发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种智能气井阀门调节系统。
为了实现上述目的,本发明的实施例提供一种智能气井阀门调节系统,包括:所述智能气井阀门调节系统与气井阀门控制器连接,包括:已有气井生产资料的数据整理分析模块、智能模型自动决策及更新模块、异常工况智能化判断模块、可变油嘴精细调节模块,其中,
所述已有气井生产资料的数据整理分析模块用于接收来自井内传感器装置的已有井生产资料的数据,并对所述已有井生产资料的数据进行数据处理,得到整理后的已有井生产资料的数据;
所述智能模型自动决策及更新模块用于对所述整理后的已有井生产资料的数据进行机器学习,建立基于前馈人工神经网络的产能预测模型、基于循环神经网络的产量预测模型,和基于前馈人工神经网络的积液预测模型,生成智能气井阀门调节方案,将所述基于前馈人工神经网络的产能预测模型和积液预测模型应用于新井,通过基于前馈人工神经网络的产能预测模型和调产需求获取新井预期产量曲线,通过循环神经网络模型预测新井的动态产量;通过积液预测模型得到新井的积液情况;然后将采集到的新井的生产数据和异常工况数据保存并更新数据库数据;将新的数据和上一次已有井的生产资料数据共同作为基础,再次开展机器学习,更新模型参数和智能气井阀门调节方案,将其应用于下一口新井的阀门控制生产过程;
所述异常工况智能化判断模块用于对来自所述井内传感器装置的监测数据进行分析,当判断传感器的监测数据超出预警阈值时,则判断出现异常工况,发出报警并更新所述智能气井阀门调节方案,调用更新后的智能气井阀门调节方案对可变油嘴发出调节指令,所述调节指令通过气井阀门控制器发送至自动控制单元,再由所述自动控制单元控制所述可变油嘴的动作,排除异常;
所述可变油嘴精细调节模块用于根据气井的实际工况和所述智能模型自动决策及更新模块的智能预测结果,对所述可变油嘴的开度进行自动调节;然后将自动调节后的数据反馈至所述已有气井生产资料的数据整理分析模块,作为已有井生产资料的数据进行机器学习。
进一步,所述已有井生产资料的数据,包括:井位参数、储层地质参数、工程参数、生产参数和异常工况数据。对所述已有井生产资料的数据进行数据处理,包括:对数据依次预处理、缺失值处理、标准化处理。
进一步,建立所述基于前馈人工神经网络(BP-ANN)的产能预测模型,包括:
训练的数据集的输入层为已有井的生产资料数据,输出值为通过气井流入动态曲线计算气井的绝对无阻流量;将部分投入生产的气田资料作为训练集,将训练集输入神经网络开展训练,获取训练完成的预测单井产能的模型;基于BP-ANN模型预测的新井产能,根据调产需求,采用多项式或指数拟合预期的产量曲线,并根据现场需求人为调整并设定预期的新井日产气量-时间关系曲线。
进一步,建立所述基于循环神经网络(RNN)的产量预测模型,包括:
根据已有经验的初期油嘴开度试生产一段时间,搜集该时间的日产气量作为输入层数据,搭建并训练通过时间动态展开的循环神经网络模型,用其预测实时产量随时间的变化。当RNN预测了下一时间点的日产气量时,对比预期产量曲线同一时间点对应的日产气量;基于油嘴直径与井口产气量、井口压力的数学关系公式(公式(1))发送调大或调小油嘴直径的命令给控制器,尝试使预测的产量趋于预期产量。实际生产至下一时间点时,记录并搜集实际监测的日产气量并将其加入数据集,训练更新所述基于RNN的产能预测模型。将其用于下一时间节点的产量的预测工作并发送指令给控制器,由此周而复始。
进一步,建立所述积液预测模型,包括:设计并训练前馈人工神经网络模型,动态预测临界携液流量,识别积液发生的时间节点并下达指令;根据已有井积液发生时刻的生产数据和积液时间,搭建并训练积液预测模型,并采用K折交叉校验该神经网络的准确度,进行参数优化,通过该前馈人工神经网络精确推测积液发生时的临界携液流量。
