失函数对独立的神经网络子模型进行调整，直至所述神经网络子模型收敛。
19.可选的，所述步骤(4)中还包括：对分布式神经网络预测模型预测的数据进行逆变换处理以还原为预测的施工压力数据，比较实际的施工压力数据与预测的施工压力数据，对分布式神经网络预测模型的准确度进行评价。
20.基于相同的发明构思，本发明提供了一种基于分布式神经网络的水力压裂施工压力预测系统，其特征在于，包括：
21.数据收集处理模块，用于收集多个基于时间序列的压裂现场施工压力数据，将所述施工压力数据进行变换处理，以使得变换处理后的所述施工压力数据趋于平稳；
22.数据存储划分模块，用于将变换处理后的所述施工压力数据按照时间序列划分为第一持续注砂阶段以及第二持续注砂阶段，将所述第一持续注砂阶段对应的施工压力数据划分为训练集，将所述第二持续注砂阶段对应的施工压力数据划分为测试集；
23.神经网络子模型训练模块，用于建立多个独立的神经网络子模型，利用数据存储划分模块中的训练集数据分别对每个所述神经网络子模型进行训练，直至每个所述神经网络子模型收敛；
24.分布式神经网络预测模型训练模块，用于建立分布式神经网络预测模型，分别对神经网络子模型训练模块中每个独立的神经网络子模型的预测结果进行赋权；调整赋权系数，评价调整后的赋权系数下的分布式神经网络预测模型；根据网格搜索方法确定最佳赋权系数，获取所述最佳赋权系数对应的施工压力预测模型。
25.另一方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的基于分布式神经网络的水力压裂施工压力预测方法的步骤。
26.另一方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的基于分布式神经网络的水力压裂施工压力预测方法的步骤。
27.根据本发明提供的具体实施例，本发明具有以下技术效果：
28.本发明提供了一种基于分布式神经网络的水力压裂施工压力预测方法，实现了水力压裂过程中的施工压力快速预测。本发明采用的数学方法为分布式神经网络，使用网格搜索的方式给其中的独立神经网络子模型分别赋予不同的权重，相比单独的神经网络子模型其预测性能更加均衡，避免了单独的神经网络子模型由于自身的缺陷导致预测结果偏离实际压力数据的缺陷。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
30.图1为本发明提供的压裂施工压力预测方法的流程图；
31.图2为本发明具体实施例中的施工压力数据分解示意图；
32.图3为本发明具体实施例中的数据划分结果示意图；
33.图4为本发明具体实施例中的一步预测与为多步预测示意图；
34.图5为本发明具体实施例中的一步预测结果的整体分布图；
35.图6为本发明具体实施例中的一步预测结果的局部放大图；
36.图7为本发明具体实施例中的多步预测结果的整体分布图；
37.图8为本发明具体实施例中的多步预测结果的局部放大图；
38.图9为本发明具体实施例中一步预测的可扩展性验证结果图；
39.图10为本发明具体实施例中多步预测的可扩展性验证结果图。
具体实施方式
40.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
41.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
42.本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
43.本发明的目的是提供一种基于分布式神经网络的水力压裂施工压力预测方法，以解决现有技术中无法对水力压裂施工压力快速预测的技术问题。
44.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
45.本文一实施例中，如图1所示，提供一种基于分布式神经网络的水力压裂施工压力预测方法，包括：
46.(1)收集多个基于时间序列的压裂现场施工压力数据，将所述施工压力数据进行
变换处理，以使得变换处理后的所述施工压力数据趋于平稳；
47.通过搜集大量压裂施工数据，其中，压裂现场施工数据包括多个时间步长的数据。如图2所示，其为了使得数据更加趋于平稳，可以将施工压力数据分解为趋势、季节和噪声三个分量，图2中左右分别为三个分量的加法组合以及乘法组合，其中趋势分量用于观察时间序列数据中增加或者减少趋势值，可以理解为去噪之后时间序列数据，通过趋势分量可以看出压裂施工压力数据没有表现出显著的上升或者下降的趋势；季节性分量用于观察时间序列数据的短期周期，可以用于判断是否存在周期变化趋势；而噪声分量则对应序列中的随机变化，可以理解为压力数据中存在噪声。
