CN110838155A - 一种抽油机地面示功图全复现方法及系统 - Google Patents

一种抽油机地面示功图全复现方法及系统 Download PDF

Info

Publication number
CN110838155A
CN110838155A CN201911037328.XA CN201911037328A CN110838155A CN 110838155 A CN110838155 A CN 110838155A CN 201911037328 A CN201911037328 A CN 201911037328A CN 110838155 A CN110838155 A CN 110838155A
Authority
CN
China
Prior art keywords
indicator diagram
pumping unit
prediction model
current data
data
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.)
Pending
Application number
CN201911037328.XA
Other languages
English (en)
Inventor
朱丽萍
罗晓婷
朱丹丹
金学锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN201911037328.XA priority Critical patent/CN110838155A/zh
Publication of CN110838155A publication Critical patent/CN110838155A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明提出了一种抽油机地面示功图全复现方法及系统，其中，该方法包括：获取油田多口井的历史数据；将抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集；利用训练集训练候选预测模型，结合真实地面示功图数据，对候选预测模型进行电流数据到示功图的映射学习，获得抽油机示功图预测模型；采集油田抽油机的实时电流数据，并输入至抽油机示功图预测模型，得到对应的地面示功图。该方法及系统可以利用大量标注电流数据自动生成抽油机井地面示功图预测模型，并根据抽油机井实时电流数据，快速生成对应的地面示功图，整个过程运算成本低、预测精度高、泛化能力强，为准确把握油井地层情况提供了强有力的数据支撑。

