CN109446574A - 油气开采监测方法、故障识别模型获得方法及相关设备 - Google Patents
油气开采监测方法、故障识别模型获得方法及相关设备 Download PDFInfo
- Publication number
- CN109446574A CN109446574A CN201811126217.1A CN201811126217A CN109446574A CN 109446574 A CN109446574 A CN 109446574A CN 201811126217 A CN201811126217 A CN 201811126217A CN 109446574 A CN109446574 A CN 109446574A
- Authority
- CN
- China
- Prior art keywords
- parameter
- preset component
- parameters
- identification model
- oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种油气开采监测方法、故障识别模型获得方法及相关设备，可以获得训练数据，对训练数据进行机器学习：确定在预设部件正常状态下的各种参数的第一参数值范围和在预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定多种参数中至少一种参数的影响权重，根据影响权重获得用于输出预设部件的故障信息的故障识别模型。本发明获得的故障识别模型可以根据输入的多种参数自动确定预设部件的故障信息，因此无需进行井下作业，简单方便，可以及时发现油气开采设备中部件的损坏。
Description
技术领域
本发明涉及油气开采领域，尤其涉及油气开采监测方法、故障识别模型获得方法及相关设备。
背景技术
在油气开采领域，受到多种因素的影响，油气开采设备中的某些部件经常发生损坏，如果不及时发现并维修这些损坏的部件，这些损坏的部件可能会导致整个油气开采设备的损坏并进一步影响油气开采过程。因此及时发现油气开采设备中部件的损坏十分重要。
但由于油气开采设备中的很多部件(例如套管)是深入地下的，无法轻易的通过肉眼等常规手段及时发现这些部件的损坏。现有技术只能在油气开采过程发生明显异常(例如不出油)时，逐个查看各部件是否损坏，而对于套管等深入地下的部件，现有技术需要通过井下作业才能确定这些部件是否发生损坏。
可见，现有技术无法及时发现油气开采设备中部件的损坏。
发明内容
鉴于上述问题，本发明提出了一种克服上述问题或者至少部分地解决上述问题的油气开采监测方法、故障识别模型获得方法及相关设备，方案如下：
一种油气开采监测方法，包括：
获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
可选的，所述将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，包括：
将所述多种参数的参数值输入所述预设部件的故障识别模型中，以使所述故障识别模型对所述多种参数中的至少一种参数：根据该种参数的参数值确定该种参数对应的部件故障概率；
获得所述故障识别模型根据确定的所述部件故障概率和所述至少一种参数中各种参数的故障影响权重确定并输出的所述预设部件的故障信息。
可选的，所述根据该种参数的参数值确定该种参数对应的部件故障概率，包括：
所述故障识别模型将该种参数的参数值与通过所述机器学习获得的该种参数的参数范围进行比较，根据比较结果确定该种参数对应的部件故障概率。
可选的，所述油气开采设备的工作参数包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个；和/或，所述区域的地质参数包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
可选的，所述预设部件为套管，所述油气开采设备为采油机或天然气开采设备，所述预设部件的部件参数包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
一种故障识别模型获得方法，包括：
获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
可选的，所述故障识别模型的输入为：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。
可选的，还包括：
将各种参数的所述第一参数值范围和所述第二参数值范围进行保存，以将输入所述故障识别模型的多种参数的参数值与保存的参数值范围中的至少一个进行比较，根据比较结果获得参数对应的部件故障概率。
一种油气开采监测装置，包括：参数值获得单元和故障获得单元，
所述参数值获得单元，用于获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
所述故障获得单元，用于将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
一种故障识别模型获得装置，包括：训练数据获得单元和机器学习单元，
所述训练数据获得单元，用于获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
所述机器学习单元，用于对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行上述的任一种油气开采监测方法，或者，在所述程序运行时控制所述存储介质所在的设备执行上述的任一种故障识别模型获得方法。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的任一种油气开采监测方法，或者，所述程序运行时执行上述的任一种故障识别模型获得方法。
借由上述技术方案，本发明提供的油气开采监测方法、故障识别模型获得方法及相关设备，可以获得训练数据，对训练数据进行机器学习：确定在预设部件正常状态下的各种参数的第一参数值范围和在预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定多种参数中至少一种参数的影响权重，根据影响权重获得用于输出预设部件的故障信息的故障识别模型。本发明获得的故障识别模型可以根据输入的多种参数自动确定预设部件的故障信息，因此无需进行井下作业，简单方便，可以及时发现油气开采设备中部件的损坏。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种故障识别模型获得方法的流程图；
