一种基于神经网络的气井积液诊断方法技术

本发明专利技术属于油气田开发技术领域，特别是涉及一种基于神经网络的气井积液诊断方法。方法包括以下步骤：S1，获取气井的油压、套压、产气量、产水量；S2，将所述气井的油压、套压、产气量、产水量输入应用神经网络的气井积液诊断模型，输出判断结果，所述判断结果包括气井积液和气井不积液；所述应用神经网络的气井积液诊断模型是通过对BP网络模型的最后一层隐藏层增加神经元个数以及在输出层中增加dropout结构后训练得到的。本发明专利技术的方法利用了气井现有的生产测试数据，简化了大量复杂的机理研究，构建了应用神经网络的气井积液诊断模型，采用基于该模型的气井积液诊断方法，预测气井积液的成功率较高，可以用来判断气井积液。可以用来判断气井积液。可以用来判断气井积液。

【技术实现步骤摘要】
一种基于神经网络的气井积液诊断方法


[0001]本专利技术属于油气田开发
，特别是涉及一种基于神经网络的气井积液诊断方法。

技术介绍

[0002]气井井筒积液对天然气的开采影响极大，准确地计算气井临界流量对气井开发至关重要。气井携液临界流量理论计算模型主要有液滴模型和携液率模型， 然而在实际计算过程中往往会出现计算结果偏差大、不能满足工程需要等问题。
[0003]专利《一种适用于油气水同产水平井积液判别方法》（公开号CN110866321 A）公开了一种适用于油气水同产水平井积液判别方法，通过获取气井参数，确定相应的参数，计算得到携液临界气流速，然后确定气井携液临界流量，最后将得到的气井携液临界流量与气井日产气量对比，若日产气量大于气井携液临界流量表明气井能正常携液，未发生积液现象；若日产气量小于气井携液临界流量则表明气井携液困难，井底可能存在积液，应及时介入泡排或开展其他排水采气措施；该算法是基于液体回落思想，较采用液滴模型和液膜模型判断的积液时机更准确，但是存在步骤仍然繁琐，在实际计算过程中实用性差，不能满足工程需要等问题。

技术实现思路

[0004]针对现有的气井积液诊断方法存在步骤仍然繁琐，在实际计算过程中实用性差，不能满足工程需要等问题，模型充分利用了气井现有的生产测试数据，简化了大量复杂的机理研究，构建了应用神经网络的气井积液诊断模型，提出了一种基于神经网络的气井积液诊断方法。
[0005]为了实现上述专利技术目的，本专利技术提供了以下技术方案：一种基于神经网络的气井积液诊断方法，包括以下步骤：S1，获取气井的油压、套压、产气量、产水量；S2，将所述气井的油压、套压、产气量、产水量输入应用神经网络的气井积液诊断模型，输出判断结果，所述判断结果包括气井积液和气井不积液；所述应用神经网络的气井积液诊断模型是通过对BP网络模型的最后一层隐藏层增加神经元个数以及在输出层中增加dropout结构后训练得到的。
[0006]作为本专利技术的优选方案，所述应用神经网络的气井积液诊断模型包括输入层、中间隐藏层和输出层。
[0007]作为本专利技术的优选方案，所述应用神经网络的气井积液诊断模型最后一层隐藏层的神经元个数为32个。
[0008]作为本专利技术的优选方案，所述在输出层中增加dropout结构是通过在输出层插入dropout函数实现的。
[0009]作为本专利技术的优选方案，步骤S2中，将气井日油套压差大于0.5Mpa，且产气量低于
1.8万方的数据定义为气井积液，否则，为气井不积液。
[0010]作为本专利技术的优选方案，所述应用神经网络的气井积液诊断模型在训练过程中模型训练学习率为0.01，训练次数是100次。
[0011]基于相同的构思，还提出了一种基于神经网络的气井积液诊断装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
[0012]与现有技术相比，本专利技术的有益效果：本专利技术的方法利用了气井现有的生产测试数据，简化了大量复杂的机理研究，构建了应用神经网络的气井积液诊断模型，基于该模型公开了一种基于神经网络的气井积液诊断方法，计算结果表明，应用神经网络模型预测气井积液的成功率较高，可以用来判断气井积液。
附图说明
[0013]图1为本专利技术实施例1中一种基于神经网络的气井积液诊断方法流程图；图2是本专利技术实施例2中收集到某井站气井的部分积液数据表格示意图；图3是本专利技术实施例2中收集到某井站气井的不积液数据表格示意图；图4是本专利技术实施例2中收集到的86组数据训练集数据示意图；图5是本专利技术实施例2中86组训练集数据训练结果截图；图6是本专利技术实施例2中训练集中前9组积液数据；图7是本专利技术实施例2中改进后的模型训练100次后得到的测试结果截图。
具体实施方式
[0014]下面结合试验例及具体实施方式对本专利技术作进一步的详细描述。但不应将此理解为本专利技术上述主题的范围仅限于以下的实施例，凡基于本
技术实现思路
所实现的技术均属于本专利技术的范围。
[0015]实施例1一种基于神经网络的气井积液诊断方法，流程图如图1所示，包括以下步骤：S1，获取气井的油压、套压、产气量、产水量；S2，将所述气井的油压、套压、产气量、产水量输入应用神经网络的气井积液诊断模型，输出判断结果，所述判断结果包括气井积液和气井不积液；所述应用神经网络的气井积液诊断模型是通过对BP网络模型的最后一层隐藏层增加神经元个数以及在输出层中增加dropout结构后训练得到的。
[0016]其中，应用神经网络的气井积液诊断模型包括输入层、中间隐藏层和输出层。
[0017]作为优选方案，所述应用神经网络的气井积液诊断模型最后一层隐藏层的神经元个数为32个。
[0018]作为优选方案，所述在输出层中增加dropout结构是通过在输出层插入dropout函数实现的。
[0019]作为优选方案，步骤S2中，将气井日油套压差大于0.5Mpa，且产气量低于1.8万方
的数据定义为气井积液，否则，为气井不积液。
[0020]作为优选方案，所述应用神经网络的气井积液诊断模型在训练过程中模型训练学习率为0.01，训练次数是100次。
[0021]实施例2通过实际采集的数据对本案构建的气井积液诊断模型训练和测试过程如下：将收集到某井站气井的油压、套压、产气量、产水量等4个对积液判断有影响的因素，作为神经网络模型的输入训练数据。收集到某井站气井2020年12月至2021年6月61组积液数据和25组不积液数据，共计61+25=86组数据，将某井站气井日油套压差大于0.5Mpa，且产气量低于1.8万方的数据定义为气井积液数据，反之为不积液数据，共计61组积液数据，图2中展示了其中25组积液数据，将25组积液数据作为训练集，图3是25组不积液数据。将这61组积液数据的标签定义为1；不积液数据共计25组，将这25组不积液数据的标签定义为0。
[0022]选择油压、套压、产气量、产水量这四个参数判断气井积液是因为这4个参数是最能反应气井生产情况的参数，当正常生产时，这4个参数的变化很小，当气井生产遇到问题时，如气井开始积液影响生产了，这4个参数将会出现一定幅度的变化，其他参数并没有对积液有较为明显的反应。
[0023]当正常生产时，油套压差的变化很小，当气井积液严重影响生产，油套压差将会增大，产气量会下降，产水量会波动。气井生产常用的气井判断模型仅采用油压、套压这2个值带入模型进行判断，本方案考虑到更多因素：产气量、产水量。将油压、套压、产气量、产水量4个参数带入BP神经网络模型，指定好积液数据、不积液数据后进行训练，BP神经网络开始训练，BP神经网络模型将无限模拟、无限回归、无限接近于真实值，从而达到通过油压、套压、产气量、产水量的值判断气井积液的目标，简言之，通过数据分析达到判断变化趋势、预测结果。...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的气井积液诊断方法，其特征在于，包括以下步骤：S1，获取气井的油压、套压、产气量、产水量；S2，将所述气井的油压、套压、产气量、产水量输入应用神经网络的气井积液诊断模型，输出判断结果，所述判断结果包括气井积液和气井不积液；所述应用神经网络的气井积液诊断模型是通过对BP网络模型的最后一层隐藏层增加神经元个数以及在输出层中增加dropout结构后训练得到的。2.如权利要求1所述的一种基于神经网络的气井积液诊断方法，其特征在于，所述应用神经网络的气井积液诊断模型包括输入层、中间隐藏层和输出层。3.如权利要求2所述的一种基于神经网络的气井积液诊断方法，其特征在于，所述应用神经网络的气井积液诊断模型最后一层隐藏层的神经元个数为32个。4.如权利要求1所述的一种基于神经网络的气井积液诊断方法，其特征在于，所述在...

【专利技术属性】
技术研发人员：向伟，严小勇，程志强，青鹏，阴丽诗，张伟，张云，王林坪，王腾，
申请(专利权)人：中国石油化工股份有限公司西南油气分公司，
类型：发明
国别省市：