[發(fā)明專利]一種基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法

在審

• 申請?zhí)枺?/td>: 202111488554.7
• 申請日: 2021-12-07
• 公開（公告）號: CN114120043A
• 公開（公告）日: 2022-03-01
• 發(fā)明（設(shè)計(jì)）人: 潘少偉;張航;李瑜;牟昱輝;薛章濤
• 申請（專利權(quán)）人: 西安石油大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/72;G06V10/82;G06K9/62;G06N3/04;G06Q10/06;G06Q50/02
• 代理公司: 西安佩騰特知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61226
• 代理人: 曹宇飛

1.一種基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法，其特征在于，包括以下步驟：

1)采集多口油井生產(chǎn)動態(tài)數(shù)據(jù)，進(jìn)行缺失值補(bǔ)全和去噪處理；

2)從處理后的生產(chǎn)動態(tài)數(shù)據(jù)中，選取一個(gè)月內(nèi)油井抽油機(jī)每個(gè)生產(chǎn)天數(shù)采油產(chǎn)生的荷載-位移數(shù)據(jù)，得到相應(yīng)的示功圖，對每幅示功圖按照類別進(jìn)行分類；對不同類別的示功圖對應(yīng)打標(biāo)簽，得到相應(yīng)的數(shù)據(jù)集；

3)把步驟2)數(shù)據(jù)集中的每幅示功圖，均依次輸入卷積神經(jīng)網(wǎng)絡(luò)CNN和支持向量機(jī)SVM中，經(jīng)過處理得到相應(yīng)的示功圖分類模型；

4)根據(jù)步驟3)示功圖分類模型的分類結(jié)果，得出產(chǎn)油量的界定值Q_o和產(chǎn)液量的界定值Q_l；

5)根據(jù)步驟4)得到的產(chǎn)油量的界定值Q_o和產(chǎn)液量的界定值Q_l，并結(jié)合步驟1)中油井的生產(chǎn)動態(tài)數(shù)據(jù)，得到波動系數(shù)δ；

6)根據(jù)波動系數(shù)δ的大小對油井是否為異常做出判斷。

2.根據(jù)權(quán)利要求1所述的基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法，其特征在于，所述步驟1)中，油井生產(chǎn)動態(tài)數(shù)據(jù)包括油井的數(shù)量N、單口油井每天的產(chǎn)油量x、單口油井每月的產(chǎn)油量z，單口油井每天的產(chǎn)液量y以及單口油井一個(gè)月內(nèi)總共的生產(chǎn)天數(shù)M，所述M為1～31內(nèi)的任意正整數(shù)。

3.根據(jù)權(quán)利要求2所述的基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法，其特征在于，所述步驟1)中，缺失值的補(bǔ)全采用均值填充的方法來完成。

4.根據(jù)權(quán)利要求3所述的基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法，其特征在于，所述步驟2)中，類別包括類別1、類別2、類別3、類別4、類別5、類別6、類別7、類別8、類別9以及類別10；10個(gè)類別的標(biāo)簽分別是[1,0,0,0,0,0,0,0,0,0]、[0,1,0,0,0,0,0,0,0,0]、[0,0,1,0,0,0,0,0,0,0]、[0,0,0,1,0,0,0,0,0,0]、[0,0,0,0,1,0,0,0,0,0]、[0,0,0,0,0,1,0,0,0,0]、[0,0,0,0,0,0,1,0,0,0]、[0,0,0,0,0,0,0,1,0,0]、[0,0,0,0,0,0,0,0,1,0]和[0,0,0,0,0,0,0,0,0,1]。

5.根據(jù)權(quán)利要求4所述的基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法，其特征在于，所述步驟3)中的具體過程是：

3.1)將每幅示功圖的大小固定為256*256；

3.2)將示功圖圖像輸入到CNN，經(jīng)過大小為5*5的卷積核的卷積操作獲得大小為256*256*32的圖像特征；再經(jīng)過2*2的最大池化層得到大小為128*128*32的圖像特征；

3.3)再重復(fù)執(zhí)行3.2)中所述的卷積操作和池化操作各5次，得到大小為4*4*1024的圖像特征；

3.4)再經(jīng)過全連接層得到1*1*4096大小的圖像特征；

3.5)將步驟3.4)的圖像特征輸入到SVM中進(jìn)行訓(xùn)練與多分類操作，得到示功圖分類模型。

6.根據(jù)權(quán)利要求5所述的基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法，其特征在于，所述步驟3.5)中，示功圖分類模型包括第一大類、第二大類和第三大類；所述第一大類為類別1；所述第二大類包括類別2、類別4、類別、類別8以及類別9；所述第三大類包括類別3、類別5、類別6和類別10。

7.根據(jù)權(quán)利要求6所述的基于生產(chǎn)動態(tài)數(shù)據(jù)和示功圖檢測異常抽油井的方法，其特征在于，所述步驟4)中，產(chǎn)油量界定值Q_o和產(chǎn)液量界定值Q_l的計(jì)算公式分別是：

其中，i指一口油井生產(chǎn)的第i天，1≤i≤M；j指的是第j口油井，1≤j≤N；x_ij表示生產(chǎn)第i天第j口油井對應(yīng)的產(chǎn)油量；y_ij表示生產(chǎn)第i天第j口油井對應(yīng)的產(chǎn)液量。