CN111985610A - 一种基于时序数据的抽油机井泵效预测系统和方法 - Google Patents
一种基于时序数据的抽油机井泵效预测系统和方法 Download PDFInfo
- Publication number
- CN111985610A CN111985610A CN202010683586.1A CN202010683586A CN111985610A CN 111985610 A CN111985610 A CN 111985610A CN 202010683586 A CN202010683586 A CN 202010683586A CN 111985610 A CN111985610 A CN 111985610A
- Authority
- CN
- China
- Prior art keywords
- prediction
- efficiency
- pumping
- module
- pump efficiency
- 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
- 238000005086 pumping Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000003129 oil well Substances 0.000 claims abstract description 72
- 239000003921 oil Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000010779 crude oil Substances 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 38
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 2
- 230000009471 action Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 239000012530 fluid Substances 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及一种基于时序数据的抽油机井泵效预测系统和方法,抽油机井采用油泵将地层中的原油采送至集输系统,预测系统包括:输入模块,获取与油井泵效具有关联的第一工作参数;预测模块,根据第一工作参数预测后续泵效;在预测模块预测后续泵效之前,输入模块接收抽油机井工作过程中的第二工作参数及其对应的既有油井泵效,以构成训练集,与输入模块数据连接的剔除模块从第二工作参数中获取与油井泵效强关联的主成分参数,剔除模块将主成分参数和既有油井泵效按照预设的时间步以时间先后顺序的方式输入至预测模块,预测模块基于主成分参数与对应的既有油井泵效训练生成长短期神经网络预测模型,用于其预测后续泵效。
Description
技术领域
本发明涉及石油工程智慧开采技术领域,尤其涉及一种基于时序数据的抽油机井泵效预测系统和方法。
背景技术
泵效是指抽油机井的实际产液量与泵的理论排量的比值。抽油井泵效是认识油藏、改善油井工作制度、编制科学合理开发调整方案的依据。油井泵效可以用来反应油井的目前生产能力、反应油井生产能力的动态变化、反应油井抽油设备的工作情况和反应措施作业的效果。提高抽油机井泵效是油田减缓自然递减率的有效措施之一,影响抽油机井泵效的因素,包括:泵深、泵径、动液面、抽油机冲程、抽油机冲次、原油粘度、原油密度、日产液量、日产油量、含水量、抽油机悬点最大载荷、抽油机悬点最小载荷、抽油机上行最大电流、抽油机下行最大电流等等。其中,泵深、泵径、动液面、抽油机冲程、抽油机冲次、原油粘度、原油密度是采油工程设计根据地质方案提出的日夜产量主要考虑的因素。但在实际工作中,技术人员主要是通过言传身教进行设计,存在一定的局限性。
例如,公开号为CN108170974A的中国专利公开的一种抽油井系统效率寿命分析方法。该方法是将效率寿命定义为从现在开始,效率指标在未来达到最小极限值的时间长度,并根据抽油机井系统效率参数在一定时间段内的连续数据,应用差分自回归移动平均模型进行计算,预测未来一段时间内的系统效率参数的变化趋势,从而通过ARIMA模型预测抽油机井系统效率寿命。其可通过应用ARIMA模型对抽油机井的系统效率寿命进行预测,解决了提高抽油机井系统效率优化措施效果的评价问题,通过预测计算的“效率寿命”,可以更加科学的评价优化措施效果,为抽油机井下一轮的措施优化时机提供参考依据。
油井开采过程中,油井泵效预测的主要问题包括了:1、油井的泵效在油井的生命周期内是不断变化的,比如大部分油井在开采初期油井泵效高,而在后期油井泵效低,也即油井的泵效模型是不断变化的;2、数据采集困难,由于油田大多位于戈壁、沙漠等野外,受限于通信条件,许多采集的数据不能及时地回传至油田指挥中心,从而造成预测的准确些不高。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足:鉴于利用机器学习算法建立泵效预测模型的简便性和实用性,许多学者通过BP神经网络和支持向量机(SVM)等机器学习方法来实现油井泵效的动态预测。其应用结果表明,该类基于数据挖掘思想的油田泵效预测方法具有很好的应用价值,但这些传统的机器学习方法都是通过一种点对点的方式进行映射,忽略了泵效随时间的变化趋势和数据之间的前后关联性。本发明提供了一种基于时序数据的抽油机井泵效预测系统。所述抽油机井采用油泵将地层中的原油采送至集输系统,所述预测系统包括:输入模块,获取与油井泵效具有关联的第一工作参数;预测模块,根据所述第一工作参数预测后续泵效;在所述预测模块预测后续泵效之前,所述输入模块接收抽油机井工作过程中的第二工作参数及其对应的既有油井泵效,以构成训练集,与所述输入模块数据连接的剔除模块从所述第二工作参数中获取与所述油井泵效强关联的主成分参数,所述剔除模块将所述主成分参数和所述既有油井泵效按照预设的时间步以时间先后顺序的方式输入至所述预测模块,所述预测模块基于所述主成分参数与对应的既有油井泵效训练生成长短期神经网络预测模型,用于其预测所述后续泵效。