48.由于基于时间序列的压力数据的复杂性和非线性性质，需要对施工压力数据进行变换处理，变换处理方法包括但不限于一阶差分变化、对数变换、归一化变换、标准化变换，对于变换后的数据，可以采用augmented dickey-fuller进行平稳性检验，以验证是否为平稳数据。通过平稳性检验，可以确定没有随机趋势或者确定趋势，避免产生“伪回归”的情况。值得说明的是，由于不同来源的压力数据在不同的数据变换下平稳性检验结果存在差异，所以不能简单直接进行某种变换处理，而需要进行平稳性分析。
49.在一个实施例中，分别采用一阶差分变化、对数变换、归一化变换、标准化变换四种方法对施工压力数据进行了变换处理，且结果如表1所示，可以看出在该实施例中采用一阶差分变换处理得到的数据表现为平稳，而对数变换、归一化变换、标准化变换三种方法变换处理得到的数据不平稳，因此在该实施例中优选一阶差分变换对施工压力进行变换处理。
50.表1数据变换处理后平稳性检验示意表
[0051][0052]
(2)将变换处理后的所述施工压力数据按照时间序列划分为第一持续注砂阶段以及第二持续注砂阶段，将所述第一持续注砂阶段对应的施工压力数据划分为训练集，将所述第二持续注砂阶段对应的施工压力数据划分为测试集；
[0053]
对于变换处理后的数据，按照不同需求可以划分为训练集和测试集。在一个具体的实施例中，如图3所示，将压力数据根据持续注砂和停砂观察划分为不同阶段，其中第一持续注砂阶段，也即0-2301s时间段的压力数据作为训练集；第二持续注砂阶段，也即2343-6801s时间段的压力数据作为测试集。
[0054]
表2施工压力数据划分结果表
[0055]
训练集数据长度2301s测试集数据长度4458s
[0056]
(3)建立多个独立的神经网络子模型，利用步骤(2)中的训练集数据分别对每个所述神经网络子模型进行训练，测试集数据分别测试神经网络子模型的准确率，直至每个所述神经网络子模型收敛；
[0057]
构建分布式神经网络预测模型，根据数据量对独立的神经网络子模型进行初始参数的设置，其中独立的神经网络子模型包括但不限于lstm模型(长短期记忆模型)、mlp模型(多层感知机)和cnn模型(卷积神经网络)。
[0058]
在一个实施例中，初始参数的设置包括模型层数、隐藏层中神经元个数、过滤器数量等。具体地，将施工压力预测神经网络初始隐藏层数的设置为2层，避免出现数据输入简单但网络结构复杂导致的过拟合情况。隐藏层神经元个数根据数据输入层和输出层的大小先设置为100。在训练模型时，如果模型对预测数据表现为欠拟合状态再进行隐藏层层数和隐藏层神经元的增加；如果模型对预测数据表现为过拟合状态再进行隐藏层层数和隐藏层神经元的减少，通过对网络结构的不断微调得到隐藏层神经元的最佳数量。其他参数初始设置分别为batch_size＝256、学习率＝0.001、正则化约束＝0.15，初始设置都将根据模型输入数据的数量和训练过程中模型表现情况进行调整。激活函数和优化算法根据模型需要达到的预测目的设置为“relu”和“adam”。
[0059]
在一个实施例中，利用损失函数对独立的神经网络子模型进行调整，直至所述神经网络子模型收敛。具体的，将变换处理后的数据分别使用lstm、mlp和cnn进行独立的训练，画出学习过程中训练集和验证集的mse loss，通过观察训练集和验证集的loss曲线，调整参数，避免过拟合和欠拟合的情况。通过计算出的损失函数曲线对模型进行进一步调整，直到独立的神经网络子模型训练收敛。
[0060]
mse loss计算公式如下：
[0061][0062]
将循环层输出设置为返回一个序列，序列的长度与预测的步数相对应，在一个实施例中，如果需要提前五步输出预测结果，那么序列的长度就设置为五，该序列将被一个time distributed层包裹，time distributed层的隐藏神经元的个数与序列长度相对应，并由relu函数激活。
[0063]
模型的损失函数为均方差误差(mse)，使用adam函数作为优化器，在一个实施例中，神经网络子模型的配置参数如表3所示。
[0064]
表3神经网络子模型的配置参数表
[0065][0066]
在一个实施例中，在神经网络子模型采用一步预测方法或多步预测方法对施工压力进行预测。具体的，如图4所示，根据预设的输入用于预测下一阶段的数据长度参数以及输出的预测结果步数，对数据进行格式调整，图4中示出了一步预测和多步预测格式区别。一步预测为短期预测提前得到下一时间步长的压力数据，在多步预测当中，模型在预测出xt的值之后，该预测值则进入输入数据列表，顶替一个位置，再进行一下次模型的预测，多次反复，从而输出一组多步预测的数据。在一个实施例中，设置时间间隔为1s的数据，进行了20步的提前预测得到的结果是未来20s之后的预测施工压力值；如果时间间隔是2s的数据，进行20步的提前预测得到的结果是未来40s之后的压力值。
