CN112523730A - 抽油机冲次筛选方法、机器学习模型获得方法及相关装置 - Google Patents
抽油机冲次筛选方法、机器学习模型获得方法及相关装置 Download PDFInfo
- Publication number
- CN112523730A CN112523730A CN201910880594.2A CN201910880594A CN112523730A CN 112523730 A CN112523730 A CN 112523730A CN 201910880594 A CN201910880594 A CN 201910880594A CN 112523730 A CN112523730 A CN 112523730A
- Authority
- CN
- China
- Prior art keywords
- stroke
- stroke frequency
- machine learning
- pump
- frequency
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 113
- 238000005086 pumping Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012216 screening Methods 0.000 title claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 247
- 239000007788 liquid Substances 0.000 claims abstract description 100
- 239000003129 oil well Substances 0.000 claims abstract description 98
- 238000010586 diagram Methods 0.000 claims description 51
- 239000012530 fluid Substances 0.000 claims description 26
- 238000006073 displacement reaction Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 12
- 238000011010 flushing procedure Methods 0.000 claims description 5
- 238000007873 sieving Methods 0.000 claims 1
- 239000003208 petroleum Substances 0.000 abstract description 4
- 239000003921 oil Substances 0.000 description 39
- 230000008859 change Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/12—Methods or apparatus for controlling the flow of the obtained fluid to or in wells
- E21B43/121—Lifting well fluids
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Geophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了抽油机冲次筛选方法、机器学习模型获得方法及相关装置，可以获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。本发明根据抽油泵泵效对冲次进行筛选，可以筛选出抽油泵泵效较高的冲次，进而可以根据该冲次有效优化石油生产过程。
Description
技术领域
本发明涉及石油开采技术领域，尤其涉及抽油机冲次筛选方法、机器学习模型获得方法及相关装置。
背景技术
在石油开采领域，抽油井十分普遍。抽油井通过抽油机做往复运动将地层中的原油举升到地面，抽油机的动力由抽油泵提供。
抽油泵泵效是抽油井在生产过程中的产液量与抽油泵排量的比值，抽油泵泵效越高，证明抽油机的运行效率越高，反之越低。
如何提高抽油泵泵效仍是本领域一个亟待解决的技术难题。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的抽油机冲次筛选方法、机器学习模型获得方法及相关装置，方案如下：
一种抽油机冲次筛选方法，包括：
获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；
根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；
将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；
根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；