本发明利用人工智能预测算法,结合大数据挖掘技术,通过研究抽油机井生产数据变化规律(第二工作参数)与既有泵效的定量关系,建立了一种基于长短期记忆神经网络(LSTM)的广泛应用时序数据学习和预测的油井泵效预测预警模型,该方法能够保留先前的泵效信息并传递到后续时间节点的泵效预测,能够充分考虑生产动态数据的变化趋势和前后关联性,更深层次挖掘数据间的潜在规律,预测结果更为准确可靠,符合实际的泵效变化情况,基于该方法可实时预测油井泵效并超前预警,从而帮助人们合理选择调参时机,尽可能避免油井减产,实现了抽油机井参数优化时机由传统的业务驱动向数据驱动的转变。长短期记忆神经网络(LSTM)是一种改进的循环神经网络(RNN),具有自循环结构,上一时刻的输出会影响当前时刻的输出,同时通过“门”的结构,选择性遗忘对当前时刻不重要的“经验”和记忆重要时刻的“经验”知识,从而具备较长时间范围内的记忆功能,基于该方法预测泵效能准确反映油田泵效的变化趋势,更适合于油田泵效的时序预测。
根据一种优选的实施方式,所述预测模块包括输入门、遗忘门、输出门和记忆单元,其中,将t时刻的主成分参数和及其对应的既有油井泵效输入所述遗忘门,根据t-1时刻的输出和t时刻的输入,通过激活函数,计算出0~1之间的ft值,所述ft值用于决定是否让t-1时学习到的信息Ct-1完全通过或者部分通过;所述输入门和所述遗忘门以彼此耦合的方式向所述记忆单元注入的信息进行控制,用以决定用于更新的数据;所述输入门通过sigmoid激活函数计算更新值it;利用tanh激活函数计算更新向量;利用所述更新向量对t-1时刻的记忆单元进行更新,得到t时刻的记忆单元对应的输出向量;计算所述记忆单元的输出:通过sigmoid函数得到一个初始输出,然后采用tanh函数将所述输出向量归一化到-1~1之间,在与sigmoid得到的初始输出相乘,得到输出ht。
根据一种优选的实施方式,所述预测模块基于预设的训练集得到所述长短期神经网络预测模型之后,采用另一组预设的验证集对所述长短期神经网络预测模型进行验证,在验证精度达到预设精度的情况下,所述输入模块能够获取与油井泵效具有关联的第一工作参数;在验证精度不满足预设精度的情况下,所述预测模块能够通过网格搜索的方式调节所述长短期神经网络预测模型的网格结构参数。
根据一种优选的实施方式,所述预测系统能够基于所述后续泵效输出预警信息,用于诊断所述抽油机井是否出现故障或者即将出现故障,以使得云端监控中心能够基于所述预警信息优化或调整抽油机井的生产参数。。
根据一种优选的实施方式,所述输入模块与设置于所述抽油机井的RTU中控采集模块能够建立间断的通信连接,以使得所述RTU中控采集模块能够将以时间为标识码打包的所述第一工作参数按照契合所述抽油机井作业规律的方式发送至所述输入模块,其中,所述第一工作参数与所述主成分参数彼此对应。
根据一种优选的实施方式,所述预测模块内配置有优化器,所述优化器内配置有损失函数,用于对所述长短期神经网络预测模型进行优化。
根据一种优选的实施方式,所述预测模块能够采用决定系数法、平均绝对偏差法、平均相对误差法、均方误差法和希尔不等系数法中的至少一种方法对所述预测模型进行验证。
根据一种优选的实施方式,所述剔除模块能够采用主成分分析法和平均不纯度减少法中的至少一种方法以从所述第二工作参数中筛选出所述主成分参数。
根据一种优选的实施方式,本发明提供一种基于时序数据的抽油机井泵效预测方法,包括:获取与油井泵效相关的第一工作参数;根据所述第一工作参数预测后续泵效;在预测后续泵效之前,获取接收抽油机井工作过程中的至少一个与时间关联的第二工作参数及其对应的既有油井泵效,从所述第二工作参数中筛选出与所述油井泵效强关联的主成分参数;并且将所述主成分参数和所述既有油井泵效按照预设的时间步以时间先后顺序的方式输入预测模块,所述预测模块基于所述主成分参数与对应的既有油井泵效生成长短期神经网络预测模型,用于预测所述后序泵效。
根据一种优选的实施方式,本发明提供一种基于机器学习方法的抽油机井泵效预测方法,其特征在于,包括:对构建的数据集划分为训练集、验证集和测试集,分别用于模型的训练、超参数调优和模型预测效果评价;对输入特征基于MDI/PCA方法分析各个变量的重要性,筛选出影响泵效的因素,剔除无关特征;为了消除特征之间量纲差异给模型带来的误差,并加快模型训练速度,对各个输入特征进行归一化处理,建立标准的机器学习数据集;在训练集上对LSTM模型进行训练,并在验证集上,通过网格搜索确定LSTM的最优超参数,得到最终的预测模型;在测试集上对比模型预测结果与实际值的差距,测试LSTM模型的预测效果。
附图说明
图1是本发明提供的一种预测系统的模块示意图;和
图2是本发明提供的一种预测方法的流程示意图。
附图标记列表
100:输入模块 300:预测模块
200:剔除模块
具体实施方式
下面结合附图1和2进行详细说明。
实施例1
本实施例公开一种基于时序数据的抽油机井泵效预测系统。抽油机井一般采用泵设备将地层中的原油采送至地面或近地面的集输系统,如储油罐或者集输管道中。预测系统包括输入模块100、剔除模块200和预测模块300.
输入模块100主要用于获取第二工作参数及其对应的既有泵效、用于获取与油井泵效具有关联的第一工作参数、以及由历史生产数据构成的验证集等。输入模块100通过剔除模块200与预测模块300数据连接,基于第二工作参数训练数据,生产长短期神经网络预测模型。输入模块100和预测模块300数据连接,根据第二工作参数基于长短期神经网络预测模型预测后续泵效。
在预测模块300预测后续泵效之前,输入模块100接收抽油机井工作过程中的第二工作参数及其对应的既有油井泵效,以构成训练集。例如,训练集主要是以时间为标识符由各个训练单元构成的。各个训练单元包括油井静态数据(油藏岩石物性、井眼轨迹等)、历史动态日报数据(时间、油压、套压、泵深、泵理论排量、含水率、井液粘度、动液面等);设备工况数据(时间、电流、电压、功率、功率因数、瞬时耗电量、服役时间、泵效、系统效率)等。
剔除模块200将从第二工作参数中获取与油井泵效强关联的主成分参数。通过准确选取影响油井泵效的主要特征参数,对于分析主控因素、提高模型的泛化能力和预测精度具有重要意义,也能够提高预测模块300的训练效率。剔除模块200将主成分参数和既有油井泵效按照预设的时间步以时间先后顺序的方式输入至预测模块300,预测模块300基于主成分参数与对应的既有油井泵效训练生成长短期神经网络预测模型,用于其预测后续泵效。本发明的长短期神经网络预测模型的构建过程为:相比较于传统的神经网络模型,本发明增加了遗忘门、输入门、输出门和记忆单元。遗忘门可以控制上一时刻隐层状态的遗忘程度,ft取值为0的时候表示没有信息通过,当取值为1表示信息完全通过,保留这一时刻的记忆。数学表达式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
输出层通过sigmoid层得到一个初始输出,并结合tanh层决定模型最终的输出值。计算过程如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot·tanh(Ct)
上述(9)-(13)式中,σ表示sigmoid激活函数;ft表示t时刻遗忘门的输出;Wf、bf分别表示遗忘门权重和偏置项;it表示t时刻输出层的输出;Wi、bi分别表示输入门权重和偏置项;WC、bC分别表示tanh层的权重和偏置项;Wo、bo分别表示输出层的权重和偏置项;Ct表示记忆单元在t时刻的状态;ot表示t时刻输出层的输出;表示t时刻tanh层的输出。
LSTM通过门控制器和新的记忆单元,在RNN原有的短期记忆之上保留了长期记忆,对于长序列的理解分析能力大幅度提高,能更好的适应具有长时依赖特征的时序预测问题。油井泵效变化具有较强的前后关联特性,利用LSTM神经网络更能有效学习和挖掘泵效数据的变化规律,实现泵效的准确预测。因此,采用LSTM建立泵效预测模型是更适合解决油井泵效、系统效率的时序预测问题。
优选地,预测系统能够基于后续泵效输出预警信息。在抽油机井连续生产的过程中,如果生产参数没有发生较大的波动或者抽油设备没有发生故障,泵效基本维持在一个窄幅的波动范围内。如果预测的泵效出现了较大的跳跃,如突然增大或者突然减小,则可以基于后厨泵效来诊断抽油机井是否出现故障或者即将出现故障。为此,预测系统可以与云端监控中心通信连接,预测系统将出现波动较大的泵效及其对应的原始生产数据发送至云端监控中心,以使得云端监控中心能够基于预警信息优化或调整抽油机井的生产参数。云端监控中心可以采用Pearson相关系数方法、主成分分析和平均不纯度减少MDI方法逆向查找引起泵效发送剧烈波动的生产参数,以确定对某一个生产参数进行优化或者调整,超前控制,防止泵效出现剧烈波动。
优选地,输入模块100与设置于抽油机井的RTU中控采集模块能够建立间断的通信连接。油田抽油机井与油田开采指挥中心之间的通信受地理条件等因素的影响容易中断或者堵塞,如果采集的数据过多,势必会增加通信开销,极易造成通信堵塞,从而导致预测系统无法有效地获取第一工作参数,进一步地直接导致预测油井泵效的滞后,不利于后续油田的开采方案的调整。为此,输入模块100与RTU中控采集模块间断式连接,比如可以根据星历数据来设置其通信的周期,又比如,RTU中控采集模块能够将按照契合抽油机井作业规律的方式发送至输入模块100。抽油机井作业规律主要是抽油机井的作业频率会根据油田指挥中心的工作方案动态调整,因此,输入模块100与RTU中控采集的通信周期需要符合油田指挥中心的工作方案。RTU中空采集模块将以时间为标识码打包的第一工作参数发送至输入模块100。优选地,第一工作参数与主成分参数彼此对应,以降低通信开销并且降低RTU中空采集模块的处理量。
实施例2
本实施例可以是对实施例1的进一步改进和/或补充,重复的内容不再赘述。在不造成冲突或者矛盾的情况下,其他实施例的优选实施方式的整体和/或部分内容可以作为本实施例的补充。
影响抽油机井泵效的因素很多,包括:油井静态数据(油藏岩石物性、井眼轨迹等);历史动态日报数据(时间、油压、套压、泵深、泵理论排量、含水率、井液粘度、动液面等);设备工况数据(时间、电流、电压、功率、功率因数、瞬时耗电量、服役时间、泵效、系统效率)等。通过准确选取影响油井泵效的主要特征参数,对于分析主控因素、提高模型的泛化能力和预测精度具有重要意义,本文采用Pearson相关系数分析变量间的相关性,选用主成分分析PCA与平均不纯度减少(MDI)方法对数据进行降维。经过本发明之发明人研究发现:泵深、泵径、理论泵排量、动液面、平均有功功率、日耗电量、产液量等7项参数相关性系数的绝对值大于0.7,与抽油机井泵效密切相关,将这7项参数作为预测油井泵效的主成分参数。
1)Pearson相关系数
皮尔逊相关系数也称为皮尔逊积矩相关系数(Pearson product-momentcorrelation coefficient),是一种线性相关系数,记为r,用来反映两个变量X和Y的线性相关程度,r值介于–1~1之间,其绝对值越大表明相关性越强。2个n维向量x、y的Pearson相关系数的计算公式如下:
