科研動(dòng)態(tài)
用于深水氣田井下壓力預(yù)測(cè)的知識(shí)指導(dǎo)型機(jī)器學(xué)習(xí)方法
中文題目：用于深水氣田井下壓力預(yù)測(cè)的知識(shí)指導(dǎo)型機(jī)器學(xué)習(xí)方法
論文題目：Knowledge-guided Machine Learning Method for Downhole Gauge Record Prediction in Deep Water Gas Field
錄用期刊/會(huì)議：Offshore Technology Conference Asia, 2024（EI）
原文DOI：https://doi.org/10.4043/34844-MS
原文鏈接：https://onepetro.org/OTCASIA/proceedings/24OTCA/3-24OTCA/D031S020R004/541869?searchresult=1
錄用/見(jiàn)刊時(shí)間：2024年2月22日
作者列表：
1）鄭海妍 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 油氣人工智能 博22
2）林伯韜 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 教師
3）姜 潔 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 教師
4）金 衍 中國(guó)石油大學(xué)（北京）石油工程學(xué)院 教師
5）彭 龍 浙江海洋大學(xué) 石油化工與環(huán)境學(xué)院 教師
文章簡(jiǎn)介:
本文提出了一種結(jié)合物理模型與機(jī)器學(xué)習(xí)模型相結(jié)合來(lái)預(yù)測(cè)井下壓力的方法。首先，對(duì)井口和井底的歷史溫度和壓力數(shù)據(jù)進(jìn)行了收集，并基于井筒多相流理論建立了機(jī)理模型，以描述井筒管道的流動(dòng)行為。接著，利用XGBoost和前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)的井底壓力預(yù)測(cè)模型。最后，在這兩個(gè)模型的基礎(chǔ)上，建立了一個(gè)知識(shí)引導(dǎo)的機(jī)器學(xué)習(xí)（KGML）模型，將基于物理模型的領(lǐng)域知識(shí)作為自適應(yīng)權(quán)重納入損失函數(shù)，以確保在訓(xùn)練過(guò)程中遵循物理約束。
摘要:
深水氣田通常使用永久性井下壓力計(jì) (PDG)來(lái)監(jiān)測(cè)井下壓力。然而，在高溫高壓條件下，PDG 在生產(chǎn)初期很可能發(fā)生故障，維修或更換 PDG 的費(fèi)用十分昂貴。因此，建立井底壓力計(jì)量的高效模型至關(guān)重要。本文提出了一種基于物理的模型與機(jī)器學(xué)習(xí)模型相結(jié)合來(lái)預(yù)測(cè)井下壓力的方法。首先，對(duì)井口和井底的歷史溫度和壓力數(shù)據(jù)進(jìn)行了收集，并基于井筒多相流理論建立了機(jī)理模型，以描述井筒管道的流動(dòng)行為。接著，利用機(jī)器學(xué)習(xí)方法XGBoost和前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)的井底壓力預(yù)測(cè)模型。最后，在這兩個(gè)模型的基礎(chǔ)上，建立了一個(gè)知識(shí)引導(dǎo)的機(jī)器學(xué)習(xí)（KGML）模型，將基于物理模型的領(lǐng)域知識(shí)作為自適應(yīng)權(quán)重納入損失函數(shù)，以確保在訓(xùn)練過(guò)程中遵循物理約束?；谀虾Ｉ钏畾馓飪煽诰占降膶?shí)際數(shù)據(jù)，我們進(jìn)行了一系列實(shí)驗(yàn)，旨在評(píng)估所提出的井下壓力預(yù)測(cè)方法。與純數(shù)據(jù)驅(qū)動(dòng)模型相比，KGML模型顯著降低了壓力分布偏移，使壓力預(yù)測(cè)的平均絕對(duì)百分比誤差（MAPE）提高了約 50%。因此，KGML 模型可以定量描述井口溫度或壓力數(shù)據(jù)與井下對(duì)應(yīng)數(shù)據(jù)之間的復(fù)雜關(guān)系。此外，KGML在氣田的不同井場(chǎng)都表現(xiàn)出穩(wěn)健的性能，這意味著它可以擴(kuò)展到各種深水氣井，以解決PDG故障難題。因此，該模型可為深水區(qū)域的井下測(cè)量提供一種高效、經(jīng)濟(jì)的方法。
背景與動(dòng)機(jī):
傳統(tǒng)的井筒兩相流機(jī)理模型在預(yù)測(cè)實(shí)際井底壓力時(shí)存在一定偏差，單純的機(jī)器學(xué)習(xí)模型存在概念漂移和可解釋性差的問(wèn)題。本文針對(duì)凝析氣井生產(chǎn)初期的特點(diǎn)，提出了一種嵌入多相知識(shí)的數(shù)據(jù)驅(qū)動(dòng)建?？蚣?。 該方法結(jié)合井筒多相流理論知識(shí)和智能算法計(jì)算井下壓力，并通過(guò)臨井的現(xiàn)場(chǎng)應(yīng)用驗(yàn)證了該方法的效果。
設(shè)計(jì)與實(shí)現(xiàn):
本文首先基于井筒多相流理論建立了井底壓力機(jī)理模型，其次利用XGBoost和全連接神經(jīng)網(wǎng)絡(luò)建立基本的機(jī)器學(xué)習(xí)模型，最后通過(guò)損失函數(shù)連接了機(jī)理模型和機(jī)器學(xué)習(xí)模型，主要內(nèi)容如下：
1.井筒多相流機(jī)理模型
井筒壓降模型主要由重力壓降、摩擦壓降和加速度壓降組成，公式如下：
（1）
其中，ρm是氣液混合物的密度（kg/m3）；fm是摩擦系數(shù)（無(wú)量綱）；z為井深（m）；vm是氣液混合物的速度（m/s）；D是油管直徑（英寸）。
以井口深度（z0）和井口壓力（p0）的初始條件，假設(shè)溫度沿井深線(xiàn)性分布，通過(guò)井筒在空間上離散化，并逐段求解溫度和壓力值，便可得到井筒壓力沿深度的分布。
2.知識(shí)引導(dǎo)的機(jī)器學(xué)習(xí)模型
模型訓(xùn)練的本質(zhì)在于損失函數(shù)，當(dāng)損失函數(shù)變化時(shí)，會(huì)給模型帶來(lái)不同的預(yù)測(cè)趨勢(shì)。一般機(jī)器學(xué)習(xí)的損失函數(shù)考慮了模型預(yù)測(cè)值的觀(guān)測(cè)誤差，通常是均方誤差，忽略了物理誤差。受Ma等人（Ma et al.，2022）研究的啟發(fā)，KGML方法的損失函數(shù)（Eq.2）添加了自適應(yīng)加權(quán)因子。自適應(yīng)權(quán)重允許模型辨別不同樣本的重要性，對(duì)于物理知識(shí)中存在較大預(yù)測(cè)誤差的樣本，在損失函數(shù)計(jì)算中將分配到更高的權(quán)重。
（2）
（3）
λi表示分配給機(jī)械知識(shí)的權(quán)重。每個(gè)樣本都被賦予了一個(gè)自適應(yīng)權(quán)重，根據(jù)式（4）進(jìn)行計(jì)算。
（4）
實(shí)驗(yàn)結(jié)果及分析:
1. 知識(shí)指導(dǎo)的機(jī)器學(xué)習(xí)模型效果分析
表1 五種模型在測(cè)試集上的評(píng)估指標(biāo)
實(shí)驗(yàn)結(jié)果表明，采用XGBoost的機(jī)器學(xué)習(xí)模型表現(xiàn)出優(yōu)異的性能，與FNN和多相流模型相比，具有更高的準(zhǔn)確性。
在融入知識(shí)引導(dǎo)后，兩個(gè)模型都展現(xiàn)出了更好的預(yù)測(cè)性能。這表明多相流機(jī)理知識(shí)權(quán)重的整合有助于糾正與理論預(yù)期不符的預(yù)測(cè)，從而產(chǎn)生更具科學(xué)可信度的結(jié)果，并減輕了機(jī)器學(xué)習(xí)模型中的概念漂移現(xiàn)象。
2. 知識(shí)指導(dǎo)的XGBoost模型對(duì)數(shù)據(jù)量的敏感性分析
本研究使用20%、40%和60%的原始數(shù)據(jù)集進(jìn)行訓(xùn)練，采用知識(shí)引導(dǎo)的XGBoost作為預(yù)測(cè)模型，評(píng)估指標(biāo)的表現(xiàn)如下：
|
|
圖1 不同訓(xùn)練數(shù)據(jù)量下模型的評(píng)估指標(biāo)
對(duì)于僅使用20%的數(shù)據(jù)集訓(xùn)練的模型來(lái)說(shuō)，機(jī)理知識(shí)的加入使MAPE降低了60%，R2提高了12%。這突出了機(jī)理知識(shí)在提供關(guān)鍵先驗(yàn)信息方面的作用，使數(shù)據(jù)驅(qū)動(dòng)的模型即使在有限的樣本下也能穩(wěn)健地計(jì)算。隨著數(shù)據(jù)量的逐漸增加，機(jī)理知識(shí)對(duì)機(jī)器學(xué)習(xí)模型性能增強(qiáng)的影響逐漸減弱。
3. 鄰井應(yīng)用效果
選擇鄰井175天的穩(wěn)定生產(chǎn)期的生產(chǎn)數(shù)據(jù)和井下傳感器數(shù)據(jù)作為測(cè)試數(shù)據(jù)。應(yīng)用知識(shí)指導(dǎo)的XGBoost模型進(jìn)行壓力預(yù)測(cè)，結(jié)果如下：
圖2 鄰井的井底壓力預(yù)測(cè)結(jié)果
結(jié)論:
1. 將井筒多相流機(jī)理知識(shí)與機(jī)器學(xué)習(xí)模型相結(jié)合科學(xué)可行。在力學(xué)知識(shí)的指導(dǎo)下，模型不僅能解決數(shù)據(jù)觀(guān)測(cè)誤差問(wèn)題，還能解決力學(xué)擬合誤差問(wèn)題。自適應(yīng)權(quán)重的使用大大提高了預(yù)測(cè)能力，減少了過(guò)擬合，并在測(cè)試集上表現(xiàn)出優(yōu)異的性能。
2.知識(shí)引導(dǎo)的 XGBoost是井下壓力傳感器的最佳替代模型，獲得了0.9948的R2 和0.11%的MAPE，該模型在鄰井的應(yīng)用進(jìn)一步驗(yàn)證了其泛化能力。
3.在樣本有限的情況下，機(jī)理知識(shí)的融入尤其有效。當(dāng)模型缺乏足夠的數(shù)據(jù)來(lái)學(xué)習(xí)模式時(shí)，引入機(jī)理知識(shí)就變得至關(guān)重要。因此，該框架可以擴(kuò)展并應(yīng)用于其他低樣本問(wèn)題。
通訊作者簡(jiǎn)介:
林伯韜, 博士，中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院計(jì)算智能教學(xué)與研究中心教授/博導(dǎo)。主要研究方向?yàn)橹悄苁凸こ?、工業(yè)數(shù)字孿生和智慧能源金融。