图2示出了本发明实施例提供的另一种故障识别模型获得方法的流程图；
图3示出了本发明实施例提供的一种油气开采监测方法的流程图；
图4示出了本发明实施例提供的一种故障识别模型获得装置的结构示意图；
图5示出了本发明实施例提供的另一种故障识别模型获得装置的结构示意图；
图6示出了本发明实施例提供的一种油气开采监测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明实施例提供的一种故障识别模型获得方法，可以包括：
S001、获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
可选的，本发明在获得训练数据后，还可以对训练数据进行处理，例如：剔除异常参数值、通过回归预测或中位数对缺失的参数值进行补充等。
其中，不同预设部件的故障状态可以不同，例如：套管的故障状态可以包括：套管钢质结构发生破损、套管钢质结构发生缩颈、套管发生上下结构的错断等。
套管钢质结构发生破损后，地层中的岩石会通过套管破损位置不断进入井筒，井筒中存积大量砂泥后将导致油气无法正常开采。当套管钢质结构发生缩颈或套管发生上下结构的错断时，采油工具或注水管柱将无法正常下入井筒，无法进行油气流体的举升作业或注水作业，同样导致油气无法正常开采。
本申请发明人在实现本发明的过程中，研究发现：与油气开采设备中部件故障有关的多种参数包括：预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。其中，所述油气开采设备的工作参数可以包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个。所述区域的地质参数可以包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
不同种类的预设部件的部件参数不同。具体的，所述油气开采设备可以为采油机或天然气开采设备。在所述预设部件为套管时，所述预设部件的部件参数可以包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
其中，不同油气开采设备中预设部件的同一种部件参数的参数值可以相同或不同，不同油气开采设备的同一种工作参数的参数值可以相同或不同，不同油气开采设备所开采的区域的同一种地质参数的参数值可以相同或不同。
上述多种参数可以与油气开采设备中预设部件的故障信息相关，例如：套管壁厚越小，则套管发生损坏的可能性越大。再如：随着储层深度的增加，套管受到储层的压力也越大，导致套管发生损坏的可能性越大。随着产油量的增加，套管受到的开采的流体的摩擦力、压力越大，导致套管发生损坏的可能性越大。
在实际应用中，本发明可以采集多组训练数据，每一组训练数据为一个油气田开发区块内多个油井/气井对应的训练数据。例如：设某油气田开发区块内共有五个油井，每个油井配置有一个油气开采设备，已知该油气田开发区块内的第一油气开采设备的套管和第三油气开采设备的套管发生故障，其余三个油气开采设备的套管为正常状态。则本发明可以采集上述五个油气开采设备中的套管的部件参数、上述五个油气开采设备的工作参数和上述五个油气开采设备各自所开采的区域的地质参数。本发明可以根据油气开采设备将部件参数、工作参数和地质参数进行对应，从而得到与油气开采设备对应的部件参数、工作参数和地质参数。进一步，本发明还可以为各油气开采设备添加对应的状态标识，其中，所述状态标识可以包括：正常状态标识和故障状态标识。
可选的，本发明可以分别对每组训练数据进行机器学习，获得各油气田开发区块各自对应的故障识别模型。例如：对第一油气田开发区块内各油井/气井对应的第一组训练数据进行机器学习，获得第一油气田开发区块对应的故障识别模型。对第二油气田开发区块内各油井/气井对应的第二组训练数据进行机器学习，获得第二油气田开发区块对应的故障识别模型。
在本发明其他实施例中，本发明还可以将各组训练数据汇集到一起，然后对汇集后的训练数据进行机器学习，获得一个故障识别模型。
需要说明的一点是，通过分别对每组训练数据进行机器学习获得的故障识别模型更贴合各油气田开发区块的实际情况，因此故障识别模型的识别准确率更高。但是由于需要对每组训练数据进行机器学习，因此过程复杂。而通过对汇集后的各组训练数据进行机器学习获得的一个故障识别模型的方式更加简单，无需多次机器学习，但是故障识别模型的识别准确率相对稍低。在实际应用中，技术人员可以根据实际需要选择合适的机器学习方式，本发明在此不做限定。
在实际应用中，多种参数在预设部件正常状态下的参数值的数量和所述多种参数在所述预设部件故障状态下的参数值的数量的比值可以为：3:1。
S002、对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
为方便理解，对步骤S002进行举例说明：
设预设部件为套管，训练数据中套管正常状态下的套管壁厚分别为：1厘米、1.1厘米和1.2厘米，训练数据中套管故障状态下的套管壁厚分别为：0.5厘米、0.6厘米和0.3厘米。本发明可以确定在套管正常状态下的套管壁厚的第一参数值范围为：[1，1.2]厘米，并确定在套管故障状态下的套管壁厚的第二参数值范围为：[0.3，0.6]厘米。相应的，本发明也可以获得套管分别在正常状态下和故障状态下的其他部件参数的第一参数值范围和第二参数值范围。相应的，本发明也可以获得工作参数、地质参数的第一参数值范围和第二参数值范围。
当然，本发明确定参数值范围的方式可以有多种，并不仅限于上述举例中的一种。
在实际应用中，本发明可以将同一种参数的第一参数值范围和第二参数值范围进行比较，例如将上述举例中的[1，1.2]与[0.3，0.6]进行比较。本发明可以根据第一参数值范围和第二参数值范围的差距确定参数的影响权重。可选的，第一参数值范围和第二参数值范围的差距越大，则影响权重越大，反之越小。可以理解的是，当第一参数值范围和第二参数值范围相同时，本发明可以确定影响权重为0。
在实际应用中，本发明可以根据影响权重从多种参数中选择出部分参数，根据选择出的部分参数的影响权重获得用于输出所述预设部件的故障信息的故障识别模型。具体的，本发明可以选择影响权重大于阈值的参数。当某些参数的影响权重较小甚至为0时，说明这些参数对预设部件的故障与否影响很小甚至无关，这种情况下，为了降低故障识别模型的复杂程度，本发明可以将这些参数去除，即：不使用这些参数的影响权重构建故障识别模型。
在实际应用中，本发明还可以将各种参数的影响权重输出，例如按照从大到小的排列顺序将各影响权重及对应的参数的名称显示在屏幕上。
可以理解的是，本发明可以对获得的故障识别模型进行准确率测试、精准率测试与召回率测试，以确定故障识别模型是否符合准确率、精准率与召回率要求。如不符合上述要求，本发明可以在训练数据中添加新的数据，并再次对训练数据进行机器学习，直至获得的故障识别模型符合上述要求。在实际应用中，本发明还可以获得测试数据，该测试数据可以包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。具体的，本发明可以多份数据集，并将部分数据集作为训练数据，将其余数据集作为测试数据。其中，每份数据集都可以包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值。
具体的，本发明所使用的机器学习方法可以包括：逻辑回归、支持向量机、朴素贝叶斯、决策树、随机森林中的至少一种。在实际应用中，本发明可以分别使用多种机器学习方法对训练数据进行学习并获得多种故障识别模型。然后，本发明可以对上述多种故障识别模型进行准确性测试，并根据测试结果从中挑选出准确性最好的一种故障识别模型。
其中，所述故障识别模型的输入可以为：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。
其中，所述根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型，可以包括：
将所述影响权重带入用于计算所述预设部件的故障信息的加权算法中，获得用于输出所述预设部件的故障信息的故障识别模型。其中，所述加权算法为加权求和算法或加权平均算法，所述加权算法为所述故障识别模型的部分。
可选的，在加权算法为加权平均算法时，本发明所使用的加权平均算法可以为：
其中，P为预设部件的故障概率，i为参数编号，n为参数数量，xi为编号为i的参数对应的部件故障概率，Ai为编号为i的参数的影响权重。
本发明中参数对应的部件故障概率可以根据参数的参数值与第一参数值范围、所述第二参数值范围中的至少一个进行比较的比较结果确定。如图2所示，图1所示方法，还可以包括：
S003、将各种参数的所述第一参数值范围和所述第二参数值范围进行保存，以将输入所述故障识别模型的多种参数的参数值与保存的参数值范围中的至少一个进行比较，根据比较结果获得参数对应的部件故障概率。
例如：将某参数的参数值与第二参数值范围的中间值进行比较，根据比较结果确定该参数对应的部件故障概率。具体的，该参数的参数值越接近第二参数值范围的中间值，则该参数对应的部件故障概率越大，反之越小。在实际应用中，根据比较结果确定该参数对应的部件故障概率的方式有多种，下面示例性提供其中一种：
对于某参数而言，该参数的第二参数值范围的中间值为5(方便起见，单位略去)，用于获得该第二参数值范围的各参数值的标准差为3，则本发明可以将输入所述故障识别模型的该参数的参数值与上述中间值5做差，然后将计算结果与标准差3进行比较，根据比较结果确定该参数对应的部件故障概率。
本发明实施例提供的一种故障识别模型获得方法，可以获得训练数据，对训练数据进行机器学习：确定在预设部件正常状态下的各种参数的第一参数值范围和在预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定多种参数中至少一种参数的影响权重，根据影响权重获得用于输出预设部件的故障信息的故障识别模型。本发明获得的故障识别模型可以根据输入的多种参数自动确定预设部件的故障信息，因此无需进行井下作业，简单方便，可以及时发现油气开采设备中部件的损坏。
如图3所示，本发明实施例还提供了一种油气开采监测方法，可以包括：
S100、获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
其中，所述油气开采设备的工作参数可以包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个。所述区域的地质参数可以包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
不同种类的预设部件的部件参数不同。具体的，所述油气开采设备可以为采油机或天然气开采设备。在所述预设部件为套管时，所述预设部件的部件参数可以包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
具体的，步骤S100获得的多种参数可以包括：未确定所包含的预设部件是否发生故障的油气开采设备的工作参数、该油气开采设备所开采的区域的地质参数以及上述未确定是否发生故障的预设部件的部件参数。
S200、将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
其中，步骤S200可以具体包括：
将所述多种参数的参数值输入所述预设部件的故障识别模型中，以使所述故障识别模型对所述多种参数中的至少一种参数：根据该种参数的参数值确定该种参数对应的部件故障概率；
获得所述故障识别模型根据确定的所述部件故障概率和所述至少一种参数中各种参数的故障影响权重确定并输出的所述预设部件的故障信息。
进一步，所述根据该种参数的参数值确定该种参数对应的部件故障概率，可以具体包括：
所述故障识别模型将该种参数的参数值与通过所述机器学习获得的该种参数的参数范围进行比较，根据比较结果确定该种参数对应的部件故障概率。
可选的，所述预设部件的故障信息可以为：所述预设部件的故障概率。
在实际应用中，本发明可以获得多组参数值，每组参数值均为监测一个油气开采设备中预设部件的故障信息的多种参数的参数值。例如：某油田开发区块中包括油井A、油井B和油井C三个油井，每个油井通过一个采油机开采石油，则本发明可以获得三组参数值，第一组参数值可以包括油井A中油气开采设备的预设部件的部件参数、油井A中油气开采设备的工作参数和油井A中油气开采设备所开采的区域的地质参数，第二组参数值可以包括油井B中油气开采设备的预设部件的部件参数、油井B中油气开采设备的工作参数和油井B中油气开采设备所开采的区域的地质参数，第三组参数值可以包括油井C中油气开采设备的预设部件的部件参数、油井C中油气开采设备的工作参数和油井C中油气开采设备所开采的区域的地质参数。
本发明可以将获得的多组参数值同时或依次输入所述预设部件的故障识别模型中，并获得所述故障识别模型输出的分别与各油井对应的所述预设部件的故障概率。
可选的，本发明在获得各油井对应的预设部件的故障概率后，可以按照大小顺序对各油井对应的预设部件的故障概率进行排序并将排序后的故障概率输出。
