基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时...     

基于卷积门控循环单元网络的储层参数预测方法

储层参数是储层评价的一项重要内容。针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型。该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力。基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法。实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路。     

基于人工智能算法的油井地层压力预测新方法

地层压力预测研究中，数值模拟方法存在计算量大、耗时长、需要大量专业知识作支撑等问题，单一模型由于具有网络结构简单、参数量少、运行速度快等优点，被广泛采用，但大量的应用发现其具有容易过拟合、泛化能力不强等问题。基于人工智能的快速发展，文章提出一种基于CNN-BiGRU-MLP融合模型的地层压力预测方法。首先对卷积神经网络进行优化；然后对新兴的门控循环单元进行改进，形成双向门控循环单元，达到数据复用的效果，增强网络对高维数据的处理能力；最后通过多层感知机再对特征之间的关联进一步提取。同时使用L2正则化技术优化网络。分析表明，文章提出的融合模型预测准确率可以达到95.24%,均方误差可以降低至0.006 6,平均绝对误差可以降低至0.064 8,弥补了数值模拟方法和经典单一模型的不足，为地层压力预测提供了一种新方法。     

电潜泵排液井最大产液量的计算方法

电潜泵排液是提高油气井采液速度、实现油气井继续稳产、复产的重要途径之一,是一种行之有效的后续人工举升措施。它具有排量范围大(?177.8mm套管中,排量为50~2 000m3/d)、扬程范围大(1 000~4 600m)、泵效高(65%)、自动化程度高、耐高温(149℃)、防腐性好、适应性强等显著特点,已被油气田广泛采用。     

基于门控循环单元神经网络的测井曲线预测方法

为了减少泥浆侵入对测井曲线的影响，许多油田采用随钻测井技术，需先预测未钻地层测井曲线，这对随钻测井具有非常重要的指导作用。为此，提出一种基于门控循环单元神经网络（GRU）预测未钻地层测井曲线的方法，该模型将长短期记忆神经网络（LSTM）的输入门和遗忘门合并成更新门，输出门变成重置门，使模型结构简单，不易出现过拟合现象，保留LSTM模型的长时记忆功能，且能有效缓解梯度消失或梯度爆炸问题。以新疆油田直井和南海西部油田随钻测井的实际测井数据为例，选取已钻地层以及邻井的自然伽马、深感应电阻率、声波时差、密度和井径5条测井曲线数据作为训练样本输入到LSTM和GRU模型中进行学习训练，将训练好的模型用于预测未钻地层的测井曲线。应用结果表明，GRU比LSTM模型在新疆油田和南海西部油田预测测井曲线的平均相关系数分别提高13.78%和12.13%，平均均方根误差分别下降27.08%和42.17%，GRU模型能够准确地预测未钻地层测井曲线的变化趋势。     

油井产液量与耗电量的关系

将各井按不同举升高度每采出1t液量与其所耗电量值做出关系曲线就是油田现阶段机采井产液用电单耗曲线,对曲线进行模拟修正即是适合生产现场应用的机采井产液用电单耗特征曲线.在特征曲线附近区域的各井是耗电较为合理的井,在曲线左上侧区域的各并是节电的井,为分析研究的典例;在曲线右下侧区域的各井是耗电大的井,为调整的对象;离曲线越偏远的井耗电量越大.机采井产液用电单耗特征曲线与最佳工况值是生产现场阶段性评估机采井耗电状况的依据和标准.     

考虑产液量变化的水驱油藏产量递减规律研究

前人发现定产液量生产时的水驱曲线法与Arps递减方法之间存在着联系,而油田开发过程中随着含水率上升产液量会逐渐升高,很难实现定产液量生产,因此开展了产液量变化情况下的产量递减规律研究。在推导产液量变化情况下产量递减率通式的基础上,推导出了4种常用水驱曲线变产液量生产时的产量递减率公式,并结合油田实际生产数据拟合分析结果,得到了乙型与丙型水驱曲线变产液量生产时的产量计算公式。分析发现:定产液量生产时的产量计算公式是变产液量生产时产量计算公式的一个特例;若油田生产符合乙型水驱曲线特征,当油田的产液量变化率与预测初始时刻的产量递减率一致时,油田的产量能保持稳定。研究结果表明,通过提高产液量维持油田稳产会导致产液量呈指数增长,因此在油田开发过程中要结合实际情况制定合理的工作制度,不能为追求稳产将产液量提高幅度制定得过高。      

基于BP神经网络的螺杆泵井故障诊断方法

将神经网络原理应用于地面驱动螺杆泵采油系统的故障诊断,采用改进的BP神经网络,根据螺杆泵井的故障特点,通过理论研究,选取能够表征油井生产状态的状态变量作为神经网络的输入向量,归纳出常见的螺杆泵井故障形式作为目标输出。同时采集了大量现场数据,并进行分类整理,构成了网络的训练样本。通过对网络进行训练,获得具有一定泛化能力的网络。利用VB与Matlab编制的相应软件进行螺杆泵井的故障诊断,获得了正确的诊断结果,证明该方法具有一定的实用性。     

利用常规地质资料预测低渗透储集层产液量

产液量预测作为常规油气储集层精细解释评价的一种方法已在许多油田受到重视,而针对低渗透储集层的产液量预测更成为人们关注的焦点。该方法基于渗流力学理论和达西定律,经优选确定储集层厚度、地层压力、渗透率及流体饱和度为储集层产液量预测参数,并分析了各预测参数值的求取方法,进而通过回归分析预测产液量与实际产液量的相关性,建立了低渗透储集层产液量预测公式。实际应用表明,该产液量预测公式对于低渗透储集层的产液量预测效果较好,可作为低渗透油田纯油层或以产油为主的油水同层产能预测的一种有效方法;同时,该预测公式的建立方法也为从产液量预测研究逐步上升到产能预测研究奠定了基础。     

基于神经网络模型的混合原油黏度预测

采用BP(back propagation) 神经网络模拟了混合油配比和温度与黏度之间的映射关系,建立了混合油黏度神经网络预测模型.将鲁-宁输油管道混合油的预测黏度与实际黏度进行了对比,结果表明,利用BP神经网络进行混合油黏度预测是可行的,完全可以满足工程需要的精度要求.     

电潜泵排水采气是又一种排水采气后续工艺

电潜泵是一种最早用于采油的人工举升设备,用它进行排水采气碰到了许多技术难题。四川气田经过１４ 年１９ 口井的试验和推广应用,对设备和工艺进行了许多改进,使得该工艺成为又一项排水采气后续工艺。该工艺在四川气田典型井桐７ 井推广应用,并充分利用１４ 年的成功经验,使该工艺获得了显著的增产效果。     

国外用电潜泵开采稠油的试验评价

目前，稠油或特稠油一般采用热力及有杆泵进行开采，这种生产方式效率低、能源消耗大，且设备运行寿命短。该文介绍委内瑞拉ＯｒｉｎｏｃｏＢｅｌｔ和Ｂｏｓｃａｎ两油田采用电潜泵开采稠油的现场试验情况，并对通过改变电源的频率和注入降粘剂，使原油产量增加的试验结果进行了评估，证明该方法在技术上是成功的，可供参考和借鉴。     

斜井用潜油电泵机组的研制及应用

普通潜油电泵机组通过斜井弯曲井段时易发生机组变形损坏和电缆挤压损坏。针对这种情况 ,研制出斜井用潜油电泵机组。通过改进机组底座联接法兰结构 ,设计联接螺钉用碟形弹簧垫圈 ,设置由导向块和导向保护块构成的小扁电缆保护装置及三腔胶囊式保护器等 ,增强了机组抗弯曲变形能力。模拟试验和现场使用证明 ,在套管造斜度小于 1 0°/ 3 0m的条件下 ,斜井用潜油电泵机组对电缆的保护非常有效 ,有望成为我国陆上和海上油田斜井和定向井采油的重要设备。     

电动潜油泵启动特性与运行特性分析

根据现场试验和运行情况，分析了电动潜油泵的启动特性和运行特性。电泵启动时间仅为0．08～0．1s，0．2s达到全速运行，启动时间短，动负荷很大，可能造成泵轴断裂。如果电网电压向上波动，电泵启动时间更短，动负荷更大，泵轴更容易断裂。电泵欠载运行时，机组产生热蠕变，长期运行导致电动机绕组和电缆击穿，电动机功率因数降低。潜油电泵过载运行时，电动机电流增大，铜耗增大，温升增加，长期运行也易导致机组烧毁。建议合理降低电动机端电压，延长电泵启动时间，消除动负荷，降低启动电流，从而保证电动机和泵正常运行。     

海上电潜泵生产油田产量优化方法及应用

随着技术的进步,通过变频设备对电泵进行控制已成为潜油电泵大排量强采的重要举措,同时也是油田长期稳产的重要手段之一。本文通过对电泵井生产分析、生产状况分析,研究了电潜泵生产油田产量优化的方法,旨在为推进海上油田的开发提供参考。     

HQYB1多级离心潜油电泵运行实践的思考

根据HQYB1多级离心潜油电泵在胜利油田运行的情况,分析了泵早期损坏的主要原因。采用耐磨铸铁代替高镍铸铁制造多级离心泵,可显著提高设备使用寿命,减少油井的起下泵和其它作业次数,增加油井产油率,降低原油成本和工人的劳动强度。