从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。
可选的，所述生产参数还包括：泵径、冲程、油压、套压、动液面深度、示功图的载荷与位移、有效冲程、示功图面积中的至少一个。
可选的，所述根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效，包括：
将各调整后的冲次及对应的所述产液量输入公式
中，计算得到各调整后的冲次对应的抽油机的抽油泵泵效，其中，η为抽油泵泵效，d为泵径，L为冲程，n为冲次，Q为预设时长的产液量，t为所述预设时长包含的分钟数量。
可选的，所述根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效，包括：
获得所述预设的机器学习模型根据具有对应关系的冲次和所述产液量，确定的各调整后的冲次对应的抽油机的抽油泵泵效。
可选的，所述从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次，包括：
从各调整后的冲次中筛选出对应的抽油泵泵效最高的冲次。
一种机器学习模型获得方法，包括：
获得抽油井的在历史时间段内的多组生产参数，每组所述生产参数中至少包括：冲次和产液量，不同组的所述生产参数的采集时刻不同；
将获得的所述多组生产参数作为训练数据，对所述训练数据进行机器学习，获得机器学习模型，所述机器学习模型的输入为：不包括产液量在内的所述生产参数，所述机器学习模型的输出为抽油机的抽油泵泵效。
一种抽油机冲次筛选装置，包括：第一参数获得单元、冲次调整单元、产液量获得单元、泵效确定单元和冲次筛选单元，
所述第一参数获得单元，用于获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；
所述冲次调整单元，用于根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；
所述产液量获得单元，用于将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；
所述泵效确定单元，用于根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；
所述冲次筛选单元，用于从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。
一种机器学习模型获得装置，包括：第二参数获得单元和模型训练单元，
所述第二参数获得单元，用于获得抽油井的在历史时间段内的多组生产参数，每组所述生产参数中至少包括：冲次和产液量，不同组的所述生产参数的采集时刻不同；
所述模型训练单元，用于将获得的所述多组生产参数作为训练数据，对所述训练数据进行机器学习，获得机器学习模型，所述机器学习模型的输入为：不包括产液量在内的所述生产参数，所述机器学习模型的输出为抽油机的抽油泵泵效。
一种设备，包括：存储器和处理器，
其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，以执行如上述的任一种抽油机冲次筛选方法和/或上述的任一种机器学习模型获得方法。
一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上述的任一种抽油机冲次筛选方法和/或上述的任一种机器学习模型获得方法。
借由上述技术方案，本发明实施例提供的抽油机冲次筛选方法、机器学习模型获得方法及相关装置，可以获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。本发明可以获得包括冲次的生产参数，通过调整冲次来获得冲次不同的多组生产参数，从而获得机器学习模型得到的和冲次对应的产液量，并根据产液量和冲次获得不同冲次下的抽油泵泵效，进而实现对冲次从筛选。本发明根据抽油泵泵效对冲次进行筛选，可以筛选出抽油泵泵效较高的冲次，进而可以根据该冲次有效优化石油生产过程。
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抽油机冲次筛选方法的流程图；
图2示出了本发明实施例提供的一种示功图的示意图；
图3示出了本发明实施例提供的器学习模型获得方法的示意图；
图4示出了本发明实施例提供的一种抽油机冲次筛选装置的结构示意图；
图5示出了本发明实施例提供的器学习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设备的结构示意图。
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，本发明实施例提供了一种抽油机冲次筛选方法，可以包括：
S100、获得抽油井的生产参数，生产参数中至少包括冲次且不包括产液量。
本申请发明人在实现申请的过程中研究发现：冲次直接决定了抽油井的产液量，原则上冲次越高，产液量越高。但是，冲次越高，则抽油泵排量就越高。而抽油泵泵效是产液量与抽油泵排量的比值，因此冲次的增加将导致产液量与抽油泵排量均增长，冲次的减少将导致产液量与抽油泵排量均降低。这种情况下，如何筛选出能使得抽油泵泵效符合预设泵效要求的冲次，就较为困难。虽然冲次直接决定了产液量并影响了抽油泵排量，进而影响了抽油泵泵效，但本申请发明人经过研究，确定其他生产参数也是影响抽油泵泵效的参数，这些参数可以包括：泵径、冲程、油压、套压、动液面深度、示功图的载荷与位移、有效冲程、示功图面积中的至少一个。
