时序示功图驱动的抽油机井结蜡预测及清蜡效果评价

抽油机井结蜡是一个渐变的过程,序列示功图变化可以反映油井结蜡的程度。现场根据经验来预测结蜡程度和确定结蜡井热洗清蜡制度,决策能力低、效果差。应用人工智能技术认识结蜡程度与抽油机井示功图、电机运行参数、井口生产参数的关联关系,开展数据驱动的抽油机井结蜡预测预警方法和热洗效果评价的研究。应用残差卷积神经网络(ResNet)提取结蜡井示功图特征,使用聚类算法确定其结蜡等级,融合提取的示功图图形特征和12项生产参数建立样本集,利用长短时记忆神经网络(LSTM)构建序列到序列网络结构模型对样本集进行训练,建立结蜡等级预测模型,定量预测抽油机井的结蜡等级,并构建了油井清蜡效果评价指数Q。研究结果表明,建立的抽油机井结蜡预测模型和清蜡效果评价指数实现了油井结蜡等级的定量化预测、洗井周期的决策、清蜡效果的有效评价,对精准确定清蜡时机、评价清蜡效果具有较好的指导作用,有效避免了蜡卡躺井,同时延长了油井免洗周期。     

基于卷积和矩阵变流量压降试井解释新方法

为解决油井压降测试过程中变流量下的压力动态响应问题,克服实际应用中缺少高精度压力数据的困难,使不稳定试井分析方法能够应用实际生产动态数据评价油气藏,应用杜哈美积分原理结合线性系统的卷积理论引出基于离散系统卷积和矩阵的压力动态响应关系式,选用单井径向流点源函数建立模型;利用油井实际压降测试数据和最优化方法求解符合该井实际生产动态的模型参数。利用离散系统卷积和矩阵关系式模型结合最优化方法求得的压力响应结果符合实际生产动态,求解得到理论解和实际测试结果误差较小;模型反映了油井的生产动态特性,可对油气藏历史生产状况进行评价,同时对生产动态预测具有较好应用价值。通过建立卷积和矩阵关系式模型,解决了变流量下的压力动态响应和缺少高精度压力条件下不稳定压力分析方法解释困难的问题。该模型可扩展性强,应用点源函数理论可推广到不同的实际油藏模型。     

孪生神经网络在抽油系统故障诊断中的应用

人工智能诊断技术可在不同的数据和环境下进行自适应，从而大大提高故障诊断效率。由此提出了一种智能故障诊断方法，用于油田抽油系统的故障检测。现有的方法多采用神经网络技术，通过分析油井示功图来实现诊断。然而，实际采集到的油井示功图数据非常有限且类别不平衡，导致深度卷积神经网络容易出现过拟合。为了解决这个问题，提出采用预训练孪生神经网络方法。在一个较大的数据集上训练一个比较模型，用于判断图像之间的相似度。这个模型能够输出不同图片之间的相似度。利用预训练好的模型，在功图识别任务上进行微调，通过提取和融合2张图片的特征向量，输出它们之间的相似度。研究结果表明，预训练孪生网络模型能够很好地解决小样本问题，特别适用于功图识别这类任务。试验结果显示，该方法在小样本量功图识别任务上表现出色，具有高精度的故障诊断能力，满足抽油系统智能故障诊断要求。预训练孪生网络模型在小样本量功图识别任务上表现良好，为油田抽油系统的智能故障诊断提供了有效的解决方案。     

基于卷积神经网络和叠加速度谱的地震层速度自动建模方法

CMP道集NMO叠加速度分析拾取的时间-速度对不仅受到水平层状介质假设的限制,而且在复杂构造低信噪比数据的适用性方面受到限制。提出了基于卷积神经网络和叠加速度谱的地震层速度自动建模方法,不拾取时间-速度对,而是将速度谱作为神经网络的输入数据,将时间域层速度作为标签数据,通过模拟大量随机速度模型和加入随机噪声建立强化测试集,基于L₁正则化对卷积神经网络进行训练,得到可直接将速度谱映射为时间域层速度的神经网络模型。将时间域层速度作为标签数据可以增强速度谱和速度模型的空间匹配,使得速度谱与速度模型的空间映射更加紧密和有效。将速度谱作为神经网络模型的输入数据,代替了速度谱时间-速度对的拾取,能够较好地克服复杂构造、噪声干扰对速度谱能量团聚焦性的影响。大量随机速度模型和随机噪声强化测试集,增强了深度学习速度建模网络的泛化能力和实用性。模型数据和实际资料测试结果表明,该卷积神经网络模型能够适应复杂低信噪比地震资料的自动速度建模,建模精度与人工拾取结果相当,建模效率提高100倍以上。     