本发明实施例提供的油气开采监测方法，可以获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息。可见，本发明可以根据多种参数的参数值获得预设部件的故障信息，无需进行井下作业，简单方便，可以及时发现油气开采设备中部件的损坏。
与图1所示方法相对应，如图4所示，本发明实施例还提供了一种故障识别模型获得装置，可以包括：训练数据获得单元001和机器学习单元002，
训练数据获得单元001，用于获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
可选的，本发明在获得训练数据后，还可以对训练数据进行处理，例如：剔除异常参数值、通过回归预测或中位数对缺失的参数值进行补充等。
其中，不同预设部件的故障状态可以不同，例如：套管的故障状态可以包括：套管钢质结构发生破损、套管钢质结构发生缩颈、套管发生上下结构的错断等。
套管钢质结构发生破损后，地层中的岩石会通过套管破损位置不断进入井筒，井筒中存积大量砂泥后将导致油气无法正常开采。当套管钢质结构发生缩颈或套管发生上下结构的错断时，采油工具或注水管柱将无法正常下入井筒，无法进行油气流体的举升作业或注水作业，同样导致油气无法正常开采。
本申请发明人在实现本发明的过程中，研究发现：与油气开采设备中部件故障有关的多种参数包括：预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。其中，所述油气开采设备的工作参数可以包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个。所述区域的地质参数可以包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
不同种类的预设部件的部件参数不同。具体的，所述油气开采设备可以为采油机或天然气开采设备。在所述预设部件为套管时，所述预设部件的部件参数可以包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
其中，不同油气开采设备中预设部件的同一种部件参数的参数值可以相同或不同，不同油气开采设备的同一种工作参数的参数值可以相同或不同，不同油气开采设备所开采的区域的同一种地质参数的参数值可以相同或不同。
上述多种参数可以与油气开采设备中预设部件的故障信息相关。
机器学习单元002，用于对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
在实际应用中，本发明可以根据影响权重从多种参数中选择出部分参数，根据选择出的部分参数的影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
具体的，本发明可以选择影响权重大于阈值的参数。当某些参数的影响权重较小甚至为0时，说明这些参数对预设部件的故障与否影响很小甚至无关，这种情况下，为了降低故障识别模型的复杂程度，本发明可以将这些参数去除，即：不使用这些参数的影响权重构建故障识别模型。
在实际应用中，本发明还可以将各种参数的影响权重输出，例如按照从大到小的排列顺序将各影响权重及对应的参数的名称显示在屏幕上。
可以理解的是，本发明可以对获得的故障识别模型进行准确率测试、精准率测试与召回率测试，以确定故障识别模型是否符合准确率、精准率与召回率要求。
具体的，本发明所使用的机器学习方法可以包括：逻辑回归、支持向量机、朴素贝叶斯、决策树、随机森林中的至少一种。
其中，所述故障识别模型的输入可以为：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。
其中，机器学习单元002根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型，可以具体设置为：
机器学习单元002将所述影响权重带入用于计算所述预设部件的故障信息的加权算法中，获得用于输出所述预设部件的故障信息的故障识别模型。其中，所述加权算法为加权求和算法或加权平均算法，所述加权算法为所述故障识别模型的部分。
可选的，在加权算法为加权平均算法时，本发明所使用的加权平均算法可以为：
其中，P为预设部件的故障概率，i为参数编号，n为参数数量，xi为编号为i的参数对应的部件故障概率，Ai为编号为i的参数的影响权重。
本发明中参数对应的部件故障概率可以根据参数的参数值与第一参数值范围、所述第二参数值范围中的至少一个进行比较的比较结果确定。如图5所示，图4所示装置，还可以包括：
范围保存单元003，用于将各种参数的所述第一参数值范围和所述第二参数值范围进行保存，以将输入所述故障识别模型的多种参数的参数值与保存的参数值范围中的至少一个进行比较，根据比较结果获得参数对应的部件故障概率。
本发明实施例提供的一种故障识别模型获得装置，可以获得训练数据，对训练数据进行机器学习：确定在预设部件正常状态下的各种参数的第一参数值范围和在预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定多种参数中至少一种参数的影响权重，根据影响权重获得用于输出预设部件的故障信息的故障识别模型。本发明获得的故障识别模型可以根据输入的多种参数自动确定预设部件的故障信息，因此无需进行井下作业，简单方便，可以及时发现油气开采设备中部件的损坏。
与图3所示方法相对应，如图6所示，本发明实施例还提供了一种油气开采监测装置，可以包括：参数值获得单元100和故障获得单元200，
所述参数值获得单元100，用于获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
其中，所述油气开采设备的工作参数可以包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个。所述区域的地质参数可以包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
不同种类的预设部件的部件参数不同。具体的，所述油气开采设备可以为采油机或天然气开采设备。在所述预设部件为套管时，所述预设部件的部件参数可以包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
具体的，参数值获得单元100获得的多种参数可以包括：未确定所包含的预设部件是否发生故障的油气开采设备的工作参数、该油气开采设备所开采的区域的地质参数以及上述未确定是否发生故障的预设部件的部件参数。
所述故障获得单元200，用于将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
其中，所述故障获得单元200可以具体设置为：