其中，冲次为抽油井的抽油泵活塞在工作筒内每分钟上下运动的次数。一个完整的示功图的测量周期(一个完整示功图的测量时间)直接反应了抽油泵活塞的运动周期，一分钟时长包含的测量周期个数即为冲次。
其中，产液量是油井产出的油水体积之和，本发明可以衡量不同时间长度下的产液量，如每天的产液量，每小时的产液量等。
其中，泵径为抽油井的抽油泵工作桶的内径。
其中，冲程为抽油井的抽油泵活塞的最大位移(抽油泵活塞最高点至最低点之间的距离)，该冲程可以由示功图传感器采集得到。本发明实施例可以将示功图中第73个点对应的位移作为冲程。
其中，油压为抽油井在生产时由压力表测得的油管环空压力，套压为抽油井在生产时由压力表测得的油管与套管之间的环空压力。
其中，动液面是采油井在正常生产时，油管和套管之间的环形空间的一个液面。动液面深度可以用从采油井的井口至动液面的距离表示，也可用从油层中部至动液面的距离表示。
具体的，示功图的载荷为抽油机在上下运动过程中所承受的力量大小，单位为千牛，可以通过示功图传感器对抽油杆的伸长量变化引起的直径变化测量计算得到。具体的，示功图传感器的形式有多种，如：载荷位移一体化传感器，本发明实施例在此不做限定。除测量得到示功图的载荷外，载荷位移一体化传感器还可以测量得到抽油杆移动的距离，即示功图的位移，从而生成由144个位移与载荷的对应数据点构成的示功图。示功图可以如图2所示，示功图是反映抽油机工作状况的图形，一般横坐标为示功图的位移，纵坐标为示功图的载荷。
具体的，有效冲程为抽油井的抽油泵活塞在泵筒内上下运动过程中实际带动液体做功的有效距离，包括：上有效冲程和下有效冲程。有效冲程的获得方式可以为：先将示功图中144个位移与载荷的对应数据点进行低通滤波平滑处理，然后通过曲率求导得到示功图144个数据点的上下冲程拐点，将环状曲线分割成单值曲线即可得到有效冲程，即上下冲程的有效值。
其中，示功图面积为示功图144个点构成的不规则形状的面积，它的获得方式可以为：先将示功图144个点构成的不规则形状切割成规则形状(如三角形或四边形)，然后对各规则形状的面积分别进行计算然后累加即可得到示功图面积。
具体的，步骤S100获得的生产参数可以如表1所示(表1中，“有效冲程”包括上有效冲程和下有效冲程，示功图的载荷较多，仅示例性提供示功图的载荷89的数据)：
表1
表1中，示功图的载荷的单位为千牛，示功图的位移的单位为毫米，油压和套压的单位为兆帕，泵径的单位为毫米，动液面深度的单位为米，上有效冲程、下有效冲程和冲程的单位均为毫米，示功图面积为相对值，无量纲，冲次的单位为次。
在一具体实施方式中，表1中每一行数据都为某个时间段内采集的一组生产参数，如表1所示，本发明可以采集不同时间段的多组生产参数。可选的，对每组生产参数，本发明都可以进行下方步骤S200至步骤S500的处理。这样，随着时间推移，本发明可以及时根据生产情况的变化对冲次进行再次筛选以使得抽油泵泵效一直保持在较高的状态。
在另一具体实施方式中，表1中每一行数据都为一个抽油井的一组生产参数，如表1所示，本发明可以采集不同抽油井的多组生产参数，各组生产参数来自不同的抽油井。可选的，对每组生产参数，本发明都可以进行下方步骤S200至步骤S500的处理。这样，本发明可以分别对多个抽油井的抽油机冲次进行筛选。
S200、根据预设的冲次调整方式，对生产参数中的冲次的取值进行至少一次调整。
通过调整冲次，本发明可以获得多组冲次不同但其他生产参数相同的生产参数。其中，预设的冲次调整方式可以有多种，如：按照预设的调整间隔逐渐增大和/或减小冲次；再如：按照预设的调整比例逐渐增大和/或减小冲次；再如：从预设的冲次取值范围内随机选择一定数量的值作为各次调整后的冲次。可选的，可以在预设的范围内对冲次进行调整，如表2所示，在0.1至10.0的范围内对冲次进行调整。
表2公开了一种对表1中加粗的一行生产参数(该行生产参数的冲次为3.6)按照0.1的调整间隔逐渐增大和减小冲次后产生的多组生产参数。
表2中加粗的一行生产参数(该行生产参数的冲次为3.6)为对冲次调整前的生产参数。可以理解的是，对表1中各行数据，本发明都可以进行图2所示的调整。
需要说明的是，表1及表2中的各数值仅为举例，不代表实际应用中的合理取值。
表2
S300、将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量。
在实际应用中，本发明还可以将未调整冲次的生产参数(即步骤S100获得的生产参数)输入预设的机器学习模型中，获得机器学习模型得到的与未调整的冲次对应的产液量。
可以理解的是，通过调整冲次，本发明就获得了多组冲次不同但其他生产参数相同的生产参数，将每组生产参数输入预设的机器学习模型中，都可以获得机器学习模型得到的与冲次对应的产液量。由于除冲次外的其他生产参数未发生变化，因此本发明可以获得仅冲次变化时的产液量变化。
S400、根据具有对应关系的冲次和产液量确定各调整后的冲次对应的抽油机的抽油泵泵效。
在一具体实施例中，本发明可以首先根据冲次确定抽油泵排量，然后将产液量与抽油泵排量相比，从而得到冲次对应的抽油机的抽油泵泵效。
