[發(fā)明專利]一種基于深度學習的抽油機井時序示功圖預測方法

有效

• 申請?zhí)枺?/td>: 202111029072.5
• 申請日: 2021-09-01
• 公開（公告）號: CN113756786B
• 公開（公告）日: 2023-05-16
• 發(fā)明（設計）人: 檀朝東;馮鋼;陳培堯;馬丹
• 申請（專利權）人: 中國石油大學（北京）;西安中控天地科技開發(fā)有限公司
• 主分類號: E21B47/008
• 分類號: E21B47/008
• 代理公司: 合肥中博知信知識產(chǎn)權代理有限公司 34142
• 代理人: 李金標

1.一種基于深度學習的抽油機井時序示功圖預測方法，其特征在于，所述方法包括以下步驟：

（1）構建訓練數(shù)據(jù)集：

首先對歷史示功圖切片處理，以X={X_T-k,……,X_T-2,X_T-1,X_T}表示時序示功圖，X_T表示T時刻示功圖數(shù)據(jù)，X_T-1表示上一時刻，k控制序列長度，X包含了輸入序列和預測序列標簽；

（2）歸一化、插值處理：

選擇每個示功圖序列的前一個示功圖數(shù)據(jù)載荷、位移的最值作為歸一化尺度進行歸一化，獲得歸一化示功圖數(shù)據(jù)，消除沖程、載荷值不同的影響；然后固定每個示功圖的位移點，對載荷進行插值，獲得固定位移點的載荷序列Z={Z_T-k,……,Z_T-2,Z_T-1,Z_T}，保證每個序列中的示功圖位移數(shù)據(jù)相同；

（3）第一階段：示功圖工況趨勢判別

數(shù)據(jù)預處理后，構建四個示功圖趨勢判別網(wǎng)絡，判斷當前示功圖序列屬于哪種工況發(fā)展趨勢，以序列歸一化示功圖作為每個模型的輸入；依次通過四個多通道的卷積神經(jīng)網(wǎng)絡進行二分類，判定為正樣本則進入第二階段對應示功圖預測模型，否則丟棄；

（4）第二階段：示功圖預測：

基于LSTM每種工況分別構建一個示功圖預測模型，以通過二階段的載荷序列作為輸入和標簽，進行訓練和測試，獲得四個示功圖預測模型；

（5）第三階段：診斷、預警：

對于預測模型輸出的示功圖，構建四個對應工況的卷積神經(jīng)網(wǎng)絡對每個示功圖進行二分類，判斷其是否達到嚴重工況，若屬于，則輸出最早達到的時間并發(fā)出預警；

第一階段和第三階段的模型都是二分類模型，以示功圖圖片作為輸入，輸出為1個神經(jīng)元代表的0|1分類，第一階段為多通道輸入，第三階段為單通道輸入，其余結構相同；

第二階段的四個模型基于LSTM構建序列到序列的網(wǎng)絡模型作為時序示功圖的預測模型，序列到序列模型通過對輸入序列特征進行編碼，提取序列中的時序變化信息，進行長時序的預測，滿足輸入輸出序列長度不相同的情況，實現(xiàn)一個序列到另一個序列之間的轉換；模型輸入為當前及過去一段時間的示功圖載荷序列Z，模型輸出為未來一段時間的示功圖載荷序列Y；

集成三個階段訓練完成的模型，即可得到抽油機井的工況預測預警模型，整個模型以兩種不同長度和采樣間隔的時序示功圖作為輸入，輸出為預測示功圖和預警信息。

2.根據(jù)權利要求1所述的方法，其特征在于，步驟（1）中，所述歷史示功圖的工況類型包括結蠟、供液不足、氣鎖和固定閥漏失。

3.根據(jù)權利要求2所述的方法，其特征在于，步驟（1）中，各工況示功圖的采樣時間間隔為：結蠟工況為1天，供液不足工況為20min，氣鎖工況為20min，固定閥漏失為1天。

4.根據(jù)權利要求1所述的方法，其特征在于，步驟（2）中，對載荷進行插值的具體步驟為：

（2.1）首先確定插值個數(shù)及固定插值位移點，將示功圖歸一化后分兩段進行插值處理，具體是以最大位移為中點將歸一化示功圖分為兩段；

每段數(shù)據(jù)點個數(shù)不變，保持插值前后數(shù)據(jù)點個數(shù)一致，以L1表示第一段數(shù)據(jù)點個數(shù)，L2表示第二段數(shù)據(jù)點個數(shù)，X_m為位移最大值，則第一段插值位移點為range(0,?X_m,?X_m/(L1-1))，第二段插值位移點為range(0,?X_m,?X_m/(L2-1))；其中，range(a,?b,?c)函數(shù)表示，以a為起點，b為終點，c為步長的點序列；

（2.2）使用線性插值對原數(shù)據(jù)點進行插值處理，獲得固定位移點處的載荷后，以插值的載荷數(shù)據(jù)替代原數(shù)據(jù)，獲得具有相同位移數(shù)據(jù)點的歸一化示功圖數(shù)據(jù)。

5.根據(jù)權利要求1所述的方法，其特征在于，四個模型的輸入序列長度選擇k={10,?6,7，10}附近的值。

6.根據(jù)權利要求1所述的方法，其特征在于，四個模型的輸出序列長度選擇l={25,?7,6,?21}附近的值。