将所述多种参数的参数值输入所述预设部件的故障识别模型中，以使所述故障识别模型对所述多种参数中的至少一种参数：根据该种参数的参数值确定该种参数对应的部件故障概率；获得所述故障识别模型根据确定的所述部件故障概率和所述至少一种参数中各种参数的故障影响权重确定并输出的所述预设部件的故障信息。
进一步，故障识别模型根据该种参数的参数值确定该种参数对应的部件故障概率，可以具体设置为：
所述故障识别模型将该种参数的参数值与通过所述机器学习获得的该种参数的参数范围进行比较，根据比较结果确定该种参数对应的部件故障概率。
可选的，所述预设部件的故障信息可以为：所述预设部件的故障概率。
在实际应用中，本发明可以获得多组参数值，每组参数值均为监测一个油气开采设备中预设部件的故障信息的多种参数的参数值。
本发明可以将获得的多组参数值同时或依次输入所述预设部件的故障识别模型中，并获得所述故障识别模型输出的分别与各油井对应的所述预设部件的故障概率。
可选的，本发明在获得各油井对应的预设部件的故障概率后，可以按照大小顺序对各油井对应的预设部件的故障概率进行排序并将排序后的故障概率输出。
本发明实施例提供的油气开采监测装置，可以获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息。可见，本发明可以根据多种参数的参数值获得预设部件的故障信息，无需进行井下作业，简单方便，可以及时发现油气开采设备中部件的损坏。
所述故障识别模型获得装置包括处理器和存储器，上述训练数据获得单元、机器学习单元和范围保存单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
所述油气开采监测装置包括处理器和存储器，上述参数值获得单元和故障获得单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来获得预设部件的故障信息或获得故障识别模型。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述油气开采监测方法和/或所述故障识别模型获得方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述油气开采监测方法和/或所述故障识别模型获得方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
一种油气开采监测方法，包括：
获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
可选的，所述将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，包括：
将所述多种参数的参数值输入所述预设部件的故障识别模型中，以使所述故障识别模型对所述多种参数中的至少一种参数：根据该种参数的参数值确定该种参数对应的部件故障概率；
获得所述故障识别模型根据确定的所述部件故障概率和所述至少一种参数中各种参数的故障影响权重确定并输出的所述预设部件的故障信息。
可选的，所述根据该种参数的参数值确定该种参数对应的部件故障概率，包括：
所述故障识别模型将该种参数的参数值与通过所述机器学习获得的该种参数的参数范围进行比较，根据比较结果确定该种参数对应的部件故障概率。
可选的，所述油气开采设备的工作参数包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个；和/或，所述区域的地质参数包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
可选的，所述预设部件为套管，所述油气开采设备为采油机或天然气开采设备，所述预设部件的部件参数包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
一种故障识别模型获得方法，包括：
获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
可选的，所述故障识别模型的输入为：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。
可选的，还包括：
将各种参数的所述第一参数值范围和所述第二参数值范围进行保存，以将输入所述故障识别模型的多种参数的参数值与保存的参数值范围中的至少一个进行比较，根据比较结果获得参数对应的部件故障概率。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
一种油气开采监测方法，包括：
获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
可选的，所述将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，包括：
将所述多种参数的参数值输入所述预设部件的故障识别模型中，以使所述故障识别模型对所述多种参数中的至少一种参数：根据该种参数的参数值确定该种参数对应的部件故障概率；
获得所述故障识别模型根据确定的所述部件故障概率和所述至少一种参数中各种参数的故障影响权重确定并输出的所述预设部件的故障信息。
可选的，所述根据该种参数的参数值确定该种参数对应的部件故障概率，包括：
所述故障识别模型将该种参数的参数值与通过所述机器学习获得的该种参数的参数范围进行比较，根据比较结果确定该种参数对应的部件故障概率。
可选的，所述油气开采设备的工作参数包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个；和/或，所述区域的地质参数包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
可选的，所述预设部件为套管，所述油气开采设备为采油机或天然气开采设备，所述预设部件的部件参数包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
一种故障识别模型获得方法，包括：
获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
可选的，所述故障识别模型的输入为：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。
可选的，还包括：
将各种参数的所述第一参数值范围和所述第二参数值范围进行保存，以将输入所述故障识别模型的多种参数的参数值与保存的参数值范围中的至少一个进行比较，根据比较结果获得参数对应的部件故障概率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种油气开采监测方法，其特征在于，包括：
获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，包括：
将所述多种参数的参数值输入所述预设部件的故障识别模型中，以使所述故障识别模型对所述多种参数中的至少一种参数：根据该种参数的参数值确定该种参数对应的部件故障概率；
获得所述故障识别模型根据确定的所述部件故障概率和所述至少一种参数中各种参数的故障影响权重确定并输出的所述预设部件的故障信息。
3.根据权利要求2所述的方法，其特征在于，所述根据该种参数的参数值确定该种参数对应的部件故障概率，包括：
所述故障识别模型将该种参数的参数值与通过所述机器学习获得的该种参数的参数范围进行比较，根据比较结果确定该种参数对应的部件故障概率。
4.根据权利要求1所述的方法，其特征在于，所述油气开采设备的工作参数包括：产液量、产油量、含水量、生产压差、油压、套压中的至少一个；和/或，所述区域的地质参数包括：储层深度、储层厚度、孔隙度、渗透率中的至少一个。
5.根据权利要求1所述的方法，其特征在于，所述预设部件为套管，所述油气开采设备为采油机或天然气开采设备，所述预设部件的部件参数包括：射孔深度、射孔密度、套管钢级、套管壁厚、套管外径中的至少一个。
6.一种故障识别模型获得方法，其特征在于，包括：
获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
7.根据权利要求6所述的方法，其特征在于，所述故障识别模型的输入为：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数。
8.根据权利要求6或7所述的方法，其特征在于，还包括：
将各种参数的所述第一参数值范围和所述第二参数值范围进行保存，以将输入所述故障识别模型的多种参数的参数值与保存的参数值范围中的至少一个进行比较，根据比较结果获得参数对应的部件故障概率。
9.一种油气开采监测装置，其特征在于，包括：参数值获得单元和故障获得单元，
所述参数值获得单元，用于获得与油气开采设备中预设部件的故障信息相关的多种参数的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
所述故障获得单元，用于将所述多种参数的参数值输入所述预设部件的故障识别模型中，获得所述故障识别模型输出的所述预设部件的故障信息，其中，所述故障识别模型为对所述预设部件的训练数据进行机器学习后得到的用于输出所述预设部件的故障信息的模型。
10.一种故障识别模型获得装置，其特征在于，包括：训练数据获得单元和机器学习单元，
所述训练数据获得单元，用于获得训练数据，其中，所述训练数据包括：多种参数在预设部件正常状态下的参数值和所述多种参数在所述预设部件故障状态下的参数值，所述多种参数至少包括：所述预设部件的部件参数、所述预设部件所在的油气开采设备的工作参数和所述油气开采设备所开采的区域的地质参数；
所述机器学习单元，用于对所述训练数据进行机器学习：确定在所述预设部件正常状态下的各种参数的第一参数值范围和在所述预设部件故障状态下的各种参数的第二参数值范围，将同一种参数的所述第一参数值范围和所述第二参数值范围进行比较，根据比较结果确定所述多种参数中至少一种参数的影响权重，根据所述影响权重获得用于输出所述预设部件的故障信息的故障识别模型。
11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至5中任一项所述的油气开采监测方法，或者，在所述程序运行时控制所述存储介质所在的设备执行如权利要求6至8中任一项所述的故障识别模型获得方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行如权利要求1至5中任一项所述的油气开采监测方法，或者，所述程序运行时执行如权利要求6至8中任一项所述的故障识别模型获得方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811126217.1A CN109446574B (zh) | 2018-09-26 | 2018-09-26 | 油气开采监测方法、故障识别模型获得方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811126217.1A CN109446574B (zh) | 2018-09-26 | 2018-09-26 | 油气开采监测方法、故障识别模型获得方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109446574A true CN109446574A (zh) | 2019-03-08 |
| CN109446574B CN109446574B (zh) | 2023-07-07 |
Family
ID=65544411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811126217.1A Active CN109446574B (zh) | 2018-09-26 | 2018-09-26 | 油气开采监测方法、故障识别模型获得方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109446574B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111022043A (zh) * | 2020-01-14 | 2020-04-17 | 成都理工大学 | 一种判断油气藏型储气库储层是否存在干化现象的方法 |
| CN111487075A (zh) * | 2020-04-24 | 2020-08-04 | 三一石油智能装备有限公司 | 一种施工设备的故障检测方法、装置、设备及介质 |
| CN113051700A (zh) * | 2019-12-27 | 2021-06-29 | 北京国双科技有限公司 | 设备可靠性监测方法及装置 |
| CN113090249A (zh) * | 2020-01-07 | 2021-07-09 | 中国石油天然气股份有限公司 | 样本数据提取、套管损坏预测方法、装置、设备和介质 |
| CN113094217A (zh) * | 2021-03-25 | 2021-07-09 | 中国电子科技集团公司第二十九研究所 | 一种对电子系统机内自检结果进行故障分析诊断的方法 |