在另一具体实施例中，本发明可以将各调整后的冲次及对应的所述产液量输入公式
中，计算得到各调整后的冲次对应的抽油机的抽油泵泵效，其中，η为抽油泵泵效，d为泵径，L为冲程，n为冲次，Q为预设时长的产液量，t为所述预设时长包含的分钟数量。例如：当预设时长为一天，Q为每天的产液量时，t＝1440。
在另一具体实施例中，本发明可以通过所述预设的机器学习模型确定抽油泵泵效。即步骤S400可以具体包括：
获得预设的机器学习模型根据具有对应关系的冲次和产液量，确定的各调整后的冲次对应的抽油机的抽油泵泵效。
可选的，预设的机器学习模型也可以根据公式
确定抽油泵泵效。
S500、从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。
可以理解的是，预设泵效要求可以根据实际需要而设定，例如：预设泵效要求为抽油泵泵效最高，或者，预设泵效要求为抽油泵泵效不低于预设泵效等。
可选的，步骤S500可以具体包括：
从各调整后的冲次中筛选出对应的抽油泵泵效最高的冲次。
本发明实施例提供的一种抽油机冲次筛选方法，可以获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。本发明可以获得包括冲次的生产参数，通过调整冲次来获得冲次不同的多组生产参数，从而获得机器学习模型得到的和冲次对应的产液量，并根据产液量和冲次获得不同冲次下的抽油泵泵效，进而实现对冲次从筛选。本发明根据抽油泵泵效对冲次进行筛选，可以筛选出抽油泵泵效较高的冲次，进而可以根据该冲次有效优化石油生产过程。
与图1所示方法相对应，本发明还提供了一种获得图1所示方法中的预设的机器学习模型的方法。
如图3所示，本发明实施例还提供了一种机器学习模型获得方法，可以包括：
S001、获得抽油井的在历史时间段内的多组生产参数，每组生产参数中至少包括：冲次和产液量，不同组的生产参数的采集时刻不同。
其中，生产参数还包括：泵径、冲程、油压、套压、动液面深度、示功图的载荷与位移、有效冲程、示功图面积中的至少一个。
其中，产液量可以作为其他生产参数的标注。
步骤S001获得的多组生产参数可以为位于同一油田区块的多个抽油井的生产参数，也可以为一个抽油井的生产参数。
S002、将获得的多组生产参数作为训练数据，对训练数据进行机器学习，获得机器学习模型，机器学习模型的输入为：不包括产液量在内的生产参数，机器学习模型的输出为抽油机的抽油泵泵效。
步骤S002进行机器学习时，可以学习各生产参数对产液量的影响。可选的，可以重点学习冲次对产液量的影响。该机器学习模型为产液量与包括冲次在内的其他生产参数的关系模型。该关系模型以除产液量、冲次外的其他生产参数为基础，以冲次为变化条件。该关系模型可以在除产液量、冲次外的其他生产参数的基础上，在冲次变化时，确定抽油机的抽油泵泵效。可选的，预设的机器学习模型在获得产液量后，可以根据公式
确定抽油泵泵效。
可选的，机器学习模型可以将确定的产液量输出。
其中，该机器学习模型可以为LightGBM机器学习模型。
在实际应用中，本发明还可以根据测试数据对机器学习模型进行准确度测试，如测试未通过，则增加或修改测试数据继续进行机器学习，直至测试通过。
其中，机器学习方法可以有多种，如：K近邻、逻辑回归、梯度提升树、支持向量机、朴素贝叶斯、决策树、随机森林等。在实际应用中，本发明实施例可以依次选择上述机器学习方法中的一种对训练数据进行机器学习从而得到不同机器学习方法对应的机器学习模型。然后本发明实施例可以对各机器学习模型进行误差检验并将误差最小的机器学习模型作为预设的机器学习模型。
与图1所示方法实施例相对应，本发明实施例还提供了一种抽油机冲次筛选装置，如图4所示，该装置可以包括：第一参数获得单元100、冲次调整单元200、产液量获得单元300、泵效确定单元400和冲次筛选单元500，所述第一参数获得单元100，用于获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量。
可选的，所述生产参数还包括：泵径、冲程、油压、套压、动液面深度、示功图的载荷与位移、有效冲程、示功图面积中的至少一个。
所述冲次调整单元200，用于根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整。
在一可选实施例中，所述冲次调整单元200，可以用于从各调整后的冲次中筛选出对应的抽油泵泵效最高的冲次。
通过调整冲次，本发明可以获得多组冲次不同但其他生产参数相同的生产参数。其中，预设的冲次调整方式可以有多种，如：按照预设的调整间隔逐渐增大和/或减小冲次；再如：按照预设的调整比例逐渐增大和/或减小冲次；再如：从预设的冲次取值范围内随机选择一定数量的值作为各次调整后的冲次。可选的，可以在预设的范围内对冲次进行调整，如表2所示，在0.1至10.0的范围内对冲次进行调整。
所述产液量获得单元300，用于将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量。
在实际应用中，本发明还可以将未调整冲次的生产参数(即产液量获得单元300获得的生产参数)输入预设的机器学习模型中，获得机器学习模型得到的与未调整的冲次对应的产液量。
