一种基于生产动态数据和示功图检测异常抽油井的方法技术

本发明专利技术属于油田勘探开发技术领域，涉及一种基于生产动态数据和示功图检测异常抽油井的方法，包括：1)采集全部生产动态数据并进行处理；2)由抽油机作业数据(荷载

【技术实现步骤摘要】
一种基于生产动态数据和示功图检测异常抽油井的方法


[0001]本专利技术属于油田勘探开发
，涉及一种基于生产动态数据和示功图检测异常抽油井的方法。

技术介绍

[0002]某石油采集场，是我国重要的原油开发区域，但在原油开采过程中，该地区存在抽油井异常现象，给原油开发带来了诸多不便。所谓的抽油井异常，是指抽油井的生产状况发生了异常变化，主要包括液量增减幅度过大，或者含水波动过大。
[0003]目前也采取了一些措施和方法对发生异常的油井进行检测，但是存在以下问题：(1)在抽油过程中，由于人工或者机器操作失误导致产油量变化，使得检测数据的相关性变差，影响异常油井检测结果的准确性；(2)现有的分析方法不能准确反应油井产油和产液量的变化，且计算结果和实测值之间有较大误差；(3)油井异常的判断过程非常复杂，现有的分析方法仅对工况进行诊断，而没有诊断油井产油和产液方面的异常。

技术实现思路

[0004]针对现有油井异常检测中出现的技术问题，本专利技术提供一种基于生产动态数据和示功图检测异常抽油井的方法，将生产动态数据、示功图以及机器学习中的训练分类模型相结合，通过计算得到的波动系数实现异常油井的检测，从而增强分析数据的相关度、减小分析误差，提高检测结果的准确率，而且整个检测过程简单，能快捷地实现对异常油井的诊断。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于生产动态数据和示功图检测异常抽油井的方法，包括以下步骤：
[0007]1)采集多口油井生产动态数据，进行缺失值补全和去噪处理；
[0008]2)从处理后的生产动态数据中，选取一个月内油井抽油机每个生产天数采油产生的荷载
‑
位移数据，得到相应的示功图，对每幅示功图按照类别进行分类；对不同类别的示功图对应打标签，得到相应的数据集；
[0009]3)把步骤2)数据集中的每幅示功图，均依次输入卷积神经网络CNN和支持向量机SVM中，经过处理得到相应的示功图分类模型；
[0010]4)根据步骤3)示功图分类模型的分类结果，得出产油量的界定值Q
o
和和产液量的界定值Q
l
；
[0011]5)根据步骤4)得到的产油量的界定值Q
o
和产液量的界定值Q
l
，并结合步骤1)中油井的生产动态数据，得到波动系数δ；
[0012]6)根据波动系数δ的大小对油井是否为异常做出判断。
[0013]进一步的，所述步骤1)中，油井生产动态数据包括油井的数量N、单口油井每天的产油量x、单口油井每月的产油量z，单口油井每天的产液量y以及单口油井一个月内总共的生产天数M，所述M为1～31内的任意正整数。
[0014]进一步的，所述步骤1)中，缺失值的补全采用均值填充的方法来完成。
[0015]进一步的，所述步骤2)中，类别包括类别1、类别2、类别3、类别4、类别5、类别6、类别7、类别8、类别9以及类别10；10个类别的标签分别是[1,0,0,0,0,0,0,0,0,0]、[0,1,0,0,0,0,0,0,0,0]、[0,0,1,0,0,0,0,0,0,0]、[0,0,0,1,0,0,0,0,0,0]、[0,0,0,0,1,0,0,0,0,0]、[0,0,0,0,0,1,0,0,0,0]、[0,0,0,0,0,0,1,0,0,0]、[0,0,0,0,0,0,0,1,0,0]、[0,0,0,0,0,0,0,0,1,0]和[0,0,0,0,0,0,0,0,0,1]。
[0016]进一步的，所述步骤3)中的具体过程是：
[0017]3.1)将每幅示功图的大小固定为256*256；
[0018]3.2)将示功图图像输入到CNN，经过大小为5*5的卷积核的卷积操作获得大小为256*256*32的图像特征；再经过2*2的最大池化层得到大小为128*128*32的图像特征；
[0019]3.3)再重复执行3.2)中所述的卷积操作和池化操作各5次，得到大小为4*4*1024的图像特征；
[0020]3.4)再经过全连接层得到1*1*4096大小的图像特征；
[0021]3.5)将步骤3.4)的图像特征输入到SVM中进行训练与多分类操作，得到示功图分类模型。
[0022]进一步的，所述步骤3.5)中，示功图分类模型包括第一大类、第二大类和第三大类；所述第一大类为类别1；所述第二大类包括类别2、类别4、类别、类别8以及类别9；所述第三大类包括类别3、类别5、类别6和类别10。
[0023]进一步的，所述步骤4)中，产油量界定值Q
o
和产液量界定值Q
l
的计算公式分别是：
[0024][0025][0026]其中，i指一口油井生产的第i天，1≤i≤M；j指的是第j口油井，1≤j≤N；x
ij
表示生产第i天第j口油井对应的产油量；y
ij
表示生产第i天第j口油井对应的产液量。
[0027]进一步的，所述步骤5)中，波动系数δ的计算公式是：
[0028][0029]进一步的，所述步骤6)中，分类模型为第二大类，波动系数δ大于50％时，判断为产油异常的井。
[0030]进一步的，所述步骤6)中，分类模型为第一大类和第三大类，波动系数δ大于30％时，判断为产油异常的井。
[0031]本专利技术的有益效果是：
[0032]1、本专利技术为一种基于生产动态数据和示功图检测异常抽油井的方法，将示功图分类模型与生产动态数据相结合，通过训练以及模型分类，计算界定值，从而确定日产油、产液量的波动系数，再根据波动系数来检测异常油井。本专利技术实施过程简单，精度较之前方法
有较大提高。
[0033]2、本专利技术中，对采集的全部生产数据进行缺失值补全和去噪处理，是为了保证本专利技术方法在后续油井检测中具有较高的精度；通过数据处理可以实现数据的完整性和格式的标准化，进而提高后期检测的准确性。
[0034]3、本专利技术中，通过采用CNN模型和SVM方法相结合，对示功图图像进行卷积操作和最大池化层操作，在操作过程中使用交叉熵函数作为损失函数，以提高机器学习模型对真实概率分布的预测准确性，保证分析数据和实际油井的相关度。
[0035]4、本专利技术通过分类模型获得相应的生产动态数据，从而得到产油量界定值Q
o
和产液量界定值Q
l
，进一步得到油井的波动系数δ，之后再根据波动系数δ判断油井是否为异常井。本专利技术可对不同状况的油井进行检测，减少由于抽油机工况问题导致对油井产油异常的错误判断，达到对异常油井快速检测的目的。
附图说明
[0036]图1为本专利技术提供的检测异常油井方法的示意图；
[0037]图2为本专利技术卷积操作和最大池化操作的示意图；
[0038]图3为CNN+SVM分类模型训练和测试的精度图。
具体实施方式<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生产动态数据和示功图检测异常抽油井的方法，其特征在于，包括以下步骤：1)采集多口油井生产动态数据，进行缺失值补全和去噪处理；2)从处理后的生产动态数据中，选取一个月内油井抽油机每个生产天数采油产生的荷载
‑
位移数据，得到相应的示功图，对每幅示功图按照类别进行分类；对不同类别的示功图对应打标签，得到相应的数据集；3)把步骤2)数据集中的每幅示功图，均依次输入卷积神经网络CNN和支持向量机SVM中，经过处理得到相应的示功图分类模型；4)根据步骤3)示功图分类模型的分类结果，得出产油量的界定值Q
o
和产液量的界定值Q
l
；5)根据步骤4)得到的产油量的界定值Q
o
和产液量的界定值Q
l
，并结合步骤1)中油井的生产动态数据，得到波动系数δ；6)根据波动系数δ的大小对油井是否为异常做出判断。2.根据权利要求1所述的基于生产动态数据和示功图检测异常抽油井的方法，其特征在于，所述步骤1)中，油井生产动态数据包括油井的数量N、单口油井每天的产油量x、单口油井每月的产油量z，单口油井每天的产液量y以及单口油井一个月内总共的生产天数M，所述M为1～31内的任意正整数。3.根据权利要求2所述的基于生产动态数据和示功图检测异常抽油井的方法，其特征在于，所述步骤1)中，缺失值的补全采用均值填充的方法来完成。4.根据权利要求3所述的基于生产动态数据和示功图检测异常抽油井的方法，其特征在于，所述步骤2)中，类别包括类别1、类别2、类别3、类别4、类别5、类别6、类别7、类别8、类别9以及类别10；10个类别的标签分别是[1,0,0,0,0,0,0,0,0,0]、[0,1,0,0,0,0,0,0,0,0]、[0,0,1,0,0,0,0,0,0,0]、[0,0,0,1,0,0,0,0,0,0]、[0,0,0,0,1,0,0,0,0,0]、[0,0,0,0,0,1,0,0,0,0]、[0,0,0,0,0,0,1,0,0,0]、[0,0,0,0,0,0,0,1,0,0]、[0,0,0,0,0,0,0,0,1,0...

【专利技术属性】
技术研发人员：潘少伟，张航，李瑜，牟昱辉，薛章涛，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：