| CN116664083A (zh) * | 2023-07-28 | 2023-08-29 | 傲拓科技股份有限公司 | 一种油气生产数字化管理方法、系统及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6442511B1 (en) * | 1999-09-03 | 2002-08-27 | Caterpillar Inc. | Method and apparatus for determining the severity of a trend toward an impending machine failure and responding to the same |
| CN102564496A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院（集团）有限公司电力研究院 | 基于bp神经网络和人工鱼群的变电设备微观分析方法 |
| CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
| CN106951662A (zh) * | 2017-04-12 | 2017-07-14 | 东北大学 | 基于凡尔工作点的有杆泵抽油井井下工况诊断方法 |
| CN107380955A (zh) * | 2017-08-11 | 2017-11-24 | 中煤张家口煤矿机械有限责任公司 | 一种基于pnn的刮板输送机故障诊断方法 |
| CN107967485A (zh) * | 2017-11-16 | 2018-04-27 | 国网冀北电力有限公司电力科学研究院 | 用电计量设备故障分析方法及装置 |
-
2018
- 2018-09-26 CN CN201811126217.1A patent/CN109446574B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6442511B1 (en) * | 1999-09-03 | 2002-08-27 | Caterpillar Inc. | Method and apparatus for determining the severity of a trend toward an impending machine failure and responding to the same |
| CN102564496A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院（集团）有限公司电力研究院 | 基于bp神经网络和人工鱼群的变电设备微观分析方法 |
| CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
| CN106951662A (zh) * | 2017-04-12 | 2017-07-14 | 东北大学 | 基于凡尔工作点的有杆泵抽油井井下工况诊断方法 |
| CN107380955A (zh) * | 2017-08-11 | 2017-11-24 | 中煤张家口煤矿机械有限责任公司 | 一种基于pnn的刮板输送机故障诊断方法 |
| CN107967485A (zh) * | 2017-11-16 | 2018-04-27 | 国网冀北电力有限公司电力科学研究院 | 用电计量设备故障分析方法及装置 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051700A (zh) * | 2019-12-27 | 2021-06-29 | 北京国双科技有限公司 | 设备可靠性监测方法及装置 |
| CN113051700B (zh) * | 2019-12-27 | 2023-12-29 | 北京国双科技有限公司 | 设备可靠性监测方法及装置 |
| CN113090249A (zh) * | 2020-01-07 | 2021-07-09 | 中国石油天然气股份有限公司 | 样本数据提取、套管损坏预测方法、装置、设备和介质 |
| CN113090249B (zh) * | 2020-01-07 | 2023-12-26 | 中国石油天然气股份有限公司 | 样本数据提取、套管损坏预测方法、装置、设备和介质 |
| CN111022043A (zh) * | 2020-01-14 | 2020-04-17 | 成都理工大学 | 一种判断油气藏型储气库储层是否存在干化现象的方法 |
| CN111022043B (zh) * | 2020-01-14 | 2020-09-29 | 成都理工大学 | 一种判断油气藏型储气库储层是否存在干化现象的方法 |
| CN111487075A (zh) * | 2020-04-24 | 2020-08-04 | 三一石油智能装备有限公司 | 一种施工设备的故障检测方法、装置、设备及介质 |
| CN113094217A (zh) * | 2021-03-25 | 2021-07-09 | 中国电子科技集团公司第二十九研究所 | 一种对电子系统机内自检结果进行故障分析诊断的方法 |
| CN113094217B (zh) * | 2021-03-25 | 2023-04-28 | 中国电子科技集团公司第二十九研究所 | 一种对电子系统机内自检结果进行故障分析诊断的方法 |
| CN116664083A (zh) * | 2023-07-28 | 2023-08-29 | 傲拓科技股份有限公司 | 一种油气生产数字化管理方法、系统及存储介质 |
| CN116664083B (zh) * | 2023-07-28 | 2023-10-31 | 傲拓科技股份有限公司 | 一种油气生产数字化管理方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109446574B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446574A (zh) | 油气开采监测方法、故障识别模型获得方法及相关设备 | |
| Castellanos et al. | Fault identification using a chain of decision trees in an electrical submersible pump operating in a liquid-gas flow | |
| KR102170765B1 (ko) | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 | |
| WO2009032220A1 (en) | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs | |
| CN109460561A (zh) | 采油设备故障诊断方法及装置 | |
| CN109446538A (zh) | 注水与采油井关系模型获得方法及产量和注水量确定方法 | |
| CN107633325A (zh) | 一种页岩气压裂井下事故早期诊断报警方法及装置 | |
| Bello et al. | A functional networks softsensor for flowing bottomhole pressures and temperatures in multiphase flow production wells | |
| Srikonda et al. | Increasing facility uptime using machine learning and physics-based hybrid analytics in a dynamic digital twin | |
| WO2021252416A1 (en) | Automated electric submersible pump (esp) failure analysis | |
| Andrade Marin et al. | ESP well and component failure prediction in advance using engineered analytics-a breakthrough in minimizing unscheduled subsurface deferments | |
| Botechia et al. | A model-based production strategy selection considering polymer flooding in heavy oil field development | |
| Al-Khazraji et al. | Development of heterogeneous immature Brownfield with Waterdrive using dynamic opportunity index: a case study from Iraqi oilfields | |
| Devshali et al. | Predicting ESP failures Using Artificial Intelligence for Improved Production Performance in One of the Offshore Fields in India | |
| EP3215706A1 (en) | Methods and systems for fluid removal from a structure | |
| Peng et al. | A Predictive Model to Detect the Impending Electric Submersible Pump Trips and Failures | |
| Sreenivasan et al. | Automatic sucker rod pump fault diagnostics by transfer learning using googlenet integrated machine learning classifiers | |
| Weldu et al. | Hybrid AI and conventional empirical model for improved prediction of log-derived permeability of heterogeneous carbonate reservoir | |
| Li et al. | A new early warning model with vector machine for abnormal production prediction | |
| CN112487699A (zh) | 动液面确定方法、动液面确定模型获得方法及相关设备 | |
| Qoqandi et al. | Production Forecasting in Tight Gas Reservoirs Using Long Short-Term Memory Methods (LSTM) | |
| Okpere et al. | Application of neural networks in developing an empirical oil recovery factor equation for water drive Niger delta reservoirs | |
| Weiss et al. | Large-scale facility expansion evaluations at the Kuparuk river field | |
| CN110952973A (zh) | 油气开采监测方法、寿命确定模型获得方法及相关设备 | |
| Putra et al. | Artificial Lift Real-Time Monitoring Digitalization Method: An Advanced Approach with Artificial Intelligence to Achieve Efficient Well Surveillance by Utilizing SCADA |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100080 No. 401, 4th Floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing Applicant after: BEIJING GRIDSUM TECHNOLOGY Co.,Ltd. Address before: 100086 Beijing city Haidian District Shuangyushu Area No. 76 Zhichun Road cuigongfandian 8 layer A Applicant before: BEIJING GRIDSUM TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |