井筒流动协同优化与智能决策方法、装置、介质及设备制造方法及图纸

本发明专利技术涉及一种井筒流动协同优化与智能决策方法、装置、介质及设备，井筒流动协同优化与智能决策方法包括获取井筒流动数据，对井筒流动数据进行预处理，并通过神经网络构建井筒中液体含水率的目标函数；将预处理后的井筒流动数据作为粒子，根据粒子的位置和速度，采用粒子群算法和遗传算法对目标函数求解得到井筒流动参数优化后的含水率。本发明专利技术利用粒子群算法和遗传算法融合的方法对井筒流动数据进行优化，更容易达到全局最优结果，即对井筒流动数据进行优化后的含水率。动数据进行优化后的含水率。动数据进行优化后的含水率。

【技术实现步骤摘要】
井筒流动协同优化与智能决策方法、装置、介质及设备


[0001]本专利技术涉及海洋油气开发及大数据
，具体涉及一种井筒流动协同优化与智能决策方法、装置、介质及设备。

技术介绍

[0002]目前油田生产信息化建设已经能基本实现油水井数据的实时采集，但油井的智能化管理水平还需逐步提高。在油井的生产过程中，井筒内液体的流动会受到各种因素的影响，一旦出现故障，将会造成油井产量低的情况。若通过分析井筒内各项生产数据，综合判断油井工作情况，及时通过优化相应参数，做出合理的决策来降低含水率，将有助于提高整个油井的产量和经济效益。
[0003]由于井筒流动数据的检测指标较多，且受到设备和环境的影响，会产生较大的数据误差和遗漏数据。传统的井筒流动协同优化与决策大多依靠的是人工方法，这将会导致效率低下，难以实时自动跟踪数据变化趋势，无法提前且高效地发现并解决油井出现的问题。因此如何对井筒流动参数进行优化，实时且高效地进行智能决策，进而提高油井生产效率，是目前需要解决的重要问题。

技术实现思路

[0004]本专利技术的目的是提供一种井筒流动协同优化与智能决策方法、装置、介质及设备，以解决现有技术中井筒流动协同优化与决策依靠人工方法导致效率低下，难以实时自动跟踪数据变化趋势，无法提前且高效地发现并解决油井出现故障的问题。
[0005]为实现上述目的，本专利技术采取以下技术方案：
[0006]本专利技术提供一种井筒流动协同优化与智能决策方法，包括：
[0007]获取井筒流动数据，对井筒流动数据进行预处理，并通过长短期记忆神经网络结合注意力机制构建井筒中液体含水率的目标函数，构建的目标函数为：
[0008]min
含水率
(井筒倾角，主流量，
±
Δ
开度
，压降数据)
[0009]其中，
±
Δ
开度
为待优化的井筒流动数据，min
含水率
为井筒流动数据优化后最小含水率；
[0010]将预处理后的井筒流动数据作为粒子，根据粒子的位置和速度，采用粒子群算法和遗传算法对目标函数求解得到井筒流动参数优化后的含水率。
[0011]进一步地，还包括对井筒流动数据进行预处理的方法：
[0012]对存在超过预设百分比的数据缺失的井筒流动数据进行剔除；
[0013]对存在低于预设百分比的数据缺失的井筒流动数据以向前填充、最近邻填充或向后填充融合的方式进行填充；
[0014]通过方差选择、相关系数以及树模型融合方法对填充后的井筒流动数据进行特征选择；
[0015]采用最大最小归一化方法对选择的所有井筒流动数据进行归一化处理；
[0016]将归一化后的井筒流动数据集按照设定比例划分为训练集和测试集。
[0017]进一步地，还包括在目标函数求解前对目标函数进行约束的方法：
[0018]设定井筒流动数据优化后的开度值在开度设计值的约束范围内；
[0019]设定井筒流动数据优化后的含水率小于或等于优化前的含水率；
[0020]根据上述设定构建目标函数的约束条件：
[0021][0022]其中，S.T.表示满足条件，
±
Δ
开度
为待优化的井筒流动数据，开度
max
为开度设计的最大值，含水率
org
为优化前的含水率。
[0023]进一步地，还包括采用粒子群算法和遗传算法对目标函数求解的方法：
[0024]将预处理后的井筒流动数据作为粒子，随机初始化粒子的位置和速度，并设置粒子更新的结束条件；
[0025]确定全局最优粒子，通过速度和位置更新公式更新每个粒子的速度和位置，并计算更新后粒子的目标函数值和适应度平均值；
[0026]选择适应度值高于适应度平均值的粒子，随机两两粒子依次进行交叉遗传和变异遗传得到新一代粒子群，通过速度和位置更新公式更新新一代粒子群的全局最优位置，直至新一代粒子群的全局最优位置满足设置的粒子更新结束条件，结束条件为含水率均值稳定、最大迭代次数、含水率优化范围以及粒子最大速度中的至少一种。
[0027]进一步地，还包括速度和位置更新公式：
[0028]t时刻速度更新公式为：
[0029]V
tid
＝ωV
t
‑
1id
+C1random(0,1)(P
id
‑
X
t
‑
1id
)+C2random(0,1)(P
gd
‑
X
t
‑
1id
)
[0030]t时刻位置更新公式为：X
tid
＝X
t
‑
1id
+V
t
‑
1id
；
[0031]其中，V
tid
为t时刻第i个粒子第d维的速度，V
t
‑
1id
为t
‑
1时刻第i个粒子第d维的速度，X
tid
为t时刻第i个粒子第d维的位置，X
t
‑
1id
为t
‑
1时刻第i个粒子第d维的位置，ω为惯性因子，C1和C2为加速常数，C1为每个粒子的个体学习因子，C2为每个粒子的社会学习因子，random(0，1)表示区间[0，1]上的随机数，P
id
表示第i个粒子的个体极值的第d维，P
gd
表示全局最优解的第d维。
[0032]进一步地，还包括确定全局最优粒子的方法：基于粒子初始化的位置和速度，计算每个粒子对应的目标函数值，将目标函数值最大的粒子作为全局最优粒子。
[0033]进一步地，还包括新一代粒子群全局最优位置的更新方法，所述更新方法包括以下步骤：
[0034]S1、从粒子群中选择适应度值高于适应度平均值的粒子；
[0035]S2、从步骤S1选择的粒子群中再随机选择两两粒子，以单点交叉的方式进行交叉遗传；
[0036]S3、对于步骤S2交叉遗传得到的粒子进行变异遗传操作得到新一代粒子群；
[0037]S4、通过位置更新公式更新新一代粒子群中每个粒子的历史最优位置；
[0038]S5、将步骤S4中每个粒子的历史最优位置与全局最优粒子的位置进行比较，以更新新一代粒子的全局最优位置；
[0039]S6、根据新一代粒子的全局最优位置判断是否满足设置的粒子更新结束条件，并按照以下逻辑执行：
[0040]若新一代粒子的全局最优位置满足设置的粒子更新结束条件，则输出全局最优的新一代粒子结果；
[0041]若新一代粒子的全局最优位置不满足设置的粒子更新结束条件，则重新通过速度和位置更新公式更新每个粒子的速度和位置，计算更新后粒子的目标函数值和适应度平均值，并重复步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种井筒流动协同优化与智能决策方法，其特征在于，所述井筒流动协同优化与智能决策方法包括：获取井筒流动数据，对井筒流动数据进行预处理，并通过长短期记忆神经网络结合注意力机制构建井筒中液体含水率的目标函数，构建的目标函数为：min
含水率
(井筒倾角，主流量，
±
Δ
开度
，压降数据)其中，
±
Δ
开度
为待优化的井筒流动数据，min
含水率
为井筒流动数据优化后最小含水率；将预处理后的井筒流动数据作为粒子，根据粒子的位置和速度，采用粒子群算法和遗传算法对目标函数求解得到井筒流动参数优化后的含水率。2.根据权利要求1所述的一种井筒流动协同优化与智能决策方法，其特征在于，还包括对井筒流动数据进行预处理的方法：对存在超过预设百分比的数据缺失的井筒流动数据进行剔除；对存在低于预设百分比的数据缺失的井筒流动数据以向前填充、最近邻填充或向后填充融合的方式进行填充；通过方差选择、相关系数以及树模型融合方法对填充后的井筒流动数据进行特征选择；采用最大最小归一化方法对选择的所有井筒流动数据进行归一化处理；将归一化后的井筒流动数据集按照设定比例划分为训练集和测试集。3.根据权利要求1所述的一种井筒流动协同优化与智能决策方法，其特征在于，还包括在目标函数求解前对目标函数进行约束的方法：设定井筒流动数据优化后的开度值在开度设计值的约束范围内；设定井筒流动数据优化后的含水率小于或等于优化前的含水率；根据上述设定构建目标函数的约束条件：其中，S.T.表示满足条件，
±
Δ
开度
为待优化的井筒流动数据，开度
max
为开度设计的最大值，含水率
org
为优化前的含水率。4.根据权利要求1所述的一种井筒流动协同优化与智能决策方法，其特征在于，还包括采用粒子群算法和遗传算法对目标函数求解的方法：将预处理后的井筒流动数据作为粒子，随机初始化粒子的位置和速度，并设置粒子更新的结束条件；确定全局最优粒子，通过速度和位置更新公式更新每个粒子的速度和位置，并计算更新后粒子的目标函数值和适应度平均值；选择适应度值高于适应度平均值的粒子，随机两两粒子依次进行交叉遗传和变异遗传得到新一代粒子群，通过速度和位置更新公式更新新一代粒子群的全局最优位置，直至新一代粒子群的全局最优位置满足设置的粒子更新结束条件，结束条件为含水率均值稳定、最大迭代次数、含水率优化范围以及粒子最大速度中的至少一种。5.根据权利要求4所述的一种井筒流动协同优化与智能决策方法，其特征在于，还包括速度和位置更新公式：
t时刻速度更新公式为：V
tid
＝ωV
t
‑
1id
+C1random(0,1)(P
id
‑
X
t
‑
1id
)+C2random(0,1)(P
gd
‑
X
t
‑
1id

【专利技术属性】
技术研发人员：李中，李梦博，范白涛，谢仁军，罗洪斌，岳家平，刘宇沛，盛磊祥，李永华，陈延昭，郝希宁，田得强，邹明华，
申请(专利权)人：中海石油中国有限公司北京研究中心，
类型：发明
国别省市：