[發(fā)明專利]一種基于BP神經(jīng)網(wǎng)絡的抽油機井檢泵周期預測方法

在審

• 申請?zhí)枺?/td>: 202111253670.0
• 申請日: 2021-10-27
• 公開（公告）號: CN113987933A
• 公開（公告）日: 2022-01-28
• 發(fā)明（設計）人: 張曉東;陳元行;白廣芝;李敏;高紹姝
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06Q10/04;E21B47/008
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明設計一種基于BP神經(jīng)網(wǎng)絡算法的抽油機井檢泵周期預測方法，屬于油井檢測技術領域。該方法包括獲取有關生產(chǎn)數(shù)據(jù)集；對數(shù)據(jù)預處理；特征工程；根據(jù)BP神經(jīng)網(wǎng)絡算法建立模型，并尋找出最優(yōu)精度模型來進行預測；最終通過模型預測檢泵周期。本發(fā)明由于采取以上技術方案，可以在僅分析已有數(shù)據(jù)的前提下，預測出未來的檢泵周期。本發(fā)明借助BP神經(jīng)網(wǎng)絡可以更好的發(fā)現(xiàn)數(shù)據(jù)之間隱藏的關系，相對其他算法可以更準確的預測檢泵周期，給抽油機井的施工提供更好的決策服務。

技術領域

本發(fā)明涉及一種抽油機井檢泵周期預測方法，特別涉及一種基于BP神經(jīng)網(wǎng)絡的抽油機井檢泵周期預測方法，屬于油井檢測技術領域。

背景技術

在采油生產(chǎn)工藝中，檢泵周期的確定對合理規(guī)劃生產(chǎn)制度是非常重要的。然而在實際生產(chǎn)中，通常采用定期檢泵的生產(chǎn)制度，但這會消耗大量的人力物力，甚至會因檢泵不及時造成額外經(jīng)濟損失，進而降低油田整體收益。本方法提出從歷史數(shù)據(jù)的角度出發(fā)，運用BP神經(jīng)網(wǎng)絡算法，從歷史數(shù)據(jù)中抓取生產(chǎn)狀態(tài)數(shù)據(jù)和檢泵周期的規(guī)律，進而通過實時生產(chǎn)狀態(tài)數(shù)據(jù)預測油井的檢泵周期，減少不合理檢泵周期帶來的損失，提高整體收益。同時本方法加強特征工程理論的運用，篩選了關聯(lián)性弱的特征，加快了算法運行速度。最終可以通過BP神經(jīng)網(wǎng)絡算法找出其他特征與檢泵周期之間的關系，進而運用算法結合新的生產(chǎn)狀態(tài)數(shù)據(jù)預測出檢泵周期，這可以為制定生產(chǎn)制度提供參考，并且基于歷史數(shù)據(jù)的模型可以較好的預測檢泵周期，進而減少不合理檢泵周期帶來的損失，相對于定期檢泵可以減少社會資源投入，對提高油田開發(fā)效益將有顯著的影響。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明的目的是提供一種基于BP神經(jīng)網(wǎng)絡算法的抽油機井檢泵周期預測方法，進而提前安排施工措施，指導施工建議，優(yōu)化生產(chǎn)策略，進而提高油田整體收益。

為實現(xiàn)上述目的，本發(fā)明采取以下技術方案：基于BP神經(jīng)網(wǎng)絡算法的抽油機井檢泵周期預測方法，其包括以下幾個步驟：

(1)采集抽油機井的日生產(chǎn)數(shù)據(jù)作為樣本數(shù)據(jù)集；

(2)整理初步數(shù)據(jù)集，添加新特征參數(shù)命名為“檢泵周期”；

(3)對數(shù)據(jù)進行數(shù)據(jù)預處理；

(4)運用灰度關聯(lián)算法進行數(shù)據(jù)特征參數(shù)篩選；

(5)用BP神經(jīng)網(wǎng)絡算法建模，并優(yōu)化模型參數(shù)；

(6)構建基于BP神經(jīng)網(wǎng)絡算法的檢泵周期預測模型；

(7)結合檢泵周期預測模型和新采集數(shù)據(jù)得到檢泵周期預測值。

所述步驟(1)，采集的抽油機井的日生產(chǎn)數(shù)據(jù)作為模型訓練數(shù)據(jù)集。

所述步驟(2)，基于步驟(1)采集的生產(chǎn)數(shù)據(jù)，添加新特征參數(shù)，命名為“檢泵周期”。然后統(tǒng)計生產(chǎn)數(shù)據(jù)中每條數(shù)據(jù)距離下一次檢泵周期的天數(shù)，作為“檢泵周期”特征參數(shù)的值。

所述步驟(3)，基于步驟(2)添加完“檢泵周期”特征參數(shù)的數(shù)據(jù)，進行數(shù)據(jù)預處理，包括處理空值，設置數(shù)據(jù)范圍約束并刪除不符合范圍約束的數(shù)據(jù)，及對數(shù)據(jù)進行歸一化。

所述步驟(4)，基于步驟(3)預處理后數(shù)據(jù)，運用灰度關聯(lián)算法，分析各特征參數(shù)與“檢泵周期”特征參數(shù)的關系，刪除關聯(lián)度分數(shù)小于0.01的特征參數(shù)。

所述步驟(5)，基于步驟(4)篩選完特征參數(shù)之后的數(shù)據(jù)集，按照比例3:1劃分訓練集和測試集，并將訓練集放入到BP神經(jīng)網(wǎng)絡模型中進行擬合，然后通過網(wǎng)格搜索法優(yōu)化BP神經(jīng)網(wǎng)絡算法的參數(shù)，并保留BP神經(jīng)網(wǎng)絡算法在測試集上誤差最小時的模型參數(shù)。

所述步驟(6)，基于步驟(5)所得模型參數(shù)，帶入BP神經(jīng)網(wǎng)絡算法，得到基于BP神經(jīng)網(wǎng)絡算法的檢泵周期預測模型，并導出算法文件，得到最優(yōu)算法模型。

所述步驟(7)，基于步驟(6)得到的檢泵周期預測模型，將新采集的生產(chǎn)數(shù)據(jù)帶入模型，得出檢泵周期預測結果。