Description

一种抽油机地面示功图全复现方法及系统
技术领域
本发明涉及抽油机地面井示功图计算技术领域，尤指一种抽油机地面示功图全复现方法及系统。
背景技术
近年来，我国石油行业信息化逐步进入发展新阶段，面临着云计算、物联网、移动互联网和社交网络等新一代信息技术全面应用的新格局，石油工业的大数据时代已经来临，石油工业数据正以前所未有的速度不断增长和累积。
抽油机的地面示功图是将抽油机井光杆悬点载荷变化所作的功简化成直观封闭的几何图形，是抽油机动态生产过程的直观反映。分析和解释地面示功图是直接了解抽油机工作状况好坏的一个主要手段，不但可以直观反映抽油机工作中的异常现象，而且结合相关资料可以分析判断油井工作制度是否合理、抽油设备与油层和原油性质是否适应。另外，根据示功图还能对低产、低能井制定出合理的开关井时间，减少设备的磨损和电能的浪费等。
地面示功图的测量方法主要为直接测量法，这种方法采用位移传感器和载荷传感器直接测量出地面载荷和地面位移。手持式测量主要采用的是拉线法，通过拉收线来检测光杆位移。在拉收线的过程中，发条盒中的弹簧质量和弹簧的预紧大小都会直接影响测量数据的大小。载荷传感器依据的原理是应变式测量原理，传感器夹在抽油机悬绳器的上下夹板中间。位移传感器又称为线性传感器，是一种属于金属感应的线性器件，位移传感器的作用是根据位移量的大小，输出大小不同的电信号，进而判断位移量的大小。
但是手持式测量采用的传感器在安装和拆卸过程中多有不便。一是传感器自身重量较大，操作困难；二是安装过程要求抽油机停机，再进行人工手持测量，在经历过几个冲程后还需要拆卸再起机。安装过程不仅繁琐，而且带来了抽油机的额外损耗，影响使用寿命。另外，定期测量不能反映井下液面的实时状况。
在线式测量方法采用的位移传感器是通过光、电、磁电测相位得到位移，而载荷传感器则采用压力传感器得到载荷的数值，可以实现实时测量。但是载荷传感器也需要停机安装，并定期校准。另外，传感器需长期工作，影响仪器使用寿命，因此，维护成本较高。
综合来看，直接测量方法的弊端在于相关设备安装复杂、购置费用高且体积大。另外，位移和载荷传感器通常存在损耗问题，使用寿命短，维护费用高昂，而充电方式采用电源充电，后期维护也不方便。
因此，亟需一种可以数据获取方便，成本低，泛化能力强广，能够完整、准确复现地面示功图的技术方案。
发明内容
为解决上述问题，本发明提出了一种抽油机地面示功图全复现方法及系统，通过采集到的电流数据进行示功图的全面复现，属于一种间接测量法，在进行复现时，无需装配传感器等硬件设备，可根据抽油机井实时电流数据，快速生成对应周期的地面示功图，且无需人工定标矫正，具有高准确性和泛化能力。
在本发明一实施例中，提出了一种抽油机地面示功图全复现方法，该方法包括：
获取油田多口井的历史数据，其中包括抽油机电流数据及对应的真实地面示功图数据；
将所述抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集；
设置候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型；
采集油田抽油机的实时电流数据，并输入至所述抽油机示功图预测模型，得到对应的地面示功图。
在本发明一实施例中，还提出了一种抽油机地面示功图全复现系统，该系统包括：
数据获取模块，用于获取油田多口井的历史数据，其中包括抽油机电流数据及对应的真实地面示功图数据；
数据划分模块，用于将所述抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集；
预测模型训练模块，用于设置候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型；
示功图全复现模块，用于采集油田抽油机的实时电流数据，并输入至所述抽油机示功图预测模型，得到对应的地面示功图。
在本发明一实施例中，还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现抽油机地面示功图全复现方法。
在本发明一实施例中，还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行抽油机地面示功图全复现方法的计算机程序。
本发明提出的抽油机地面示功图全复现方法及系统，可以利用大量标注电流数据自动生成抽油机井地面示功图预测模型，并根据抽油机井实时电流数据，快速生成对应的地面示功图，整个过程运算成本低、预测精度高、泛化能力强，为准确把握油井地层情况提供了强有力的数据支撑。
附图说明
图1是本发明一实施例的抽油机地面示功图全复现方法流程图。
图2是本发明一实施例的地面示功图全复现模型构建示意图。
图3是本发明一实施例的预测模型的学习训练过程示意图。
图4是本发明一实施例的根据抽油机电流数据预测对应地面示功图的流程示意图。
图5是本发明一实施例的抽油机地面示功图全复现过程中数据关系示意图。
图6是本发明一实施例的抽油机地面示功图全复现系统示意图。
图7是本发明一实施例的计算机设备结构示意图。
图8是本发明一具体实施例的地面示功图全复现效果示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种抽油机地面示功图全复现方法及系统。该方法及系统基于电流数据进行示功图全面复现，属于间接测量法，优点在于无需装配传感器等硬件设备，即可根据抽油机井实时电流数据，快速生成对应周期的地面示功图，且使用后期无需人工定标矫正，具有高准确性和泛化能力。
在本文中，需要理解的是，所涉及的术语中：
长短期记忆网络(Long Short-Term Memory，LSTM)：是一种时间递归神经网络，适用于处理和预测时间序列中间隔和延迟相对较长的事件。LSTM已经在科技领域有了多种应用，如完成文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等任务。
抽油机地面示功图(Indicator Map)：将抽油机井光杆悬点载荷和地面位移变化简化成封闭的几何图形，是抽油机井动态生产过程的直观反映。通过对示功图的分析，可诊断抽油机井是否正常生产，实现油井产液量测量等功能。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的抽油机地面示功图全复现方法流程图。如图1所示，该方法包括步骤S101-步骤S105，具体的：
步骤S101，获取油田多口井的历史数据，其中包括抽油机电流数据及对应的真实地面示功图数据。
步骤S102，对所述抽油机电流数据进行清洗，清除重复和异常样本。
步骤S103，将所述抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集。
步骤S104，设置候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型。
其中，在步骤S101获得历史数据后，需要进行相应处理，具体包括三个环节：
a)数据清洗(步骤S102)；
b)数据集划分(步骤S103)；划分可以按照一定比例，例如训练集、验证集、测试集三个部分比例10：1：2。
c)在利用所述训练集训练所述候选预测模型的同时，对所述真实地面示功图数据进行归一化处理，使地面位移和地面载荷在网络中所占的权重一致。
图2所示为本发明一实施例的地面示功图全复现模型构建示意图。如图2所示，在步骤S104中，可以采用长短时记忆网络(LSTM)为基础，对所述候选预测模型进行电流数据到示功图的映射学习，获得抽油机示功图预测模型。
与普通的LSTM网络相比，本发明利用的LSTM还额外加了全连接层，全连接层用于将高维度的电流数据到示功图的映射学习的输出数据映射为低维度的输出数据。
如果利用普通的LSTM网络进行数据输出时，输出的数据地面载荷和地面位移数据大小差异较大，所以在训练阶段需要进行归一化处理。普通的LSTM在输出会把最后一层隐藏层计算后的结果直接输出，不会进行反归一化还原数据，这会造成权重不一，使结果产生很大的误差。对此，本发明加入了归一化处理环节，克服了该问题。
此外，由于普通的LSTM网络输出结果是一个高维度的数据，而经全连接层后可以将高维度映射到低维度空间上输出，有利于更方便的处理输出数据。
在一实施例中，还可以在全连接层之外还加了辍学层(Dropout)，防止网络在学习过程中产生过拟合现象。
更进一步的，由于本发明提出的抽油机地面示功图全复现方法所使用的数据集带有标签，待预测量(示功图)为连续变量，所以需考虑多个超参数对实验结果的影响。
为避免过拟合现象，预测模型的学习训练过程可以采用交叉验证方法，如K折交叉验证(K-fold cross-validation)，初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其它K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次的结果或者使用其它结合方式，最终得到一个单一估测。这个方法的优势在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次，10折交叉验证是最常用的。
本发明所利用的交叉验证方法如图3所示，包括：
步骤S1042，对所述训练集进行K-folds分割，每轮学习都用K-1folds训练集分别对所述候选预测模型进行电流数据到示功图的映射学习；K-folds是用于交叉验证的函数。在机器学习中，为了充分利用数据集对算法效果进行测试，将训练集随机分为K个包，K-1个包作为训练集进行训练。
步骤S1044，利用1fold验证集对训练得到的候选预测模型进行性能评价并进行超参数调参。
步骤S1046，经过多轮学习后，获得多个完成调参的已训练的预测模型。
步骤S1048，利用所述测试集测试所述已训练的预测模型，根据测试结果评判是否达到应用要求；具体的，可以采用与步骤S1044中的评价指标进行性能评价，例如评价指标可以是相对误差。
如果满足应用要求，选择所述测试结果最优的已训练的预测模型作为抽油机示功图预测模型，进一步可以执行步骤S105进行地面示功图的复现。
如果不满足应用要求，则返回步骤S102，重新进行历史数据的处理。
步骤S105，采集油田抽油机的实时电流数据，并输入至所述抽油机示功图预测模型，得到对应的地面示功图。
具体的，参考图4所示，为根据抽油机电流数据预测对应地面示功图的流程示意图。需要注意的是，新的抽油机电流数据也需要经过与样本数据相同的数据处理过程，再输入到预测模型中。
参考图5所示，在一实施例中，抽油机示功图预测模型501可以部署在远离油田现场的服务器502，采用自动化采集和物联网系统获取前端油田抽油机井503的实时电流数据504，再基于网络传输到服务器502的抽油机示功图预测模型501，计算得到对应的示功图505，并通过GUI界面显示给用户。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
基于同一发明构思，本发明还提出了一种抽油机地面示功图全复现系统，如图6所示，该系统包括：
数据获取模块610，用于获取油田多口井的历史数据，其中包括抽油机电流数据及对应的真实地面示功图数据；
数据划分模块620，用于将所述抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集；
预测模型训练模块630，用于设置候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型；
示功图全复现模块640，用于采集油田抽油机的实时电流数据，并输入至所述抽油机示功图预测模型，得到对应的地面示功图。
应当注意，尽管在上文详细描述中提及了抽油机地面示功图全复现系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图7所示，本发明还提出了一种计算机设备700，包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序730，所述处理器720执行所述计算机程序730时实现前述抽油机地面示功图全复现方法。
在本发明一实施例中，还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行抽油机地面示功图全复现方法的计算机程序。
为了对上述抽油机地面示功图全复现方法及系统进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。
以某一地区的油田多口井为例，采集该地区的65536个抽油机井电流样本数据。利用本发明提出的抽油机地面示功图全复现方法，先进行抽油机井地面示功图预测模型的建模。
输入是含有200个点的抽油机井产生的电流数据序列。训练集、验证集、测试集按10：1：2的比例进行划分，并对训练集采用10folds分割。采用相对误差作为评价指标，得到如图8所示的地面示功图全复现效果。
从图8中可以看出，利用本发明提出的抽油机地面示功图全复现方法得到的示功图，与真实示功图基本相同，较好地还原了真实施工图；这种方法在实施过程中无需装备传感器等硬件设备，降低了采集成本，另外，相比传统示功图还原中作业量大，人工标定成本高，无法多井实时还原等问题，本发明的地面示功图全复现方法实现过程中，作业量小，无需人工标定矫正，且准确性高，泛化能力强。
本发明提出的抽油机地面示功图全复现方法及系统，可以利用大量标注电流数据自动生成抽油机井地面示功图预测模型，并根据抽油机井实时电流数据，快速生成对应的地面示功图，整个过程运算成本低、预测精度高、泛化能力强，为准确把握油井地层情况提供了强有力的数据支撑。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种抽油机地面示功图全复现方法，其特征在于，该方法包括：
获取油田多口井的历史数据，其中包括抽油机电流数据及对应的真实地面示功图数据；
将所述抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集；
设置候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型；
采集油田抽油机的实时电流数据，并输入至所述抽油机示功图预测模型，得到对应的地面示功图。
2.根据权利要求1所述的抽油机地面示功图全复现方法，其特征在于，在将所述抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集之前，还包括：
对所述抽油机电流数据进行清洗，清除重复和异常样本。
3.根据权利要求1所述的抽油机地面示功图全复现方法，其特征在于，设置候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型，包括：
在利用所述训练集训练所述候选预测模型的同时，对所述真实地面示功图数据进行归一化处理，使地面位移和地面载荷在网络中所占的权重一致。
4.根据权利要求3所述的抽油机地面示功图全复现方法，其特征在于，该方法还包括：
采用长短期记忆网络，对所述候选预测模型进行电流数据到示功图的映射学习，获得抽油机示功图预测模型；
其中，所述长短期记忆网络中还包括全连接层，全连接层用于将高维度的电流数据到示功图的映射学习的输出数据映射为低维度的输出数据。
5.根据权利要求4所述的抽油机地面示功图全复现方法，其特征在于，所述长短期记忆网络还包括辍学层，用于使所述长短期记忆网络在学习过程中不产生拟合现象。
6.根据权利要求3所述的抽油机地面示功图全复现方法，其特征在于，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型，包括：
采用交叉验证方法对所述训练集进行K-folds分割，每轮学习都用K-1folds训练集分别对所述候选预测模型进行电流数据到示功图的映射学习；
利用1fold验证集对训练得到的候选预测模型进行性能评价并进行超参数调参；
经过多轮学习后，获得多个完成调参的已训练的预测模型；
利用所述测试集测试所述已训练的预测模型，根据测试结果评判是否达到应用要求；如果满足应用要求，选择所述测试结果最优的已训练的预测模型作为抽油机示功图预测模型。
7.根据权利要求1所述的抽油机地面示功图全复现方法，其特征在于，采集油田抽油机的实时电流数据，并输入至所述抽油机示功图预测模型，得到对应的地面示功图，包括：
对采集到的实时电流数据进行清洗，清除重复和异常样本之后，输入至所述抽油机示功图预测模型，得到对应的地面示功图。
8.一种抽油机地面示功图全复现系统，其特征在于，该系统包括：
数据获取模块，用于获取油田多口井的历史数据，其中包括抽油机电流数据及对应的真实地面示功图数据；
数据划分模块，用于将所述抽油机电流数据转换为电流数据集，并进行划分，得到训练集、验证集及测试集；
预测模型训练模块，用于设置候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实地面示功图数据，对所述候选预测模型进行电流数据到示功图的映射学习，并利用所述验证集及测试集进行验证及测试，获得抽油机示功图预测模型；
示功图全复现模块，用于采集油田抽油机的实时电流数据，并输入至所述抽油机示功图预测模型，得到对应的地面示功图。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7任一所述方法的计算机程序。
CN201911037328.XA 2019-10-29 2019-10-29 一种抽油机地面示功图全复现方法及系统 Pending CN110838155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911037328.XA CN110838155A (zh) 2019-10-29 2019-10-29 一种抽油机地面示功图全复现方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911037328.XA CN110838155A (zh) 2019-10-29 2019-10-29 一种抽油机地面示功图全复现方法及系统

Publications (1)

Publication Number Publication Date
CN110838155A true CN110838155A (zh) 2020-02-25

Family

ID=69575723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911037328.XA Pending CN110838155A (zh) 2019-10-29 2019-10-29 一种抽油机地面示功图全复现方法及系统

Country Status (1)

Country Link
CN (1) CN110838155A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861912A (zh) * 2021-01-08 2021-05-28 中国石油大学(北京) 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统
CN113236228A (zh) * 2021-06-24 2021-08-10 中海石油(中国)有限公司 一种单井产量快速预测方法及系统
CN113756786A (zh) * 2021-09-01 2021-12-07 中国石油大学(北京) 一种基于深度学习的抽油机井时序示功图预测方法
CN114718525A (zh) * 2021-01-05 2022-07-08 中国石油天然气股份有限公司 抽油机控制方法、计算机设备及存储介质
US11643908B1 (en) 2021-11-04 2023-05-09 Halliburton Energy Services, Inc. Automated configuration of pumping equipment
WO2023091149A1 (en) * 2021-11-17 2023-05-25 Halliburton Energy Services, Inc. Predictive pump maintenance based upon utilization and operating conditions
CN116877051A (zh) * 2023-07-24 2023-10-13 西南石油大学 一种采油工程生产流量及压力异常诊断方法及设备
US11852134B2 (en) 2021-11-04 2023-12-26 Halliburton Energy Services, Inc. Automated mix water test
US11939862B2 (en) 2021-09-27 2024-03-26 Halliburton Energy Services, Inc. Cementing unit power on self test

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201162664Y (zh) * 2008-01-31 2008-12-10 淄博亚华电子有限公司 一种无需载荷传感器的油田抽油机示功图的测量装置
CN202433444U (zh) * 2011-12-30 2012-09-12 滁州友林科技发展有限公司 智能型抽油机控制柜的示功图采集装置
CN102331320B (zh) * 2011-06-20 2013-04-10 沈阳理工大学 一种基于神经网络的游梁式抽油机示功图软测量方法
CN104729773A (zh) * 2015-03-24 2015-06-24 沈阳理工大学 基于rbf神经网络的游梁式抽油机示功图在线软测量方法及装置
CN204877445U (zh) * 2015-06-26 2015-12-16 中国石油化工股份有限公司胜利油田分公司 一种基于电参数法的抽油机示功图采集装置
CN106854986A (zh) * 2016-12-15 2017-06-16 中国石油天然气股份有限公司 一种抽油机井光杆示功图测算系统及其测算方法
CN108319749A (zh) * 2017-12-20 2018-07-24 中国石油天然气股份有限公司 一种确定示功图的方法及装置
CN208220769U (zh) * 2018-04-18 2018-12-11 中国石油天然气股份有限公司 一种抽油机井示功图获取装置及系统
CN110288257A (zh) * 2019-07-01 2019-09-27 西南石油大学 一种深度超限示功图学习方法
CN110363337A (zh) * 2019-06-27 2019-10-22 中国石油大学(北京) 一种基于数据驱动的抽油机量油方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201162664Y (zh) * 2008-01-31 2008-12-10 淄博亚华电子有限公司 一种无需载荷传感器的油田抽油机示功图的测量装置
CN102331320B (zh) * 2011-06-20 2013-04-10 沈阳理工大学 一种基于神经网络的游梁式抽油机示功图软测量方法
CN202433444U (zh) * 2011-12-30 2012-09-12 滁州友林科技发展有限公司 智能型抽油机控制柜的示功图采集装置
CN104729773A (zh) * 2015-03-24 2015-06-24 沈阳理工大学 基于rbf神经网络的游梁式抽油机示功图在线软测量方法及装置
CN204877445U (zh) * 2015-06-26 2015-12-16 中国石油化工股份有限公司胜利油田分公司 一种基于电参数法的抽油机示功图采集装置
CN106854986A (zh) * 2016-12-15 2017-06-16 中国石油天然气股份有限公司 一种抽油机井光杆示功图测算系统及其测算方法
CN108319749A (zh) * 2017-12-20 2018-07-24 中国石油天然气股份有限公司 一种确定示功图的方法及装置
CN208220769U (zh) * 2018-04-18 2018-12-11 中国石油天然气股份有限公司 一种抽油机井示功图获取装置及系统
CN110363337A (zh) * 2019-06-27 2019-10-22 中国石油大学(北京) 一种基于数据驱动的抽油机量油方法及系统
CN110288257A (zh) * 2019-07-01 2019-09-27 西南石油大学 一种深度超限示功图学习方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘松林等: "基于神经网络结构化组合的下行链路SINR预测", 《遥测遥控》 *
张乃禄等: "抽油机示功图电参一体化同步采集器的研制", 《油气田地面工程》 *
朱连章等: "基于深度学习的普适云服务迁移方法研究", 《太原理工大学学报》 *
樊浩杰 等: "基于栈式稀疏自编码器的抽油机故障诊断研究", 《机床与液压》 *
王祥雪等: "基于深度学习的短时交通流预测研究", 《交通运输系统工程与信息》 *
薛建泉等: "抽油机井地面示功图量油技术研究", 《石油钻采工艺》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114718525A (zh) * 2021-01-05 2022-07-08 中国石油天然气股份有限公司 抽油机控制方法、计算机设备及存储介质
CN112861912A (zh) * 2021-01-08 2021-05-28 中国石油大学(北京) 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统
CN113236228A (zh) * 2021-06-24 2021-08-10 中海石油(中国)有限公司 一种单井产量快速预测方法及系统
CN113236228B (zh) * 2021-06-24 2023-07-25 中海石油(中国)有限公司 一种单井产量快速预测方法及系统
CN113756786A (zh) * 2021-09-01 2021-12-07 中国石油大学(北京) 一种基于深度学习的抽油机井时序示功图预测方法
US11939862B2 (en) 2021-09-27 2024-03-26 Halliburton Energy Services, Inc. Cementing unit power on self test
US11643908B1 (en) 2021-11-04 2023-05-09 Halliburton Energy Services, Inc. Automated configuration of pumping equipment
US11852134B2 (en) 2021-11-04 2023-12-26 Halliburton Energy Services, Inc. Automated mix water test
WO2023091149A1 (en) * 2021-11-17 2023-05-25 Halliburton Energy Services, Inc. Predictive pump maintenance based upon utilization and operating conditions
CN116877051A (zh) * 2023-07-24 2023-10-13 西南石油大学 一种采油工程生产流量及压力异常诊断方法及设备
CN116877051B (zh) * 2023-07-24 2024-05-14 西南石油大学 一种采油工程生产流量及压力异常诊断方法及设备

Similar Documents

Publication Publication Date Title
CN110838155A (zh) 一种抽油机地面示功图全复现方法及系统
CN109447380B (zh) 油井产量确定方法及装置
CN106197970B (zh) 一种基于优化张紧弦模型的桥索监测方法及系统
CN110363337B (zh) 一种基于数据驱动的抽油机量油方法及系统
CN108363886A (zh) 基于深度学习的变形预测方法及系统
CN105239608A (zh) 一种基于wt-rs-svr相结合的滑坡位移预测方法
CN110334816B (zh) 一种工业设备检测方法、装置、设备及可读存储介质
NO20110200A1 (no) Proxymetoder for kostnadskrevende funksjonsoptimalisering med kostnadskrevende ikkelineare begrensninger
CN108470095B (zh) 基于数据驱动径向基函数模型的tbm推进力预测方法
CN111521259B (zh) 磨机检测方法、装置与设备
JP2014178203A (ja) 結晶相同定方法、結晶相同定装置、及び結晶相同定プログラム
CN108319749A (zh) 一种确定示功图的方法及装置
CN113835138B (zh) 基于深度编码解码网络预测页岩总有机碳含量的方法
Voutchkova et al. Parameter sensitivity of automated baseflow separation for snowmelt‐dominated watersheds and new filtering procedure for determining end of snowmelt period
Lemos et al. thresholdmodeling: A Python package for modeling excesses over a threshold using the Peak-Over-Threshold Method and the Generalized Pareto Distribution
CN117029968A (zh) 一种流量数据的诊断方法、系统、存储介质和电子设备
CN114664392B (zh) 电化学参数预测方法、装置、电子设备及可读存储介质
CN106844861B (zh) 正交异性钢桥面板焊接节点实测应力幅动态概率建模方法
CN106371419B (zh) 用于监视控制回路的运行的诊断装置和诊断方法
CN103745046A (zh) 一种根据分子动力学模拟预测润滑基础油减摩性能的方法
Zhao et al. Intelligent anti-corrosion expert system based on big data analysis
CN111985146A (zh) 一种措施潜力井的确定方法和确定装置
CN103389352A (zh) 油中气体色谱数据平滑处理方法
Salakhov et al. An Expert System Approach to Real-Time Diagnosis of Drill Bit Condition and Preventing Its Damage
CN116128882B (zh) 基于不平衡数据集的电机轴承故障诊断方法、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200225

RJ01 Rejection of invention patent application after publication