[0067]
(4)建立分布式神经网络预测模型，分别对步骤(3)中每个独立的神经网络子模型的预测结果进行赋权；调整赋权系数，通过损失函数评价所述赋权系数下的分布式神经网络预测模型；根据网格搜索方法确定最佳赋权系数，获取所述最佳赋权系数对应的施工压力预测模型。
[0068]
在一个实施例中，分别对mlp、cnn、lstm三种神经网络子模型的预测值进行分别赋权操作，最后再根据权重对预测结果进行汇总，就得到了分布式神经网络模型的预测值，也即三种神经网络子模型的集成结果。
[0069]
其中，权重的取值是在神经网络中前向和反向过程中校正而来，通过更新权重参数来使得训练集上的损失函数到达相对更小值。最终的集成模型输出值为pf＝ω
p1
p1+ω
p2
p2+ω
p3
p3，这当中p1、p2和p3分别为mlp、cnn和lstm模型的预测值，ω
p1
、ω
p2
和ω
p3
分别为mlp、cnn和lstm模型的赋权系数。
[0070]
在一个实施例中，为了评价评价模型的准确度，对分布式神经网络预测模型预测的数据进行逆变换处理以还原为预测的施工压力数据，比较实际的施工压力数据与预测的施工压力数据，对分布式神经网络预测模型的准确度进行评价。具体的，可以利用均方根误
差(root mean square error，rmse)、均方误差(mean square error，mse)，平均绝对误差((mean absoulte error，mae)、和拟合优度(r-square，r2)作为评价指标，其计算公式为：
[0071][0072][0073][0074][0075]
在一个计算实例中，利用一步预测方法预测了施工压力数据。一步预测为短期预测提前得到下一秒的压力数据，由于数据处理之后并未出现明显的周期性，所以在实际处理中步数的选择和处理需要根据模型和数据的体量具体情况具体分析。如图5所示，为一步预测中mlp、cnn和lstm三种神经网络子模型的一步预测结果整体分布图，以及分布式神经网络模型的最终预测结果，根据整体图片可以看出4种模型的预测结果总体都符合实际监测压力值。如图6所示，为一步预测结果的局部数据放大图，在压力数据波动较为平稳的地方数据，预测结果与实际值的差距并不大，但在数据波动的顶点处预测数据会存在一定的滞后性。
[0076]
如表4所示，为一步预测的不同神经网络子模型的运行结果，在一步预测当中mlp、cnn和lstm的错误率都大致相近，lstm略优于mlp，cnn又要优于lstm一些，这是因为lstm内部是由记忆细胞来处理长期依赖关系，但是一步预测当中对于数据的长期依赖要求较低，导致了lstm模型在模型参数调整的时候会更加倾向于过拟合的状态，使得其结果对比cnn来说会相对差一些。
[0077]
在表4中，可以看出分布式神经网络模型在一步压力预测数据结果最为相近，由于集成模型在预测当中使用网格搜索的方式将给模型分别赋予不同的权重，将mlp、cnn和lstm预测数据整合起来，相比于单个模型，预测结果更加均衡。
[0078]
表4施工压力的一步预测(短期)实验结果
[0079]
[0080][0081]
在一个计算实例中，利用多步预测方法预测了施工压力数据。多步预测的步数决定了预测时间的长度，提前预测时间在实际上与数据的间隔和数据的分布有关，在计算实例中，数据的间隔为1s，预测步数为30，意味着提前30s预测出实际施工压力数据。如图7所示，就整体预测结果来说，数据变动趋势得到了一定程度的准确预测，但从总体趋势来说，预测数据存在一定的滞后性，这是未来需要解决的问题。如图8所示，局部放大的预测结果始终是在真实数据附近，可以看出数据误差较小。如表5所示，mlp、cnn、lstm模型预测rmse误差始终在0.2左右，这与数据存在一定程度的滞后性有关，无论是单个模型还是集成模型的拟合优度r2都在0.96左右。
[0082]
表5施工压力的多步预测(中短期)实验结果
[0083][0084]
此外，为了验证分布式神经网络预测模型的可扩展性，在不同阶段上进行了预测实验，并且给出其相对于数据集的准确率。
[0085]
在一个计算实例中，如图9所示，采用一步预测，阶段2中训练集长度为2953s，测试集长度为2904s，其集成模型预测结果误差rmes＝0.1649；r2＝0.9663。
[0086]
在一个计算实例中，如图10所示，采用多步预测，阶段2中训练集长度为2953s，测试集长度为2904s，其集成模型预测步长为30结果误差rmes＝0.4379；r2＝0.7532。
[0087]
由上述计算实例的结果可以看出，采用本技术提出的分布式神经网络预测模型的具有较好的可扩展性，且其中一步预测的预测结果优于多步预测的结果。
[0088]
基于同一发明构思，本文还提供一种基于分布式神经网络的水力压裂施工压力预测系统，如下面的实施例所述。由于水力压裂施工压力预测系统与水力压裂施工压力预测系统方法相似，因此水力压裂施工压力预测系统的实施可以参见水力压裂施工压力预测方法，重复之处不再赘述。
[0089]
具体的，一种基于分布式神经网络的水力压裂施工压力预测系统，包括：
[0090]
数据收集处理模块，用于收集多个基于时间序列的压裂现场施工压力数据，将所述施工压力数据进行变换处理，以使得变换处理后的所述施工压力数据趋于平稳；
[0091]
数据存储划分模块，用于将变换处理后的所述施工压力数据按照时间序列划分为
第一持续注砂阶段以及第二持续注砂阶段，将所述第一持续注砂阶段对应的施工压力数据划分为训练集，将所述第二持续注砂阶段对应的施工压力数据划分为测试集；
[0092]
神经网络子模型训练模块，用于建立多个独立的神经网络子模型，利用数据存储划分模块中的训练集数据分别对每个所述神经网络子模型进行训练，直至每个所述神经网络子模型收敛；
[0093]
分布式神经网络预测模型训练模块，用于建立分布式神经网络预测模型，分别对神经网络子模型训练模块中每个独立的神经网络子模型的预测结果进行赋权；调整赋权系数，评价调整后的赋权系数下的分布式神经网络预测模型；根据网格搜索方法确定最佳赋权系数，获取所述最佳赋权系数对应的施工压力预测模型。
[0094]
本文一实施例中，还提供一种计算机设备，用于实现前述任一实施例所述的基于分布式神经网络的水力压裂施工压力预测方法，具体的，计算机设备可以包括一个或多个处理器，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备还可以包括任何存储器，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备的固定或可移除部件。在一种情况下，当处理器执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备可以执行相关联指令的任一操作。计算机设备还包括用于与任何存储器交互的一个或多个驱动机，诸如硬盘驱动机构、光盘驱动机构等。
[0095]
计算机设备还可以包括输入/输出模块(i/o)，其用于接收各种输入(经由输入设备)和用于提供各种输出(经由输出设备))。一个具体输出机构可以包括呈现设备和相关联的图形用户接口(gui)。在其他实施例中，还可以不包括输入/输出模块(i/o)、输入设备以及输出设备，仅作为网络中的一台计算机设备。计算机设备还可以包括一个或多个网络接口，其用于经由一个或多个通信链路与其他设备交换数据。一个或多个通信总线将上文所描述的部件耦合在一起。
[0096]
通信链路可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0097]
对应于本文提供的预测方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0098]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行本文的预测方法。
[0099]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0100]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这
三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0101]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
[0102]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0103]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0104]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0105]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0106]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0107]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

