自适应软测量方法在动液面预测中的研究与应用

针对传统人工检测方法在测量动液面时存在精度低、实时性差等问题,采用软测量技术来完成对动液面的测量工作.根据对现场数据特性的分析,提出采用经验模态分解和基于黑洞的最小二乘支持向量机预测相结合的算法来实现动液面软测量建模;通过构建模型性能评价模块,动态更新模型,解决在油田生产过程中,静态模型不能完全反映生产工况导致模型失效的问题,提高算法的自适应能力及预测量精度.最后通过对油田生产现场监测数据进行实验验证,结果表明,该方法对油田动液面测量精度高,对生产波动的自适应能力强,满足油田现场测试使用要求,提高油田生产自动化程度.     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

基于多源信息特征融合的抽油井动液面集成软测量建模

针对传统抽油井动液面(DLL)检测只能依靠人工操作回声仪测试,无法实时在线检测的问题,提出基于多源信息特征融合的抽油井动液面集成软测量新方法。采用快速傅里叶变换(FFT)将抽油机悬点载荷及振动时域信号转换成频域信号;采用核主元分析(KPCA)提取悬点载荷及振动频谱和电功率、井口油、套压时域信号非线性特征;利用改进的模糊交互式自组织数据分析聚类(ISODATA)和高斯过程回归(GPR)融合时频信息特征,建立多个动态子模型;利用权重优化证据理论(D-S)构造的概率分配函数作为权值因子,对子模型输出进行集成以得到最终的DLL预测值。油田现场应用证明了该方法的有效性。     

基于多源信息特征融合的抽油井动液面集成软测量建模

针对传统抽油井动液面(DLL)检测只能依靠人工操作回声仪测试,无法实时在线检测的问题,提出基于多源信息特征融合的抽油井动液面集成软测量新方法。采用快速傅里叶变换(FFT)将抽油机悬点载荷及振动时域信号转换成频域信号;采用核主元分析(KPCA)提取悬点载荷及振动频谱和电功率、井口油、套压时域信号非线性特征;利用改进的模糊交互式自组织数据分析聚类(ISODATA)和高斯过程回归(GPR)融合时频信息特征,建立多个动态子模型;利用权重优化证据理论(D-S)构造的概率分配函数作为权值因子,对子模型输出进行集成以得到最终的DLL预测值。油田现场应用证明了该方法的有效性。     

测井在油田开发可视化研究中的应用

油田开发可视化研究是一项系统工程,它包含油田开发的方方面面。根据油田开发实际,分别从储层参数分布研究、油藏动态历史拟合、油藏地质建模、油藏数值模拟等四个方面开展此项研究工作。在储层参数分布研究方面,采用新井资料与老井二次解释资料进行对比分析建模的方法,提高参数预测精度。油藏动态历史拟合、油藏数值模拟则采用动静态相结合的方式,以改善传统方法的不足。在地质建模方面,根据油田的开发信息,结合测井资料的响应特征,运用现代数学理论,将所需要的地质信息提取出来,进行地质建模。只有采用动静态相结合的方法,才能够更好地实现油田开发的可视化。     

油井动液面录取辅助方法研究与应用

动液面测试是判断抽油井生产动态的重要手段,目前测试方法一般采用回声探测仪来进行测试。现场应用过程中,受设备及环境因素影响存在诸多问题,不能满足现场生产需要。通过长期的实践与研究,总结出"回归法"测试,为油田生产提供了方便快捷的服务。     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络（GRU）结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

机采井动液面测不出原因分析及认识

机采井动液面测试作为现场重要资料对油田开发起决定性的作用。通过动液面测试,可以了解油井的供液能力和井下设备的工作状况,只有保持其连续性、准确性才能为油田生产分析和下步制定方案提供重要依据。本文针对敖古拉作业区油井动液面测不出井数多的情况,结合大量生产数据对影响动液面测试结果的因素进行分析总结,对机采井动液面测试状况提出一些的见解。     

Gasholder level control based on time-series analysis and process heuristics

A novel method to control gasholder levels in an iron and steel company with accurate prediction of the future trend is presented. Although various gasholders are used to recycle by-product gases generated during the ironmaking, coke-burning, and steel-making processes, the capacities of these gasholders are insufficient to handle large amounts of gases. To overcome this problem, tight control of the gasholder level should be maintained by predicting their anticipated changes. However, the current prediction logic cannot show satisfactory results due to the lack of characterization of the relevant processes. In the proposed method, time-series modeling and heuristics from industrial operators are used to correctly reflect the process characteristics and deal with unexpected process delays. By applying the proposed method to an off-line data set, a significant reduction in the discrepancy between predicted values and actual values was observed. The method is expected to be adopted in the prediction system of POSCO.     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

注水开发油藏生产递减预测分析

油气藏生产递减曲线和水驱特征曲线的研究与分析,是研究油气藏极为广泛应用的一种方法.自1945年Arps总结出经典生产递减规律以来,人们一直在深入研究生产递减的各种规律,并取得了一定的成果,但是相关领域人士仍希望通过一种相对直观、简便的方法来对油田产量和最终采收率进行预测.文章结合国内外研究成果,针对注水开发油藏的特性,给出了相关生产递减分析的基本过程和步骤.最后应用该方法对实际油井进行产能预测,预测结果与现场生产数据吻合较好,验证了该产能分析方法的正确性.     

油井产能预测评价新方法

评价油井产能对生产开发具有重要指导意义,而针对于非均质性极强缝洞型碳酸盐岩储层,常规产能评价方法有着诸多的不适应性。表现在井底流压测试困难,地层压力衰减较快,求取的采油指数也仅反映测试时产能特征。为更有效的对油井产能动态特征进行分析评价,通过油压及日产量构建产能分析图版,分析油井产能递减率,根据油藏驱动能量特征,将油藏区分为水压驱动油藏和弹性驱动油藏。并利用油压与日产量回归得到直线投影到横坐标得到的产能面积,与单井自喷期实际的日产油能力进行统计回归,得到产能面积与实际日产油能力的相关经验公式,即产能评价预测经验公式。依据此公式只需要判别油藏驱动类型,利用油压及日产量数据计算产能面积,即可求得自喷期单井日产油能力。该方法简单实用,可有效的对本区块油井自喷期日产能力进行评价预测。无需任何测试费用,同时也为类似油田油井产能评价分析提供一种技术思路。     

Soft sensor modeling method based on hybrid model of nearest neighbor and neural network

Soft-sensing modeling can effectively solve the problems of large measurement lag, high price, and complex maintenance of online analytical instruments in the production process. At present, neural network based on data-driven is one of the main tools of soft sensor. In the process of modeling data collection, the collection of dominant variables is much more difficult than that of auxiliary variables, resulting in a large amount of unlabeled data. However, traditional soft sensor modeling methods ignore these unlabeled data and only use a small amount of labeled data for modeling, which has negative effect on the prediction accuracy of the model. To solve the problem of label missing, the nearest neighbor algorithm is used to pseudo label the unlabeled data. At the same time, a network structure is designed by combining convolution operation and gated recurrent unit neural network (GRU) to further utilize the unlabeled data, extract the dynamic feature from data at different time, and improve the prediction accuracy of the neural network. Finally, the method is applied to the prediction of propane concentration on the top of propylene distillation column. The results show that the model can solve the problem of label missing in the nonlinear dynamic system and has higher prediction accuracy.