基于卷积神经网络的压裂停泵数据滤波方法

水力压裂停泵时，由于水击效应的影响，井口处压力会产生波动，此时测量得到的压力数据不能反映真实的渗流情况，不利于试井解释，需要对压裂停泵后的压力数据进行数据滤波。针对该问题，文章提出一种基于卷积神经网络的滤波方法：基于方差思想，构造可表征数据离散程度的损失函数，用以约束滤波后数据的离散程度；基于停泵压力数据的物理特征，给出可保留停泵压力最高点的损失函数表征方法；在此基础上，构造一个9层的卷积神经网络模型，使得神经网络能够合理完成数据滤波。对于水平井多段压裂停泵压力数据的样本，只需进行1次合适的参数调整，同一网络框架可以完成对以上不同段压力数据的处理，且实验效果好；以均值和相对误差为参照标准，对比滤波前后的压力数据，滤波后的数据与原始数据相比，离散程度变化较小，且与原有数据相比仍能保持较小的相对误差，基本稳定在0.2%左右。该滤波方法为压裂效果评价提供了可靠数据，具有广阔的应用前景。