可以理解的是，通过调整冲次，本发明就获得了多组冲次不同但其他生产参数相同的生产参数，将每组生产参数输入预设的机器学习模型中，都可以获得机器学习模型得到的与冲次对应的产液量。由于除冲次外的其他生产参数未发生变化，因此本发明可以获得仅冲次变化时的产液量变化。
所述泵效确定单元400，用于根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效。
在一具体实施例中，本发明可以首先根据冲次确定抽油泵排量，然后将产液量与抽油泵排量相比，从而得到冲次对应的抽油机的抽油泵泵效。
在一可选实施例中，所述泵效确定单元400可以具体用于：
将各调整后的冲次及对应的所述产液量输入公式
中，计算得到各调整后的冲次对应的抽油机的抽油泵泵效，其中，η为抽油泵泵效，d为泵径，L为冲程，n为冲次，Q为预设时长的产液量，t为所述预设时长包含的分钟数量。
在另一可选实施例中，所述泵效确定单元400可以具体用于：
获得所述预设的机器学习模型根据具有对应关系的冲次和所述产液量，确定的各调整后的冲次对应的抽油机的抽油泵泵效。
可选的，预设的机器学习模型也可以根据公式
确定抽油泵泵效。
所述冲次筛选单元500，用于从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。
可以理解的是，预设泵效要求可以根据实际需要而设定，例如：预设泵效要求为抽油泵泵效最高，或者，预设泵效要求为抽油泵泵效不低于预设泵效等。
本发明实施例提供的一种抽油机冲次筛选装置，可以获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。本发明可以获得包括冲次的生产参数，通过调整冲次来获得冲次不同的多组生产参数，从而获得机器学习模型得到的和冲次对应的产液量，并根据产液量和冲次获得不同冲次下的抽油泵泵效，进而实现对冲次从筛选。本发明根据抽油泵泵效对冲次进行筛选，可以筛选出抽油泵泵效较高的冲次，进而可以根据该冲次有效优化石油生产过程。
与图3所示方法实施例相对应，本发明实施例还提供了一种机器学习模型获得装置，如图5所示，该装置可以包括：第二参数获得单元001和模型训练单元002，
所述第二参数获得单元001，用于获得抽油井的在历史时间段内的多组生产参数，每组所述生产参数中至少包括：冲次和产液量，不同组的所述生产参数的采集时刻不同。
其中，生产参数还包括：泵径、冲程、油压、套压、动液面深度、示功图的载荷与位移、有效冲程、示功图面积中的至少一个。
其中，产液量可以作为其他生产参数的标注。
所述模型训练单元002，用于将获得的所述多组生产参数作为训练数据，对所述训练数据进行机器学习，获得机器学习模型，所述机器学习模型的输入为：不包括产液量在内的所述生产参数，所述机器学习模型的输出为抽油机的抽油泵泵效。
模型训练单元002进行机器学习时，可以学习各生产参数对产液量的影响。可选的，可以重点学习冲次对产液量的影响。该机器学习模型为产液量与包括冲次在内的其他生产参数的关系模型。该关系模型以除产液量、冲次外的其他生产参数为基础，以冲次为变化条件。该关系模型可以在除产液量、冲次外的其他生产参数的基础上，在冲次变化时，确定抽油机的抽油泵泵效。可选的，预设的机器学习模型在获得产液量后，可以根据公式
确定抽油泵泵效。
可选的，机器学习模型可以将确定的产液量输出。
其中，该机器学习模型可以为LightGBM机器学习模型。
本发明实施例还提供了一种设备70，如图6所示，包括：存储器702和处理器701，
其中，所述存储器702用于存储程序指令，所述处理器701用于调用所述存储器702中存储的程序指令，以执行本发明实施例提供的任一种抽油机冲次筛选方法和/或本发明实施例提供的任一种机器学习模型获得方法。
如图6所示，设备70还可以包括总线703，处理器701和存储器702之间可以通过总线703进行通信。当然，设备70还可以包括其他部件，如接口等，本发明在此不做限定。
本文中的设备可以是服务器、PC、PAD、手机等。
所述抽油机冲次筛选装置包括处理器和存储器，上述第一参数获得单元、冲次调整单元、产液量获得单元、泵效确定单元和冲次筛选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。
所述机器学习模型获得装置包括处理器和存储器，上述第二参数获得单元和模型训练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进行冲次筛选和/或获得机器学习模型。
本发明实施例提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现本发明实施例提供的任一种抽油机冲次筛选方法和/或本发明实施例提供的任一种机器学习模型获得方法。
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抽油机冲次筛选方法和/或机器学习模型获得方法。
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：
获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；
根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；
将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；
根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；
从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。
可选的，所述生产参数还包括：泵径、冲程、油压、套压、动液面深度、示功图的载荷与位移、有效冲程、示功图面积中的至少一个。
可选的，所述根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效，包括：
将各调整后的冲次及对应的所述产液量输入公式
中，计算得到各调整后的冲次对应的抽油机的抽油泵泵效，其中，η为抽油泵泵效，d为泵径，L为冲程，n为冲次，Q为预设时长的产液量，t为所述预设时长包含的分钟数量。
可选的，所述根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效，包括：
获得所述预设的机器学习模型根据具有对应关系的冲次和所述产液量，确定的各调整后的冲次对应的抽油机的抽油泵泵效。
可选的，所述从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次，包括：
从各调整后的冲次中筛选出对应的抽油泵泵效最高的冲次。
本申请还提供了另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：
获得抽油井的在历史时间段内的多组生产参数，每组所述生产参数中至少包括：冲次和产液量，不同组的所述生产参数的采集时刻不同；
将获得的所述多组生产参数作为训练数据，对所述训练数据进行机器学习，获得机器学习模型，所述机器学习模型的输入为：不包括产液量在内的所述生产参数，所述机器学习模型的输出为抽油机的抽油泵泵效。
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。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
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(fLash RAM)，存储器包括至少一个存储芯片。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 (10)
1.一种抽油机冲次筛选方法，其特征在于，包括：
获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；
根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；
将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；
根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；
从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。
2.根据权利要求1所述的方法，其特征在于，所述生产参数还包括：泵径、冲程、油压、套压、动液面深度、示功图的载荷与位移、有效冲程、示功图面积中的至少一个。
3.根据权利要求1所述的方法，其特征在于，所述根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效，包括：
将各调整后的冲次及对应的所述产液量输入公式
中，计算得到各调整后的冲次对应的抽油机的抽油泵泵效，其中，η为抽油泵泵效，d为泵径，L为冲程，n为冲次，Q为预设时长的产液量，t为所述预设时长包含的分钟数量。
4.根据权利要求1所述的方法，其特征在于，所述根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效，包括：
获得所述预设的机器学习模型根据具有对应关系的冲次和所述产液量，确定的各调整后的冲次对应的抽油机的抽油泵泵效。
5.根据权利要求1所述的方法，其特征在于，所述从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次，包括：
从各调整后的冲次中筛选出对应的抽油泵泵效最高的冲次。
6.一种机器学习模型获得方法，其特征在于，包括：
获得抽油井的在历史时间段内的多组生产参数，每组所述生产参数中至少包括：冲次和产液量，不同组的所述生产参数的采集时刻不同；
将获得的所述多组生产参数作为训练数据，对所述训练数据进行机器学习，获得机器学习模型，所述机器学习模型的输入为：不包括产液量在内的所述生产参数，所述机器学习模型的输出为抽油机的抽油泵泵效。
7.一种抽油机冲次筛选装置，其特征在于，包括：第一参数获得单元、冲次调整单元、产液量获得单元、泵效确定单元和冲次筛选单元，
所述第一参数获得单元，用于获得抽油井的生产参数，所述生产参数中至少包括冲次且不包括产液量；
所述冲次调整单元，用于根据预设的冲次调整方式，对所述生产参数中的冲次的取值进行至少一次调整；
所述产液量获得单元，用于将每次调整冲次后的生产参数输入预设的机器学习模型中，获得所述机器学习模型得到的与各调整后的冲次对应的产液量；
所述泵效确定单元，用于根据具有对应关系的冲次和所述产液量确定各调整后的冲次对应的抽油机的抽油泵泵效；
所述冲次筛选单元，用于从各调整后的冲次中筛选出对应的抽油泵泵效符合预设泵效要求的冲次。
8.一种机器学习模型获得装置，其特征在于，包括：第二参数获得单元和模型训练单元，
所述第二参数获得单元，用于获得抽油井的在历史时间段内的多组生产参数，每组所述生产参数中至少包括：冲次和产液量，不同组的所述生产参数的采集时刻不同；
所述模型训练单元，用于将获得的所述多组生产参数作为训练数据，对所述训练数据进行机器学习，获得机器学习模型，所述机器学习模型的输入为：不包括产液量在内的所述生产参数，所述机器学习模型的输出为抽油机的抽油泵泵效。
9.一种设备，其特征在于，包括：存储器和处理器，
其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，以执行如权利要求1至5任一项所述的抽油机冲次筛选方法和/或权利要求6所述的机器学习模型获得方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至5任一项所述的抽油机冲次筛选方法和/或权利要求6所述的机器学习模型获得方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910880594.2A CN112523730A (zh) | 2019-09-18 | 2019-09-18 | 抽油机冲次筛选方法、机器学习模型获得方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910880594.2A CN112523730A (zh) | 2019-09-18 | 2019-09-18 | 抽油机冲次筛选方法、机器学习模型获得方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112523730A true CN112523730A (zh) | 2021-03-19 |
Family
ID=74975008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910880594.2A Pending CN112523730A (zh) | 2019-09-18 | 2019-09-18 | 抽油机冲次筛选方法、机器学习模型获得方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112523730A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114109313A (zh) * | 2021-11-15 | 2022-03-01 | 西安交通大学 | 一种基于双重步进法的数字抽油机智能控制方法与系统 |
| CN114737928A (zh) * | 2022-06-13 | 2022-07-12 | 中煤科工集团西安研究院有限公司 | 一种基于核学习的煤层气智能排采方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202257201U (zh) * | 2011-07-04 | 2012-05-30 | 中国石油天然气股份有限公司 | 抽油机最佳冲次判定装置 |
| CN103885367A (zh) * | 2014-04-01 | 2014-06-25 | 东营东日电气有限公司 | 一种基于最佳冲次辨识的抽油机智能控制系统及方法 |
| CN105093930A (zh) * | 2014-05-14 | 2015-11-25 | 中国石油天然气股份有限公司 | 一种适合超低渗油藏数字化抽油机最佳冲次工艺方法 |
| CN106948806A (zh) * | 2017-03-03 | 2017-07-14 | 中国石油化工股份有限公司胜利油田分公司胜利采油厂 | 一种按照主控因素分类建立宏观控制图的方法 |
| CN109460561A (zh) * | 2018-07-25 | 2019-03-12 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
| CN109870902A (zh) * | 2017-12-05 | 2019-06-11 | 中国科学院沈阳自动化研究所 | 基于冲程比和动态控制图的油井最大产量模式控制方法 |
-
2019
- 2019-09-18 CN CN201910880594.2A patent/CN112523730A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202257201U (zh) * | 2011-07-04 | 2012-05-30 | 中国石油天然气股份有限公司 | 抽油机最佳冲次判定装置 |
| CN103885367A (zh) * | 2014-04-01 | 2014-06-25 | 东营东日电气有限公司 | 一种基于最佳冲次辨识的抽油机智能控制系统及方法 |
| CN105093930A (zh) * | 2014-05-14 | 2015-11-25 | 中国石油天然气股份有限公司 | 一种适合超低渗油藏数字化抽油机最佳冲次工艺方法 |
| CN106948806A (zh) * | 2017-03-03 | 2017-07-14 | 中国石油化工股份有限公司胜利油田分公司胜利采油厂 | 一种按照主控因素分类建立宏观控制图的方法 |
| CN109870902A (zh) * | 2017-12-05 | 2019-06-11 | 中国科学院沈阳自动化研究所 | 基于冲程比和动态控制图的油井最大产量模式控制方法 |
| CN109460561A (zh) * | 2018-07-25 | 2019-03-12 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 谢丛姣 等: "《高级油藏管理》", 31 December 2015 * |
| 陶梅 等: "《煤层气开采工艺》", 30 August 2018 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114109313A (zh) * | 2021-11-15 | 2022-03-01 | 西安交通大学 | 一种基于双重步进法的数字抽油机智能控制方法与系统 |
| CN114737928A (zh) * | 2022-06-13 | 2022-07-12 | 中煤科工集团西安研究院有限公司 | 一种基于核学习的煤层气智能排采方法及系统 |
| CN114737928B (zh) * | 2022-06-13 | 2022-09-06 | 中煤科工集团西安研究院有限公司 | 一种基于核学习的煤层气智能排采方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460561B (zh) | 采油设备故障诊断方法及装置 | |
| CN109446538B (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 | |
| CN112523730A (zh) | 抽油机冲次筛选方法、机器学习模型获得方法及相关装置 | |
| CN109446574B (zh) | 油气开采监测方法、故障识别模型获得方法及相关设备 | |
| CN206757617U (zh) | 用于确定井下泵的产量的装置及有形机器可读储存设备 | |
| CN110671104B (zh) | 基于干扰试井解释的缝洞型油藏井间参数的解释方法 | |
| CN109508473B (zh) | 基于事理图谱的抽油井故障确定方法、抽油井故障事理图谱建立方法及相关装置 | |
| US10858912B2 (en) | Systems and methods for optimizing production of unconventional horizontal wells | |
| US20150300156A1 (en) | Methods and apparatus to determine production of downhole pumps | |
| CN108398249A (zh) | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 | |
| CN106761602A (zh) | 确定油井生产工况的方法和装置 | |
| CN110969249A (zh) | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 | |
| CN110593860B (zh) | 一种参数计算方法、装置及设备 | |
| CN108681793B (zh) | 深层油藏采油指数预测方法及装置 | |
| CN103898890A (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
| CN115619578A (zh) | 含水层储气库的库容计算方法、装置、设备和存储介质 | |
| CN111963161A (zh) | 确定隐性不正常油井的方法及装置 | |
| CN110532579B (zh) | 一种参数计算方法、装置及设备 | |
| CN110965970B (zh) | 注水井与采油井的相关性的确定方法及装置 | |
| CN110991779A (zh) | 抽油机井的异常检测方法及装置 | |
| CN114331071A (zh) | 模型训练方法、压裂参数确定方法、装置和计算机设备 | |
| CN110965961B (zh) | 热洗周期确定方法及装置 | |
| 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 | |
| CN113123765B (zh) | 游梁式抽油机运行控制方法、装置、设备和存储介质 | |
| CN111594106A (zh) | 抽油机泵体沉没度自动保持方法、装置及游梁式抽油机 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |