一种抽油机有效冲程的计算方法技术

本发明专利技术公开了一种抽油机有效冲程的计算方法，首先获取油井现场采集到的抽油机示功图历史数据，并对其进行异常数据过滤；然后将有效工况数据归一化并绘制为闭合的示功图图像；接着为示功图数据集标定与有效冲程相关的四个凡尔开闭点；再以带有标签的数据集训练凡尔开闭点回归模型，并根据测试结果挖掘困难样本，进而调整网络结构以提高回归模型性能；最后将现场的实时数据输入到训练完成的点回归模型中得到预测的凡尔开闭点，从而推算出实际的抽油机有效冲程。该方法能够准确计算抽油机的有效冲程，从而为功图量油提供坚实的技术支撑。撑。撑。

【技术实现步骤摘要】
一种抽油机有效冲程的计算方法


[0001]本专利技术涉及基于油田量油
，具体而言，是通过深度学习技术，建立数据驱动的回归模型，从而预测抽油机井有效冲程的方法。

技术介绍

[0002]在油田开采过程中，油井产量计量是油田日常生产管理的一项基础且重要的工作，目前国内外传统的计量方式是将各井口的产油输送到计量站进行集中计量，这一计量方式存在安装设备繁多、工艺流程冗杂、实时性低等问题，难以满足智慧油田的发展需求。在这种需求下，功图量油成为替代目前计量站形式量油的主要手段。
[0003]功图量油是通过对油井示功图的实时采集和处理分析来计算油井产液量的，而柱塞有效冲程的计算直接影响功图量油的准确性。柱塞有效冲程由抽油泵固定凡尔和游动凡尔的开启、关闭四个关键点所决定。四个凡尔开闭点的求解，目前工业中普遍采用五点平均法，该方法通过计算功图中每个采样点的平均曲率变化值，并分别将功图上、下冲程中曲率变化最大的两个采样点作为凡尔开闭点。五点平均法在工程应用中具有计算简单和实时性好的优点，但同时也存在着对噪声干扰敏感和对功图完整性要求高的缺点。在油田实际开采过程中，噪声影响和极端故障导致的功图不规整、毛刺多和曲率变化波动大的情况时有发生，此时五点平均法会出现计算误差大，可靠性降低，甚至难以使用的情况。
[0004]近年来，随着数据驱动技术的快速发展，将深度学习等人工智能技术应用于油田生产开采过程，有望为解决上述问题提供另一种新的思路，为准确定位凡尔开闭点从而计算有效冲程和油井产量提供技术支撑。