2)主成分分析(PCA)
主成分分析(Principal Component Analysis)是把原来多个变量简化为少数几个综合指标的一种统计分析方法;从数学角度看,这是一种降维处理技术。抽油机井泵效预测包含多要素的复杂系统,将大量因素作为模型输入参数无疑会增加分析问题的难度和复杂性,利用各个因素之间的相关关系,用降维后的主成分代替原来较多的影响因素。
式中,n=样本数,p=因素数量。
记P个影响因素为x1,x2,…,xP,设它们降维处理后的综合指标,即主成分为z1,z2,…,zm(m≤P),则:
系数lij的确定原则:(1)zi与zj(i≠j;i,j=1,2,…,m)互不相关;(2)z1是x1,x2,…,x8的一切线性组合中方差最大者,z2是与z1不相关的x1,x2,…,x8的所有线性组合中方差最大者,zm是与z1,z2,…,zm-1都不相关的x1,x2,…,x8的所有线性组合中方差最大者。
3)平均不纯度减少(MDI)方法
平均不纯度减少(mean decrease impurity)通过计算每个特征对树模型预测误差的平均减少程度,并将该值作为特征重要性的度量依据。假设存在m个特征(x1,x2,...,xm),利用这m个特征和观测值yobs所构成的数据集训练随机森林(RF)模型,得到该模型的预测误差Errorstd:
当剔除特征xi时,得到RF模型的预测误差Errori。因而特征xi对于响应变量少的重要性可定义如下:
同理:可获得其余特征的MDI值,依据该值对特征参数的重要性进行排序,与油井泵效无关的特征参数,平均不纯度减少量较小,从而可以剔除该无效特征变量,构建最终的有效特征参数。
实施例3
本实施例可以是对实施例1、2或者其结合的进一步改进和/或补充,重复的内容不再赘述。本实施例公开了,在不造成冲突或者矛盾的情况下,其他实施例的优选实施方式的整体和/或部分内容可以作为本实施例的补充。
本实施例公开长短期神经网络模型的测试方法,用于预测模块300对其训练好的预测模型进行测试。在测试集上评价预测模型的泛化能力,即模型的泵效预测效果。采用的预测效果评价指标主要包括:决定系数R2;平均绝对偏差MAD;平均相对误差MAPE;均方误差RMSE;希尔不等系数TIC。
(1)决定系数R2:表征回归方程在多大程度上解释了因变量的变化对观测值的拟合程度,其计算公式所示为:
(2)平均绝对误差(Mean Absolute Error,MAE)可以反映预测值误差的实际情况,其计算公式所示为:
(3)平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)可用于衡量模型预测结果的好坏,其计算公式所示为:
(4)均方误差(Root Mean Squard Error,RMSE)用来衡量观测值同真实值之间的偏差,其计算公式所示为:
(5)希尔不等系数TIC是一个介于0到1之间的常数,数值越接近0时表示预测精度越高,当等于零时,表示100%拟合,其计算公式所示为:
实施例4
本实施例还公开了一种基于时序数据的抽油机井泵效预测方法,该方法可以由本发明的系统和/或其他可替代的零部件实现。比如,通过使用本发明的系统中的各个零部件实现本发明的方法。
该预测方法主要包括了:
①对构建的数据集划分为训练集、验证集和测试集,分别用于模型的训练、超参数调优和模型预测效果评价。训练集、验证集和测试集按照7:2:1配置,利于模型的精度和建立模型的效率。
②对输入特征基于MDI/PCA方法分析各个变量的重要性,筛选出影响油井日产油量的因素,剔除无关特征。
③为了消除特征之间量纲差异给模型带来的误差,并加快模型训练速度,对各个输入特征进行归一化处理,建立标准的机器学习数据集。
④在训练集上对LSTM模型进行训练,并在验证集上,通过网格搜索确定LSTM的最优超参数,得到最终的预测模型。
⑤在测试集上对比模型预测结果与实际值的差距,测试LSTM模型的预测效果。
该预测方法,如图2所示,主要包括S步骤构建预测模型和F步骤泵效预测。
S:构建预测模型
S1:样本采集,在抽油机井举升采油的过程中,获取第二工作参数及其对应的泵效。其中,第二工作参数包括如下参数中的至少一个:服役时间、油套压、泵深、冲程、冲次、泵径、动液面、电流、电压、产液量、系统效率。
S2:主成分参数筛选,即选择特征参数,特征参数与油井泵效的相关性需要大于设定相关性阈值,相关性阈值一般设定为70%。特征选择一方面应用降维方法确定主控因素,去除对泵效影响极小的因素;另一方面数据降维,可避免过多的输入变量导致训练网络规模过大、参数过多、收敛速度慢的问题,能够有效地降低运算时间提高运算效率。同时,确定了主成分参数之后,在预测的过程中,可以直接地采集主成分参数对应的数据,来进行预测,降低了数据采集的成本,降低了油田采油数据采集的复杂程度。(油田抽油机井与油田开采指挥中心之间的通信受地理条件等因素的影响容易中断或者堵塞,如果采集的数据过多,势必会增加通信开销,极易造成通信堵塞,从而导致预测系统无法有效地获取第一工作参数,进一步地直接导致预测油井泵效的滞后,不利于后续油田的开采方案的调整)。经过本发明之发明人研究发现:泵深、泵径、理论泵排量、动液面、平均有功功率、日耗电量、产液量等7项参数相关性系数的绝对值大于0.7,与抽油机井泵效密切相关,将这7项参数作为预测油井泵效的主成分参数。
S3:数据训练,由于采集的第一工作参数中的量纲不完全统一,为了加快模型的训练速度和预测精度,需要对第一工作参数中的数据进行归一化处理。归一化的处理方式为:
xstd=(x-xmin)/(xmax-xmin)
式中,x表示待归一化的特征参数,xmin、xmax分别表示特征参数的最大值和最小值;xstd表示归一化处理后的待学习参数。
本发明的长短期神经网络预测模型的构建过程为:相比较于传统的神经网络模型,本发明增加了遗忘门、输入门、输出门和记忆单元。遗忘门可以控制上一时刻隐层状态的遗忘程度,ft取值为0的时候表示没有信息通过,当取值为1表示信息完全通过,保留这一时刻的记忆。数学表达式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
输出层通过sigmoid层得到一个初始输出,并结合tanh层决定模型最终的输出值。计算过程如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot·tanh(Ct)
上述(9)-(13)式中,σ表示sigmoid激活函数;ft表示t时刻遗忘门的输出;Wf、bf分别表示遗忘门权重和偏置项;it表示t时刻输出层的输出;Wi、bi分别表示输入门权重和偏置项;WC、bC分别表示tanh层的权重和偏置项;Wo、bo分别表示输出层的权重和偏置项;Ct表示记忆单元在t时刻的状态;ot表示t时刻输出层的输出;表示t时刻tanh层的输出。
LSTM通过门控制器和新的记忆单元,在RNN原有的短期记忆之上保留了长期记忆,对于长序列的理解分析能力大幅度提高,能更好的适应具有长时依赖特征的时序预测问题。油井泵效变化具有较强的前后关联特性,利用LSTM神经网络更能有效学习和挖掘泵效数据的变化规律,实现泵效的准确预测。因此,采用LSTM建立泵效预测模型是更适合解决油井泵效、系统效率的时序预测问题。
S4:模型优化,本发明中,为了能够提高计算效率和降低内存需求,对获得的长短期神经网络预测模型进行优化。Adam是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重。Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率(即alpha)更新所有的权重,学习率在训练过程中并不会改变,而Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。一种对随机目标函数执行一阶梯度优化的算法,该算法基于适应性低阶矩估计,Adam算法很容易实现,并且有很高的计算效率和较低的内存需求。在验证集上通过网格搜索,确定模型最优的网络结构参数:epochs=120;batch_size=4;time_step=3;rnn_units=1024。
S5:模型测试,对优化的长短期神经网络预测模型进行测试,测试集来自于样本数据,其大概占总样本的10%。即通过输入已知的既有油井泵效对应的主成分参数,然后输出预测的泵效,如果其预测的泵效与既有油井泵效的误差在设定的阈值范围内,并且预测的泵效与既有油井泵效的误差的稳定性在设定的阈值范围,则该预测模型可以用于油井泵效的预测。
F:泵效预测
F1:获取第一工作参数,优选地,第一工作参数是根据由第二工作参数确定出的主成分参数而确定的。油田抽油机井与油田开采指挥中心之间的通信受地理条件等因素的影响容易中断或者堵塞,如果采集的数据过多,势必会增加通信开销,极易造成通信堵塞,从而导致预测系统无法有效地获取第一工作参数,进一步地直接导致预测油井泵效的滞后,不利于后续油田的开采方案的调整。
F2:将第一工作参数输入长短期神经网络预测模型。由于传统的BP神经网络无法准确地描述油井泵效变化在时间维度上的相关性。因此,本发明考虑了生产动态和抽油设备工况的变化趋势和前后关联性来建立基于时序数据的泵效预测模型;本发明的泵效预测模型预测的泵效的准确率大致相对于传统的BP神经网络模型提高了约70%左右。如下表所示为,本发明与传统的BP神经网络模型对某抽油井在一段时间内的泵效预测的数据对比:
长短期记忆神经网络(LSTM)是一种改进的循环神经网络(RNN),具有自循环结构,上一时刻的输出会影响当前时刻的输出,同时通过“门”的结构,选择性遗忘对当前时刻不重要的“经验”和记忆重要时刻的“经验”知识,从而具备较长时间范围内的记忆功能,基于该方法预测泵效能准确反映油田泵效的变化趋势,更适合于油田泵效的时序预测。
为此,本发明利用人工智能预测算法,结合大数据挖掘技术,通过研究抽油机井生产数据变化规律与泵效的定量关系,建立了一种基于长短期记忆神经网络(LSTM)的广泛应用时序数据学习和预测的油井泵效预测预警模型,该方法能够保留先前的泵效信息并传递到后续时间节点的泵效预测,能够充分考虑生产动态数据的变化趋势和前后关联性,更深层次挖掘数据间的潜在规律,预测结果更为准确可靠,符合实际的泵效变化情况,基于该方法可实时预测油井泵效并超前预警,从而协助工程人员合理选择调参时机,尽可能避免油井减产,实现了抽油机井参数优化时机由传统的业务驱动向数据驱动的转变。针对抽油井泵效的动态预测是油田开发过程中的主要研究内容,对于认识油井工况、改善油井的工作制度、提高泵效和节能降耗具有重要指导意义。本发明根据抽油机井生产动态数据和举升设备的工况数据,利用皮尔逊相关系数分析方法,分析了抽油机井属性数据的关联性,根据平均不纯度减少(MDI)方法和主成分分析方法PCA进行数据降维确定主控参数,提供了一种基于机器学习方法的抽油机井泵效预测方法。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
本发明说明书包含多项发明构思,诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思,申请人保留根据每项发明构思提出分案申请的权利。
Claims (10)
1.一种基于时序数据的抽油机井泵效预测系统,所述抽油机井采用油泵将地层中的原油采送至集输系统,所述预测系统包括:
输入模块(100),获取与油井泵效具有关联的第一工作参数;
预测模块(300),根据所述第一工作参数预测后续泵效;
其特征在于,
在所述预测模块(300)预测后续泵效之前,所述输入模块(100)接收抽油机井工作过程中的第二工作参数及其对应的既有油井泵效,以构成训练集,与所述输入模块(100)数据连接的剔除模块(200)从所述第二工作参数中获取与所述油井泵效强关联的主成分参数,所述剔除模块(200)将所述主成分参数和所述既有油井泵效按照预设的时间步以时间先后顺序的方式输入至所述预测模块(300),所述预测模块(300)基于所述主成分参数与对应的既有油井泵效训练生成长短期神经网络预测模型,用于其预测所述后续泵效。
2.根据权利要求1所述的预测系统,其特征在于,所述预测模块(300)包括输入门、遗忘门、输出门和记忆单元,
其中,将t时刻的主成分参数和及其对应的既有油井泵效输入所述遗忘门,根据t-1时刻的输出和t时刻的输入,通过激活函数,计算出0~1之间的ft值,所述ft值用于决定是否让t-1时学习到的信息Ct-1完全通过或者部分通过;
所述输入门和所述遗忘门以彼此耦合的方式向所述记忆单元注入的信息进行控制,用以决定用于更新的数据;所述输入门通过sigmoid激活函数计算更新值it;利用tanh激活函数计算更新向量;
利用所述更新向量对t-1时刻的记忆单元进行更新,得到t时刻的记忆单元对应的输出向量;
计算所述记忆单元的输出:通过sigmoid函数得到一个初始输出,然后采用tanh函数将所述输出向量归一化到-1~1之间,在与sigmoid得到的初始输出相乘,得到输出ht。
3.根据权利要求1或2所述的预测系统,其特征在于,所述预测模块(300)基于预设的训练集得到所述长短期神经网络预测模型之后,采用另一组预设的验证集对所述长短期神经网络预测模型进行验证,
在验证精度达到预设精度的情况下,所述输入模块(100)能够获取与油井泵效具有关联的第一工作参数;
在验证精度不满足预设精度的情况下,所述预测模块(300)能够通过网格搜索的方式调节所述长短期神经网络预测模型的网格结构参数。
4.根据前述权利要求之一所述的预测系统,其特征在于,所述预测系统能够基于所述后续泵效输出预警信息,用于诊断所述抽油机井是否出现故障或者即将出现故障,以使得云端监控中心能够基于所述预警信息优化或调整抽油机井的生产参数。
5.根据前述权利要求之一所述的预测系统,其特征在于,所述输入模块(100)与设置于所述抽油机井的RTU中控采集模块能够建立间断的通信连接,以使得所述RTU中控采集模块能够将以时间为标识码打包的所述第一工作参数按照契合所述抽油机井作业规律的方式发送至所述输入模块(100),
其中,所述第一工作参数与所述主成分参数彼此对应。
6.根据前述权利要求之一所述的预测系统,其特征在于,所述预测模块(300)内配置有优化器,所述优化器内配置有损失函数,用于对所述长短期神经网络预测模型进行优化。
7.根据前述权利要求之一所述的预测系统,其特征在于,所述预测模块(300)能够采用决定系数法、平均绝对偏差法、平均相对误差法、均方误差法和希尔不等系数法中的至少一种方法对所述预测模型进行验证。
8.根据前述权利要求之一所述的预测系统,其特征在于,所述剔除模块(200)能够采用主成分分析法和平均不纯度减少法中的至少一种方法以从所述第二工作参数中筛选出所述主成分参数。
9.一种基于时序数据的抽油机井泵效预测方法,包括:
获取与油井泵效相关的第一工作参数;
根据所述第一工作参数预测后续泵效;
其特征在于,
在预测后续泵效之前,获取接收抽油机井工作过程中的至少一个与时间关联的第二工作参数及其对应的既有油井泵效,从所述第二工作参数中筛选出与所述油井泵效强关联的主成分参数;并且将所述主成分参数和所述既有油井泵效按照预设的时间步以时间先后顺序的方式输入预测模块(300),所述预测模块(300)基于所述主成分参数与对应的既有油井泵效生成长短期神经网络预测模型,用于预测所述后序泵效。
10.一种基于机器学习方法的抽油机井泵效预测方法,其特征在于,包括:
对构建的数据集划分为训练集、验证集和测试集,分别用于模型的训练、超参数调优和模型预测效果评价;
对输入特征基于MDI/PCA方法分析各个变量的重要性,筛选出影响油井泵效的因素,剔除无关特征;
为了消除特征之间量纲差异给模型带来的误差,并加快模型训练速度,对各个输入特征进行归一化处理,建立标准的机器学习数据集;
在训练集上对LSTM模型进行训练,并在验证集上,通过网格搜索确定LSTM的最优超参数,得到最终的预测模型;
在测试集上对比模型预测结果与实际值的差距,测试LSTM模型的预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683586.1A CN111985610B (zh) | 2020-07-15 | 2020-07-15 | 一种基于时序数据的抽油机井泵效预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683586.1A CN111985610B (zh) | 2020-07-15 | 2020-07-15 | 一种基于时序数据的抽油机井泵效预测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985610A true CN111985610A (zh) | 2020-11-24 |
CN111985610B CN111985610B (zh) | 2024-05-07 |
Family
ID=73438393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010683586.1A Active CN111985610B (zh) | 2020-07-15 | 2020-07-15 | 一种基于时序数据的抽油机井泵效预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985610B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112360399A (zh) * | 2020-11-30 | 2021-02-12 | 中国石油大学(北京) | 煤层气产量预测方法、装置及设备 |
CN112832744A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于lstm神经网络的抽油机井检泵周期预测方法 |
CN112861422A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 一种深度学习的煤层气螺杆泵井健康指数预测方法及系统 |
CN112861423A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 数据驱动的注水油藏优化方法和系统 |
CN113011089A (zh) * | 2021-03-05 | 2021-06-22 | 中国石油大学(华东) | 一种基于深度学习的机采井系统效率优化方法与装置 |
CN113034300A (zh) * | 2021-01-11 | 2021-06-25 | 中国石油天然气股份有限公司 | 一种基于数据挖掘的丛式油井智能注剂方法及注剂系统 |
CN114718514A (zh) * | 2021-01-06 | 2022-07-08 | 中国石油化工股份有限公司 | 基于功率加权预测的抽油机直流母线群控算法 |
CN114764966A (zh) * | 2021-01-14 | 2022-07-19 | 新智数字科技有限公司 | 一种基于联合学习的油气井趋势预警方法及装置 |
CN115081673A (zh) * | 2022-05-05 | 2022-09-20 | 国家石油天然气管网集团有限公司 | 一种油气管道的异常预测方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201548851U (zh) * | 2009-11-24 | 2010-08-11 | 大庆恒通电子有限公司 | 油井远程监控装置 |
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
WO2019110851A1 (en) * | 2017-12-08 | 2019-06-13 | Solution Seeker As | Modelling of oil and gas networks |
CN110163347A (zh) * | 2019-05-24 | 2019-08-23 | 刘斌 | 一种煤矿井下人体姿态监测方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
-
2020
- 2020-07-15 CN CN202010683586.1A patent/CN111985610B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201548851U (zh) * | 2009-11-24 | 2010-08-11 | 大庆恒通电子有限公司 | 油井远程监控装置 |
WO2016145850A1 (zh) * | 2015-03-19 | 2016-09-22 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
WO2019110851A1 (en) * | 2017-12-08 | 2019-06-13 | Solution Seeker As | Modelling of oil and gas networks |
CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN110163347A (zh) * | 2019-05-24 | 2019-08-23 | 刘斌 | 一种煤矿井下人体姿态监测方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
Non-Patent Citations (5)
Title |
---|
"基于数据挖掘的长短期记忆网络模型油井产量预测方法", pages 1 - 6, Retrieved from the Internet <URL:《https://wenku.baidu.com/view/37da860df38583d049649b6648d7c1c709a10b58?fr=xueshu_top&_wkts_=1712029453214 》> * |
MUHAMMAD NIZAR YOGA PRATAMA等: "2019 Fourth International Conference on Informatics and Computing (ICIC)", 《2019 FOURTH INTERNATIONAL CONFERENCE ON INFORMATICS AND COMPUTING (ICIC)》, 10 February 2020 (2020-02-10), pages 1 - 5 * |
YULIAN WEN: "Research of Stock Price Prediction Based on PCA-LSTM Model", pages 1 - 7, Retrieved from the Internet <URL:《https://www.researchgate.net/publication/340490809_Research_of_Stock_Price_Prediction_Based_on_PCA-LSTM_Model》> * |
刘巍等: "基于机器学习方法的油井日产油量预测", 《石油钻采工艺》, pages 1 - 6 * |
邴绍强: "基于人工智能的抽油机井结蜡预警方法", 《石油钻探技术》, 22 July 2019 (2019-07-22), pages 93 - 107 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112360399A (zh) * | 2020-11-30 | 2021-02-12 | 中国石油大学(北京) | 煤层气产量预测方法、装置及设备 |
CN114718514B (zh) * | 2021-01-06 | 2024-05-17 | 中国石油化工股份有限公司 | 基于功率加权预测的抽油机直流母线群控算法 |
CN114718514A (zh) * | 2021-01-06 | 2022-07-08 | 中国石油化工股份有限公司 | 基于功率加权预测的抽油机直流母线群控算法 |
CN112832744A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于lstm神经网络的抽油机井检泵周期预测方法 |
CN112861423B (zh) * | 2021-01-08 | 2023-06-02 | 中国石油大学(北京) | 数据驱动的注水油藏优化方法和系统 |
CN112861422A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 一种深度学习的煤层气螺杆泵井健康指数预测方法及系统 |
CN112861423A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 数据驱动的注水油藏优化方法和系统 |
CN112861422B (zh) * | 2021-01-08 | 2023-05-19 | 中国石油大学(北京) | 一种深度学习的煤层气螺杆泵井健康指数预测方法及系统 |
CN113034300A (zh) * | 2021-01-11 | 2021-06-25 | 中国石油天然气股份有限公司 | 一种基于数据挖掘的丛式油井智能注剂方法及注剂系统 |
CN113034300B (zh) * | 2021-01-11 | 2023-12-26 | 中国石油天然气股份有限公司 | 一种基于数据挖掘的丛式油井智能注剂方法及注剂系统 |
CN114764966A (zh) * | 2021-01-14 | 2022-07-19 | 新智数字科技有限公司 | 一种基于联合学习的油气井趋势预警方法及装置 |
CN113011089B (zh) * | 2021-03-05 | 2022-05-20 | 中国石油大学(华东) | 一种基于深度学习的机采井系统效率优化方法与装置 |
CN113011089A (zh) * | 2021-03-05 | 2021-06-22 | 中国石油大学(华东) | 一种基于深度学习的机采井系统效率优化方法与装置 |
CN115081673A (zh) * | 2022-05-05 | 2022-09-20 | 国家石油天然气管网集团有限公司 | 一种油气管道的异常预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111985610B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985610A (zh) | 一种基于时序数据的抽油机井泵效预测系统和方法 | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN110029986B (zh) | 基于粒子群极限学习机的游梁式抽油机的动液面预测方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN107305601B (zh) | 一种抽油机井系统效率因素分析方法 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN105046326A (zh) | 基于功图主元分析的抽油机参数优化方法 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
CN115310532A (zh) | 一种基于时空关联混合深度学习模型的流域多点预测预警方法 | |
CN116306229A (zh) | 一种基于深度强化学习和迁移学习电力短期负荷预测方法 | |
CN115222065A (zh) | 一种基于Stacking集成学习的井口压力在线多步预测方法 | |
CN112861422B (zh) | 一种深度学习的煤层气螺杆泵井健康指数预测方法及系统 | |
CN113756786A (zh) | 一种基于深度学习的抽油机井时序示功图预测方法 | |
CN116303626B (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
CN113537706A (zh) | 一种基于智能集成的油田增产措施优选方法 | |
Zhou et al. | Application of BP neural network in efficiency prediction of oilfield mechanized mining system | |
Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
CN113627640B (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 | |
Feder | Machine-learning approach determines spatial variation in shale decline curves | |
CN116906025B (zh) | 一种采油工程生产异常诊断装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |