水力压裂停泵时,由于水击效应的影响,油管内会出现压力波动,此时在井口处测量的压力数据含有大量噪声,不能反映真实的地下渗流压力变化,不利于压裂效果评价和试井解释,需要对压裂停泵后的压力数据进行数据滤波。关于序列数据处理,已有多种传统信号滤波方法,其中最常见的方法是小波去噪,先用小波变换将数据进行小波分解,再通过阈值来筛选需保留的小波分解系数,进而完成信号重构,达到滤波。但在选取合适的小波基和阈值问题上,这种方法的处理过程繁琐,并且对水击压力波去噪效果差,对于非平稳性的信号不适用。神经网络作为近些年兴起的数据处理技术,在试井解释上也有出色的应用。本文将神经网络和样条拟合方法相结合,以数据去噪为目的,提出一种基于深层神经网络的数据滤波方法。通过构造一个8层的深层神经网络模型,使用Huber函数作为损失函数,保留停泵压力的物理特征,并重新定义基于权重样本的目标函数,使得神经网络能够对含噪数据合理滤波;通过样条拟合对滤波数据进行优化,可以使压力导数连续,有利于试井解释工作的开展。通过Huber函数的约束,网络对离散点和异常数据不敏感,梯度变化的区间小,不易发生梯度爆炸,可以加快网络的收敛;通过调节样本的权重,神经网络可以实现灵活的压力数据滤波方法。在本文中,经过改进后的神经网络具有良好的信号滤波能力,可以很好的拟合时间和压力二者之间的隐藏关系。实际数据表明,该方法能有效、灵活去除停泵压力数据噪音,且与原数据相比相对误差能保持在0.2%左右,为压裂效果评价提供了可靠数据,具有重要的应用前景。