基于均值滤波和BP神经网络的功图量油技术

功图量油技术是通过对油井示功图数据的实时采集和处理分析来计算油井产液量,从而实现对产液量的远程自动计量。针对目前功图量油技术存在的不足,提出了一些改进算法。其中,运用均值滤波法对功图数据进行处理,降低了曲率变化量最大点的识别难度,提高了有效冲程求取的准确性;利用Matlab神经网络工具箱,对BP神经网络模型进行训练,建立油井漏失量BP神经网络模型,从而实现油井漏失量的准确求取。应用结果表明,改进的功图量油算法有效提高了油井示功图产液量计量的准确性和可靠性,最大相对误差6.5%,最小相对误差0.7%,平均相对误差小于5%,能够满足油田的生产计量要求,对功图量油技术的推广和油田信息化建设具有重要意义。     

基于迁移学习的示功图诊断方法

示功图是数字化分析抽油机作业状况的重要依据,不同形状的示功图代表着不同的作业状况。传统分析程序基于专家系统或统计学习方法对示功图进行分析,需要大量专家知识且鲁棒性较低。从深度学习的角度,提出了一种基于深度卷积神经网络的示功图检测方法,并通过迁移学习,大幅度减少了模型收敛所需样本数量。实验表明,该方法可以有效提高示功图分类的准确率,实现了真正的工业可用。     

功图法油井自动计量与监测技术在绥靖油田的应用

本系统针对长庆油田的特点并与专门的监测和油井计量软件相结合,替代或简化计量流程,以降低产建投入和运行成本。系统分数据采集点和数据处理点,数据采集点通过负荷传感器和角位移传感器,能正确、同步测试示功图;数据处理点对采集的地面示功图进行转换分析,结合油井的基础数据,计算出油井产量;从整体测试效果来看,自动监测系统测试分析的油井产液量值与实际单量值,能够反映油井的产液能力,达到油井计量的要求。     

基于卷积神经网络的在线泵效计算方法研究与应用

油井泵效的计算是油田生产管理中的一项重要工作,针对传统泵效计算方法计算复杂,速度慢的问题,提出一种基于卷积神经网络的泵效计算方法.该方法通过卷积操作从地面示功图中提取特征图,并融合油井参数和抽油机参数,挖掘多源参数与泵效之间的非线性关系.此外,将井下泵示功图作为先验知识引入,有助于泵效计算精度的提升.应用测试结果表明,...     

深度学习图像分类技术在石油管材显微组织分析中的应用

探索了深度学习图像分类技术在油套管和输送管材料显微组织分析中的应用可行性。首先,基于实验室数据收集了油套管、输送管和环焊缝等材料的常见显微组织照片,形成了包含8类典型组织类型的图像分类数据集;随后,选择VGG和残差网络(ResNet)这两种被广泛应用的卷积神经网络(CNN)架构进行研究。在搭建的数据集上对两个模型进行了训练并测试了它们对显微组织的分类能力;最后,研究了不同训练参数和样本容量下两个模型识别性能的变化规律。研究结果表明,VGG和残差网络在显微组织测试数据集上的识别准确率分别为90%和86%;VGG模型在较小数据集上的组织分类性能优于残差网络;二者对贝氏体、铁素体+珠光体和回火索氏体三类组织具有较高的准确率。     

基于深度学习的饱和度场样本库建立及预测

复杂断块油藏剩余油预测一直是指导油藏开发后期井位部署、剩余油挖潜工作的关键。为了提高复杂断块油藏剩余油饱和度场预测效率和精度,构建了反映不同构造深度、储层厚度、渗透率、孔隙度等属性的2×10⁴个数值模拟正演模型,并得到相应的各个模型的剩余油饱和度场分布,从而构建形成饱和度场数据样本库。通过深度卷积对抗神经网络模型对样本库数据进行训练,其中,随机选取70%的数据作为训练集,30%的数据作为测试集,最终建立形成能够应用于实际区块的饱和度场预测方法。研究结果表明：新的方法无需再对实际区块进行数值模拟研究,只需输入实际区块的储层物性参数、井位坐标、注采量等信息,即可通过深度卷积对抗神经网络模型得到区块在不同时刻下的剩余油饱和度分布,方法预测精度达到90%以上。经过测试,深度卷积对抗神经网络模型表现出较好的泛化能力,模型能够被广泛应用于相似的复杂断块油藏剩余油饱和度场预测中,从而提高油藏开发研究的工作效率。     