技术实现思路
r/>[0005]针对上述问题，本专利技术提供一种抽油机有效冲程的计算方法，通过示功图的历史采样数据训练卷积神经网络回归模型，对抽油机的示功图凡尔开闭点进行实时检测，从而预测示功图的有效冲程，具有计算流程简单、实时性高和泛化能力强等特点。
[0006]本专利技术提出一种抽油机有效冲程的计算方法，具有如下步骤：
[0007](1)获取油井现场采集到的抽油机示功图历史数据并对其进行异常数据过滤处理，得到有效工况数据集D：
[0008]D＝{d
i
|i＝1,2,...,N}
[0009]d
i
＝{(x
ij
,y
ij
)|j＝1,2,...,m}
[0010]其中d
i
表示第i组抽油机示功仪采样数据，共N组；其中每组数据包含m对抽油机悬点位移和载荷采样值(x
ij
,y
ij
)，x
ij
表示第j个悬点位移采样值，y
ij
表示第j个悬点载荷采样值；
[0011](2)将有效工况数据归一化并绘制为闭合的示功图图像，得到有效示功图数据集P：
[0012]P＝{p
i
|i＝1,2,...,K}
[0013]其中p
i
表示由第i组抽油机示功仪采样数据d
i
绘制成的示功图样本，共K个；
[0014](3)由工艺专家为示功图数据集P标定与有效冲程相关的四个凡尔开闭点作为数据集P的标签L：
[0015]L＝{l
i
|i＝1,2,...,K}
[0016]l
i
＝{a
iA
,b
iA
,a
iB
,b
iB
,a
iC
,b
iC
,a
iD
,b
iD
}
[0017]其中l
i
表示第i组抽油机示功图样本p
i
的标签，共K组；其中每组标签包含4个凡尔开闭点在示功图中的像素坐标值，分别为固定凡尔开启点A的坐标(a
iA
,b
iA
)、固定凡尔关闭点B的坐标(a
iB
,b
iB
)、游动凡尔开启点C的坐标(a
iC
,b
iC
)和游动凡尔关闭点D的坐标(a
iD
,b
iD
)；
[0018](4)将示功图数据集P按照留出法划分为训练集P
train
、验证集P
val
和测试集P
test
，对应的标签L也被划分为训练集标签L
train
、验证集L
val
和测试集L
test
；
[0019](5)根据凡尔开闭点识别任务的特性，选取神经网络回归模型M；
[0020](6)利用训练集P
train
，结合对应的训练集标签L
train
，对神经网络回归模型M进行示功图到凡尔开闭点位置的映射关系的学习；
[0021](7)根据神经网络回归模型M训练过程中，在验证集P
val
上的损失函数的最小值选取模型的权重参数；
[0022](8)通过测试集P
test
评估(7)中已确定网络权重参数的回归模型M的泛化能力，并根据测试结果挖掘困难样本，针对困难样本调整神经网络回归模型M的网络结构以达到提高回归模型性能的目的；
[0023](9)重复步骤(6)至步骤(8)直至回归模型M的性能达到工程应用要求，获得神经网络回归模型M；
[0024](10)获取油井现场采集到的实时悬点位移及载荷并对其进行异常数据过滤和归一化处理，将结果绘制成示功图输入至神经网络回归模型M，根据模型M输出的凡尔开闭点像素坐标和归一化相关参数反推出实际有效冲程。
[0025]进一步地，所述获取油井现场采集到的抽油机示功图历史数据并对其进行异常数据过滤处理具有如下步骤：
[0026](1
‑
1)将超出示功仪位移及载荷量程或空值数据定义为异常数据，统计一组示功图据中异常数据的占比α
error
：
[0027][0028]其中N
erroe
表示异常数据点个数，N
all
表示采样总数；
[0029](1
‑
2)若α
error
大于设定阈值则丢弃当前样本；
[0030](1
‑
3)若α
error
小于设定阈值则采用如下策略对异常采样点p
error
(x
error
,y
error
)进行修正：
[0031][0032]其中(x
pre
,y
pre
)表示(x
error
,y
error
)的前一个有效采样点，(x
after
,y
after
)表示(x
error
,y
error
)的后一个有效采样点。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抽油机有效冲程的计算方法，其特征在于包括以下步骤：(1)获取油井现场采集到的抽油机示功图历史数据并对其进行异常数据过滤处理，得到有效工况数据集D：D＝{d
i
|i＝1,2,...,N}d
i
＝{(x
ij
,y
ij
)|j＝1,2,...,m}其中d
i
表示第i组抽油机示功仪采样数据，共N组；其中每组数据包含m对抽油机悬点位移和载荷采样值(x
ij
,y
ij
)，x
ij
表示第j个悬点位移采样值，y
ij
表示第j个悬点载荷采样值；(2)将有效工况数据归一化并绘制为闭合的示功图图像，得到有效示功图数据集P：P＝{p
i
|i＝1,2,...,N}其中p
i
表示由第i组抽油机示功仪采样数据d
i
绘制成的示功图样本，共N个；(3)由工艺专家为示功图数据集P标定与有效冲程相关的四个凡尔开闭点作为数据集P的标签L：L＝{l
i
|i＝1,2,...,N}l
i
＝{a
iA
,b
iA
,a
iB
,b
iB
,a
iC
,b
iC
,a
iD
,b
iD
}其中l
i
表示第i组抽油机示功图样本p
i
的标签，共N组；其中每组标签包含4个凡尔开闭点在示功图中的像素坐标值，分别为固定凡尔开启点A的坐标(a
iA
,b
iA
)、固定凡尔关闭点B的坐标(a
iB
,b
iB
)、游动凡尔开启点C的坐标(a
iC
,b
iC
)和游动凡尔关闭点D的坐标(a
iD
,b
iD
)；(4)将示功图数据集P划分为训练集P
train
、验证集P
val
和测试集P
test
，对应的标签L也被划分为训练集标签L
train
、验证集L
val
和测试集L
test
；(5)根据凡尔开闭点识别任务的特性，选取神经网络回归模型M；(6)利用训练集P
train
，结合对应的训练集标签L
train
，对神经网络回归模型M进行示功图到凡尔开闭点位置的映射关系学习；(7)根据神经网络回归模型M训练过程中，在验证集P
val
上的损失函数的最小值选取模型的权重参数；(8)通过测试集P
test
评估(7)中已确定网络权重参数的回归模型M的泛化能力，并根据测试结果挖掘困难样本，针对困难样本调整神经网络回归模型M的网络结构以达到提高回归模型性能的目的；(9)重复步骤(6)至步骤(8)直至回归模型M的性能达到工程应用要求，获得神经网络回归模型M；(10)获取油井现场采集到的实时悬点位移及载荷并对其进行异常数据过滤和归一化处理，将结果绘制成示功图输入至神经网络回归模型M，根据模型M输出的凡尔开闭点像素坐标和归一化相关参数反推出实际有效冲程。2.根据权利要求1所述的一种抽油机有效冲程的计算方法，其特征在于，所述异常数据过滤处理过程具有如下步骤：(1
‑
1)将超出示功仪位移及载荷量程或空值数据定义为异常数据，统计一组示功图据中异常数据的占比α
error
：其中N
erroe
表示异常数据点个数，N
all
表示采样总数；
(1
‑
2)若α
error
大于设定阈值则丢弃当前样本；(1
‑
3)若α
error
小于设定阈值则采用如下策略对异常采样点p
error
(x
error
,y
error
)进行修正：其中(x
pre
,y
pre
)表示(x
error
,y
error
)的前一个有效采样点，(x
after
,y
after
)表示(x
error
,y
error
)的后一个有效采样点。3.根据权利要求1所述的一种抽油机有效冲程的计算方法，其特征在于，所述有效工况数据归一化并绘制闭合的示功图图像具有如下步骤：(2
‑
1)设定每台抽油机设备的示功图坐标系以其生产参数的最大载荷y
max
为纵轴最大量程，以最大冲程x
max
为横轴最大量程，对示功图原始二维数据进行坐标归一化，将原始数据d
i
转换到[0,1]的范围内，归一化结果d
norm_i
如下：d
norm_i

【专利技术属性】
技术研发人员：陈夕松，夏峰，钱帅康，姜磊，梅彬，
申请(专利权)人：南京富岛油气智控科技有限公司，
类型：发明
国别省市：