进一步,当所述异常工况智能化判断模块判断异常工况为压力异常时,在压力达到该井阈值前,自动进行降压操作,控制所述可变油嘴增大阀门开度,使异常部分压力迅速下降;如果压力一直无法下降,则系统自动关闭可变油嘴。
进一步,当所述异常工况智能化判断模块判断异常工况为积液异常时,监测到井口处流量下降并接近临界携液流量,控制关闭可变油嘴使井筒气体压力逐渐恢复;临界携液流量由前馈人工神经网络算法预测得到,同时对临界携液流量乘以安全系数K,获取校正后的临界携液流量;如果真实流量大于预测流量,则读取传感器装置的当前真实流量;否则发出积液报警提示。
进一步,还包括:智能决策评价模块,用于对将基于前馈人工神经网络的产能预测模型和积液预测模型应用于单井后的数据进行实时监控,根据多个预设准则进行判断,如果每个预设准则均为正向,则判断决策合理;否则反馈信息,进行新的学习迭代。
进一步,所述多个预设准则包括:
(1)判断产量波动是不是有规律的波动,或者是在一定的范围内波动;
(2)监测油套压差是不是稳定的或者是越来越小;
(3)计算单井采收率,看一定的时间内是不是有提高。
进一步,所述井内传感器装置包括:套管压力传感器、油管压力传感器、管线回压传感器、流体流量传感器和温度传感器。
根据本发明实施例的智能气井阀门调节系统,针对生产中后期的天然气井,本智能气井调节控制系统开辟全新的智能化气井调节解决方案,在普遍认可的生产物理规律、产能/积液/产量模型与生产制度的基础上,结合大数据分析和机器学习技术,通过智能控制阀门开度的大小,持续对气井历史生产数据进行多轮次的分析、归纳并智能更新气井调节方案,降低气井自然递减、延长气井自然稳产期。本系统以“一井一法”方式智能化管理气井,对中低产井采用差异化生产,实现定压或定产量模式下的“气井自我动态选择”与阀门开度的自动调节,同时实现积液情况与压力安全截断的自动识别与决策,最终提供“单井智能化个性化调节”的气井低压生产模式
本发明基于大数据学习的人工智能技术,配套间开工艺原理,在增加人工智能技术的同时,拓展研发传统的间开工艺设备。同时,在主框架搭配完成的情况下应用高精度数字传感器技术、间开阀门开度调节功能与远端数据监控功能,利用生产信息化平台,建成天然气输配智能调度系统,适时分析气井生产动态异常并进行气井自我调参,提高排水采气效率,降低人力成本投入,真正意义服务于生产。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供一种智能气井调节系统,可应用于常规气、页岩气、致密气生产井井口,尤其适合生产中后期气井的低压生产阶段。该系统与气井阀门控制器对接,通过自动设置及人工智能算法,实时更新气井调节方案,完全代替人工操作,最终实现“单井智能化个性化调节”的气井中低压生产模式。
下面参考图1至图5对本发明实施例的智能气井阀门调节系统进行说明。
如图1-3所示,本发明实施例的智能气井阀门调节系统,智能气井阀门调节系统与气井阀门控制器连接,包括:已有气井生产资料的数据整理分析模块1、智能模型自动决策及更新模块2、异常工况智能化判断模块3、可变油嘴精细调节模块4。其中,可变油嘴即为开度可变的阀门。
参考图2,本发明提供的智能气井阀门调节系统以软件的形式安装在硬件控制器中,通过控制器的系列接口接收井内传感器装置的数据,并向可变油嘴控制单元发送指令,同时输出信息至远程监测系统。
具体的,已有气井生产资料的数据整理分析模块1用于接收来自井内传感器装置的已有井生产资料的数据,并对已有井生产资料的数据进行数据处理,得到整理后的已有井生产资料的数据。
在本发明的实施例中,参考图2,井内传感器装置包括:套管压力传感器、油管压力传感器、管线回压传感器、流体流量传感器和温度传感器。需要说明的是,传感器的类型不限于上述举例,还可以为其他类型的传感器,在此不再赘述。
在本发明的实施例中,已有井生产资料的数据,包括:井位参数、储层地质参数、工程参数、生产参数和异常工况数据。需要说明的是,已有井生产资料的类型不限于上述举例,还可以包括其他类型数据,根据需要进行设置,在此不再赘述。
下面对各项已有井生产资料的数据进行展开说明:
(1)井位参数:1-油田信息、2-区块信息、3-井的信息、4-井的坐标、5-气井类型、6-生产起始时间、7-井眼走向、8-储层平均垂深、9-储层平均测深、10-储层钻遇率、11-水平段长;其中1~6为字符,7~11为数值。
(2)储层地质参数:1-杨氏模量、2-泊松比、3-孔隙度、4-渗透率、5-含水饱和度、6-含气量、7-粘土含量、8-有机质含量、9-热成熟度、10-地应力、11-地层孔隙压力、12-井底温度、13-压力系数、14-脆性指数;1~14均为数值。
(3)工程参数:1-井间距、2-气井半径、3-压裂平均缝长、4-压裂平均缝高、5-压裂水平段长、6-压裂段数、7-射孔段长、8-段间距、9-每段簇数、10-簇间距、11-施工平均压力、12-施工平均排量、13-支撑剂量、14-加砂强度、15-完井方式、16-压裂液类型、17-支撑剂类型、18-井底污染;其中1~14为数值,15~17为字符,18为布尔值。
(4)生产参数:1-返排率、2-平均返排速度、3-井口套压、4-井口油压、5-井底流压、6-生产压差、7-油嘴大小、8-日产气量、9-日产水量、10-11-水气比、12-地面回压、13-地面输压;其1~2为数值,3~13为以时间为自变量的数值。
(5)异常工况:1-压力突然升高、2-突然提产、3-水气比突然提高、4-应急关井、5-重开井、6-停产(水淹、非水淹、回压、下游用户气量突降等),以1、2、……n顺序的整数序数依次标定。
此外,对已有井生产资料的数据进行数据处理,包括:对数据依次预处理、缺失值处理、标准化处理。
(1)预处理
将单井的字符、布尔参数信息设为集合1,并作为该井的信息标定;将井位参数、储层地质参数、工程参数、异常工况的数值信息设为集合2,将生产参数(均为数值信息)设为集合3。
批量导入已有井的资料进数据库中。针对集合1-3中的字符型定性信息(文本类描述数据),采用独热编码进行特殊预处理,不仅可将离散特征的取值扩展到欧式空间,使其到原点的距离等距;而且还可以消除偏序性,计算特征之间的距离时更加合理。
(2)缺失值处理。
结合众数和均值填充的方法,同时删除缺失数据较多的属性。原始数据中包含数值型和非数值型两种数据类型,将其分别处理,使用所缺属性数据的平均值来补齐缺失的数值型数据,使用所缺属性数据的众数来填充缺失的非数值型数据。
(3)开展数据标准化处理。
由于原始数据的量纲不同,不同数量级的数据对后期建立的神经网络模型会产生较大影响;因此,需要标准化处理原始数据。采用Min-Max标准化公式转化神经网络的输入层参数,将数据统一映射到[0,1]区间上。
智能模型自动决策及更新模块2用于对整理后的已有井生产资料的数据进行批量的机器学习,建立基于前馈人工神经网络的产能预测模型(参考图4)和基于前馈人工神经网络的积液(临界携液流量)预测模型(参考图5),明确模型参数,开展网络数据训练、验证和测试,并生成智能气井阀门调节方案。将基于前馈人工神经网络的产能预测模型和积液预测模型应用于新井;通过基于前馈神经网络的产能预测模型和调产需求获取新井预期产量曲线,通过循环神经网络模型预测新井的动态产量;通过基于前馈人工神经网络的积液预测模型得到新井的积液情况;然后将采集到的新井的生产数据和异常工况数据保存并更新数据库数据;将新的数据和上一次已有井的生产资料数据共同作为基础,再次开展机器学习,更新模型参数和智能气井阀门调节方案,将其应用于下一口新井的阀门控制生产过程的产能预测模型和积液预测模型。
需要说明的是,智能模型是通过以往积累的数据,使用人工神经网络,对当前数据进行预测。神经网络算法是机器学习的常见模型,通过神经网络传递权重等信息。
具体的,如图4所示,建立基于前馈人工神经网络的产能预测模型,包括:
利用基于Python开源程序语言平台下的开源机器学习工具TensorFlow模块和Scikit-Learn模块,通过使用网状算法(BP神经网络)和线性算法(线性回归、逻辑回归),设计和训练前馈人工神经网络。训练的数据集的输入层为已有井的集合1与集合2参数,输出值为通过气井流入动态曲线(IPR曲线)计算气井的绝对无阻流量qAOF(即产能)。将部分投入生产的气田资料作为训练集,将训练集输入神经网络开展训练,获取训练完成预测单井产能的前馈人工神经网络模型。产能预测模型基于前馈人工神经网络模型预测的新井产能,根据调产需求,采用多项式或指数拟合预期的新井日产气量-时间关系曲线,并根据现场需求人为调整(设定)预期产量曲线。
建立所述基于循环神经网络(RNN)的产量预测模型,包括:根据已有经验的初期油嘴开度,试生产一段时间,搜集该时间的日产气量作为输入层数据,搭建并训练通过时间动态展开的循环神经网络模型,用其预测实时产量随时间的变化。当RNN预测了下一时间点的日产气量时,对比预期日产量-时间曲线同一时间点对应的日产气量;基于油嘴直径与井口产气量、井口压力的数学关系公式(公式(1))发送调大或调小油嘴直径的命令给控制器,尝试使预测的产量趋于预期产量。实际生产至下一时间点时,记录并搜集实际监测的日产气量并将其加入数据集,训练更新所述基于RNN的产量预测模型。将其用于下一时间节点的产量的预测工作并发送指令给控制器,由此周而复始。
如图5所示,建立积液预测模型,包括:设计并训练前馈人工神经网络模型,动态预测临界携液流量,识别积液发生的时间节点并下达指令;
根据已有井积液发生时刻的生产数据和积液时间,搭建并训练积液预测模型,并采用K折交叉校验该神经网络的准确度,进行参数优化,通过该前馈人工神经网络精确推测积液发生时的临界携液流量。
气井阀门的自动调节必须判断井筒是否积液(流量低于临界携液流量)。基于Python开源程序语言平台下的开源机器学习工具TensorFlow模块和Scikit-Learn模块,设计并训练前馈人工神经网络模型。动态预测临界携液流量,从而识别积液发生的时间节点并下达指令。依托油田已有井积液发生时刻的生产数据和积液时间(积液发生为1,不发生为0),搭建并训练该神经网络,并采用K折交叉校验该神经网络的准确度,进行参数优化提高精度,通过该前馈人工神经网络精确推测积液发生时的临界携液流量。一方面,将一部分未作为训练集的气田资料和一部分已经作为训练集的气田资料混合,进行K折交叉验证,验证模型的准确性;另一方面,采用气井动态生产资料,对气井产量曲线进行拟合,校准该神经网络模型。
然后将采集到的新井的生产数据和异常工况数据保存并更新数据库数据;将新的数据和上一次已有井的生产资料数据共同作为基础,再次开展机器学习,更新模型参数和智能气井阀门调节方案,将其应用于下一口新井的阀门控制生产过程。
具体的,将上述模型其应用于新井时,主要产生以下两项功能:根据已有模型的气井指导新井阀门调节;新井阀门调节、数据监测与采集两块核心功能。新井结束应用后,将采集到的生产数据和异常工况数据保存并更新数据库数据;在新的数据基础上再次开展机器学习,更新模型参数和智能阀门调节方案,将其应用于下一口新井的阀门控制生产过程。即,训练好的神经网络已经可以投入生产,实现通过气井阀门调节来得到新井的积液情况;通过数据监测采集来得到新井的动态产量预测。
当异常工况发生时,目前现有的技术并未携带阀门安全截断的功能。本发明的智能调节系统从压力、流量传感器监测数值超出预警阀值时,首先提示,其后警告,若无人工干预则最后是自我截断。
具体的,本发明的异常工况智能化判断模块3用于对来自井内传感器装置的监测数据进行分析,当判断传感器的监测数据超出预警阈值时,则判断出现异常工况,发出报警并更新智能气井阀门调节方案,调用更新后的智能气井阀门调节方案对可变油嘴发出调节指令,调节指令通过气井阀门控制器发送至自动控制单元,再由自动控制单元控制可变油嘴的动作,排除异常。
(1)异常工况智能化判断模块3判断异常工况为压力异常
压力的突变,比如说井底流压窜了,邻井在压裂。由现场工程师预设一单位时间压力增量的阀值,当出现邻井窜通该井时,在压力达到该井阈值前,自动进行降压操作,控制可变油嘴增大阀门开度,使异常部分压力迅速下降;在压力值异常上升时,第一时间报警通知现场技术人员。如果压力一直无法下降,则系统自动关闭可变油嘴。
(2)异常工况智能化判断模块3判断异常工况为积液异常
参考图5,将要发生积液时,当监测到井口处流量下降并接近临界携液流量,(2)监测到井口处流量下降并接近临界携液流量时,井筒易发生积液,即气体压力不足以克服液体阻力,无气体产出;此时需要须要关闭可变油嘴使井筒气体压力逐渐恢复。临界携液流量由神经网络算法预测得到,同时由工程师预设安全系数K;对临界携液流量乘以安全系数K,获取校正后的临界携液流量。具体应用流程见图5。异常工况导致预警,系统自动关井(或自动关闭可变油嘴),通过现场摄像头和后台的人工综合分析,经工程师判断再次开井是没有问题的,容许人工修改预警阀值,再次开启可变油嘴。
此外,在应用智能算法的过程中,需要实时评价智能决策的效果。本发明实施例的智能气井阀门调节系统,还包括:智能决策评价模块,用于对将基于前馈人工神经网络的产能预测模型和积液预测模型应用于单井后的数据进行实时监控,根据多个预设准则进行判断,如果每个预设准则均为正向,则判断决策合理;否则反馈信息,进行新的学习迭代。
在本发明实施例中,多个预设准则包括:
(1)判断产量波动是不是有规律的波动,或者是在一定的范围内波动;
(2)监测油套压差是不是稳定的或者是越来越小(越小越稳定);
(3)计算单井采收率,看一定的时间内是不是有提高。
如果以上三个准则均为正向,则视调节措施合理可行,依托预定智能决策继续开展可变油嘴的调节,否则反馈信息,开展新一轮的学习迭代。
可变油嘴精细调节模块4用于根据气井的实际工况和智能模型自动决策及更新模块2的智能预测结果,对可变油嘴(阀门)的开度进行自动调节;然后将自动调节后的数据和模块3记录的异常工况数据反馈至已有气井生产资料的数据整理分析模块1,作为已有井生产资料的数据进行机器学习。
具体的,气井最大生产能力用qAOF产能表示,采用生产系统分析(也称节点分析)方法计算。获取智能分析的实时产量预测曲线后,建立产量qsc与可变油嘴开度及直径的关系。系统对接控制器的可变油嘴输入参数为0-100的等比例参数(开度)。设定±d的容许变化幅度,其中d值由现场工程师人为预设。例如系统发送给控制器的指令为开度39,那么37-41都允许(若设置d的容许变化幅度为±2)。比如开度变化为10、20、30,可以找接近的数值。将阀门100开度对应的油嘴直径与0开度对应的油嘴直径(两个直径值可通过测量实物尺寸获取)相减,除以100,得到的数字与相应0~100控制参数(开度)相乘并加上0开度对应的直径,即可计算出所需的阀门直径。同理将所需阀门直径与0开度对应直径的差值除以该数字,并取整数,即得到相应的控制参数(开度)。根据阀门硬件的具体控制代码,用以控制阀门开度,当需要控制油嘴阀门时由软件调用特定代码发送电信号完成控制。气井油嘴直径与井口产气量、井口压力的计算关系式如(1)式所示:
qsc=0.00461PtD2.448GOR0.122 (1)
式(1)中:qsc为井口日产气量(104m3/d);Pt为井口油压(MPa);D为可变油嘴(阀门)的直径(mm);GOR为气液比(103m3/m3),为传感器传入的参数。由所需产量与传感器测得的井口压力即可求得合适的气井油嘴直径大小,由此可进一步根据前述方法换算成所需的阀门控制参数(开度),由(2)式所示:
其中,[]符号代表取整数运算。综上,本发明实施例的智能气井阀门调节系统的工作流程如下:
首先,采集已有井的井位参数、储层地质参数、生产参数并统计异常工况,将信息分批次存入数据库。以字符型、浮点型、布尔型参数为数据标定信息,以单批次井共有的数值型参数信息作为训练数据,通过机器学习手段,建立人工神经网络模型,预测实时产量及随时间变化的积液情况。当有新批次的井的数据导入时,将新数据与旧数据一同输入模型,重新训练模型。