技术特征：
1.一种基于分布式神经网络的水力压裂施工压力预测方法，其特征在于，包括：(1)收集多个基于时间序列的压裂现场施工压力数据，将所述施工压力数据进行变换处理，以使得变换处理后的所述施工压力数据趋于平稳；(2)将变换处理后的所述施工压力数据按照时间序列划分为第一持续注砂阶段以及第二持续注砂阶段，将所述第一持续注砂阶段对应的施工压力数据划分为训练集，将所述第二持续注砂阶段对应的施工压力数据划分为测试集；(3)建立多个独立的神经网络子模型，利用步骤(2)中的训练集数据分别对每个所述神经网络子模型进行训练，测试集数据分别测试神经网络子模型的准确率，直至每个所述神经网络子模型收敛；(4)建立分布式神经网络预测模型，分别对步骤(3)中每个独立的神经网络子模型的预测结果进行赋权；调整赋权系数，评价调整后的赋权系数下的分布式神经网络预测模型；根据网格搜索方法确定最佳赋权系数，获取所述最佳赋权系数对应的施工压力预测模型。2.根据权利要求1所述的基于分布式神经网络的水力压裂施工压力预测方法，还包括：将变换处理后的所述施工压力数据分解为趋势、季节和噪声三个分量，以进行施工压力数据变化情况分析。3.根据权利要求1所述的基于分布式神经网络的水力压裂施工压力预测方法，所述变换处理方法包括但不限于一阶差分变化、对数变换、归一化变换、标准化变换。4.根据权利要求1所述的基于分布式神经网络的水力压裂施工压力预测方法，所述独立的神经网络子模型包括但不限于lstm模型、mlp模型和cnn模型。5.根据权利要求1所述的基于分布式神经网络的水力压裂施工压力预测方法，在神经网络子模型中采用一步预测方法或多步预测方法对施工压力进行预测。6.根据权利要求1所述的基于分布式神经网络的水力压裂施工压力预测方法，所述步骤(4)中还包括：利用损失函数对独立的神经网络子模型进行调整，直至所述神经网络子模型收敛。7.根据权利要求1所述的基于分布式神经网络的水力压裂施工压力预测方法，所述步骤(4)中还包括：对分布式神经网络预测模型预测的数据进行逆变换处理以还原为预测的施工压力数据，比较实际的施工压力数据与预测的施工压力数据，对分布式神经网络预测模型的准确度进行评价。8.一种基于分布式神经网络的水力压裂施工压力预测系统，其特征在于，包括：数据收集处理模块，用于收集多个基于时间序列的压裂现场施工压力数据，将所述施工压力数据进行变换处理，以使得变换处理后的所述施工压力数据趋于平稳；数据存储划分模块，用于将变换处理后的所述施工压力数据按照时间序列划分为第一持续注砂阶段以及第二持续注砂阶段，将所述第一持续注砂阶段对应的施工压力数据划分为训练集，将所述第二持续注砂阶段对应的施工压力数据划分为测试集；神经网络子模型训练模块，用于建立多个独立的神经网络子模型，利用数据存储划分模块中的训练集数据分别对每个所述神经网络子模型进行训练，直至每个所述神经网络子模型收敛；
分布式神经网络预测模型训练模块，用于建立分布式神经网络预测模型，分别对神经网络子模型训练模块中每个独立的神经网络子模型的预测结果进行赋权；调整赋权系数，评价调整后的赋权系数下的分布式神经网络预测模型；根据网格搜索方法确定最佳赋权系数，获取所述最佳赋权系数对应的施工压力预测模型。9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于分布式神经网络的水力压裂施工压力预测方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于分布式神经网络的水力压裂施工压力预测方法的步骤。

技术总结
本发明涉及一种基于分布式神经网络的水力压裂施工压力预测方法，包括：(1)收集多个基于时间序列的压裂现场施工压力数据并进行变换处理，以使施工压力数据趋于平稳；(2)将处理后的压力数据划分为训练集和测试集；(3)建立多个独立的神经网络子模型，利用步骤(2)中的训练集数据进行训练，直至每个神经网络子模型收敛；(4)建立分布式神经网络预测模型，分别对步骤(3)中每个独立的神经网络子模型进行赋权，调整赋权系数，评价调整后分布式神经网络预测模型；根据网格搜索方法确定最佳赋权系数，获取最佳预测模型。本发明提供的方法能够对施工压力进行快速预测，对于即时判别施工风险、指导现场压裂施工具有重要的意义。指导现场压裂施工具有重要的意义。指导现场压裂施工具有重要的意义。


技术研发人员：刘彧轩 彭子怡 刘忠慧 郭建春 伍连松
受保护的技术使用者：西南石油大学
技术研发日：2023.08.09
技术公布日：2023/10/19