基于相似识别的抽油机井故障检测与诊断研究

抽油机井故障检测与诊断对管控油田平稳生产、保证油田效益意义重大。论文研究了基于相似识别的故障检测与诊断方法,采用融合二分类和三元组损失的深度学习网络提取示功图图形趋势特征,构建抽油机标准特征库与故障特征库并进行更新维护,在检测到与标准特征库不相似的示功图时检索故障特征库以实现诊断。实验结果表明,该方法能够有效检测抽油机井故障,减少误报率,并在检测到异常时检索故障库实现故障诊断。     

基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

基于深度学习的三种地震波阻抗反演方法比较

神经网络结构的差异性导致深度学习效果不同。为此,在对比全卷积神经网络(FCN)、卷积循环神经网络(CRNN)和时域卷积神经网络(TCN)的三种网络结构的基础上,通过正演模型测试,对比、分析基于上述三种深度学习的地震波阻抗反演方法的精度和计算效率;然后通过实际资料应用进一步对比三种方法的效果。模型测试结果表明,基于TCN的波阻抗反演的计算效率和反演精度相对较高,基于TCN、FCN和CRNN的波阻抗反演用时分别为82、68和264s,皮尔逊相关系数分别为99.15%、97.84%和98.14%。实际资料应用表明,基于TCN的波阻抗反演结果与测井资料更加匹配。该结论可为智能地震波阻抗反演方法的优选提供参考。     

基于机器学习方法的油井日产油量预测

油藏数值模拟是进行油田产量预测最为常用的方法,但其准确性建立在精确的地质模型和较高质量的历史拟合基础之上。为了克服数值模拟计算耗时长、成本高和所需数据资料多等缺点,建立了一种利用机器学习方法,根据现场广泛易得的油藏静态资料和开发动态参数实现油井日产油量的快速准确预测。传统的BP神经网络无法准确描述产量变化在时间维度上的相关性,因而基于长短期记忆神经网络(LSTM),建立能够考虑生产动态数据变化趋势和前后关联性的产量预测模型,是实现油井日产油量预测更为有效的途径。首先根据平均不纯度减少(MDI)方法,分析各个因素对单井产量的影响程度,基于特征参数的重要性进行数据降维,排除不相关的冗余特征,确定影响油井产量的主要因素。结合筛选出的特征参数和日产油量数据对LSTM模型进行训练和优化,建立最终的油井产量预测模型。利用实际油田数据对建立的模型进行验证和应用效果评价,结果表明基于LSTM模型的产量预测值与实际值高度一致,能准确反映产量的动态变化规律,为油井产量预测提供了一种新的方法。     

油井示功图管理系统的建立与应用

近年来,为提高管理水平、加快技术进步,我们将油、气、水井基本参数、地质资料、油气产量等生产管理方面的内容全部采用计算机网络化管理,极大的提高了工作效率,简化了工作流程,而作为生产管理中的一个重要依据——抽油机示功图,却一直采用人工手段来维护和管理。针对这点,我们通过硬件升级和相应软件开发实现了示功图信息的自动采集和信息化管理。     

卷积神经网络微地震事件检测

常规的微地震事件检测方法主要基于信号的特征计算,事件检测准确性依赖于算法的参数设置,受信号特征和信噪比变化的影响较大。为此,提出了一种基于卷积神经网络的微地震事件检测方法。该方法首先使用实际的油井水力压裂多站点微地震监测信号构建神经网络的样本数据集,样本数据包含有效事件信号和无效背景信号及其分类,然后用样本数据对神经网络进行训练和测试,得到微地震事件识别准确性最高的神经网络模型。使用训练好的神经网络模型对不同信噪比的合成微地震信号以及川渝地区多口油气井压裂微地震监测信号进行微地震事件检测。数据处理结果表明,训练好的卷积神经网络模型能有效自动检测微地震事件,且具有较好的抗噪性和泛化能力。     

稠油热采抽油机井示功图解释专家系统

根据稠油油藏热采抽油机井的生产情况及示功图解释存在的问题，运用专家系统解释技术对其进行了研究，并编制了相应的计算机软件。通过对87井次的实际示功图解释分析，符合率达到80%以上。这不仅解决了稠油热采抽油机井示功图解释误差大的问题，而且减少了无效作业井次；同时为采油专家系统的应用技术提供了初步经验，也为采油工程计算提供了新的造径。     

利用NJ-1监测示功仪制定间歇出油井的工作制度

低产能间歇出油井的计量工作很困难，示功图显示严重供液不足，泵效较低，而且油井抽油机大部分时间在做无用功，造成很大的电能浪费。利用NJ-1监测示功仪对低产能油井进行跟踪测示功图，摸索其出油时间，并制定出合理地间抽制度，从而可达到提高油井计量的准确度和节约电能的目的。