其次,将训练好的基于前馈人工神经网络的产能预测模型和积液预测模型用于新的单井,预测产能,并用于监测积液情况。
再次,结合动态开展机器学习的循环神经网络模型预测的产量和基于产能、拟合和人为预设的期望产量开展实时对比,发送可变油嘴开度指令给阀门控制器,阀门控制器实时调节油嘴开度,并在异常工况(基于预设值)发生时自动报警并截断阀门。同时,实时从控制器搜集并保存生产参数,并同时记录实测日产气量,继续训练循环神经网络。
最后,将新存储的新井的生产参数、实际发生的异常工况、井位参数、储层地质参数和工程参数添加进新的批次,待新批次的井数到达预设数量后,将新批次的井的数据加入已有井数据库,重新开展机器学习,训练完善产能预测模型和积液预测模型。
下面以两个应用实例对本发明的智能气井阀门调节系统进行说明:
应用实例1:
基于Python开源程序语言平台下的开源机器学习工具TensorFlow模块和Scikit-Learn模块,建立BP神经网络模型,选择合适的参数作为输入特征值。首先考虑传统模型中与产量相关性较高的参数,利用灰色关联法、皮尔森相关系数、肯德尔相关系数和斯皮尔曼相关系数四种关联度排序方法排序和筛选主控因素。最终筛选出地层渗透率、气层有效厚度、孔隙度、原始地层压力、含气饱和度等五个权重值较高的主控因素作为输入层单元。将这五个参数进行归一化处理;输出值为通过IPR曲线计算获取的气井的绝对无阻流量。将部分投入生产的气田资料作为训练集,构建一个输入层节点为5,隐藏层节点数为8,输出层节点数为1(产能)的前馈人工神经网络(BP-ANN),将训练集喂入神经网络进行训练。经过约上千次训练,获取训练完成的BP-ANN产能预测模型。针对某新井,通过该模型并结合初期生产的部分产量数据,采用指数法拟合出预期的日产量-时间关系曲线。采气工程师希望后期低压低产,稍微调低了产量曲线。
建立循环神经网络(RNN)模型,该模型包含一定数量的循环神经元,以该气井近几个月的日产量作为训练数据,经过多轮训练,使循环神经网络模型达到要求精度。将近一段时间(一般为30天)的气井的日产气量作为输入参数(训练集为第1-30天数据),输出参数为未来1天的日产气量,将该值对比预期日产气量曲线的日产气量值。发现预测日产气量高于预期值,则给控制器发送调产指令(阀门开度,根据公式(1)计算直径,后根据公式(2)换算为开度),以尝试使实际日产气量接近或达到预期的日产气量。实际监测到未来1天日产气量,记录并搜集实际产量加入训练集(第2-31天数据),继续预测气井下一天的产量(第32天)。某一生产阶段预测工作结束后,通过综合评价该阶段日产气量的实测值与预测值的差异,进一步训练循环神经网络以提高下一阶段预测的精度。
应用实例2:
通过使用Scikit-Learn模块和TensorFlow平台,应用Python语言构建一个输入节点为5,隐含层为15,输出层为2的神经网络。利用部分油田生产数据训练该神经网络。输入参数必须与积液具有较高的相关性。在选取输入参数时,首先考虑传统经验中对积液影响较高的因素,再利用灰色关联法、皮尔森相关系数、肯德尔相关系数和斯皮尔曼相关系数四种关联度排序方法来进行排序和综合筛选。最终选取井口油压、井斜角、油管内径、产水量和产气量为特征值,经过归一化处理后作为输入参数。选取一部分油田测试或现场判断的积液发生时刻节点,验证该前馈人工神经网络(BP-ANN)的准确度。
根据本发明实施例的智能气井阀门调节系统,针对生产中后期的天然气井,本智能气井调节控制系统开辟全新的智能化气井调节解决方案,在普遍认可的生产物理规律、产能/积液/产量模型与生产制度的基础上,结合大数据分析和机器学习技术,通过智能控制阀门开度的大小,持续对气井历史生产数据进行多轮次的分析、归纳并智能更新气井调节方案,降低气井自然递减、延长气井自然稳产期。本系统以“一井一法”方式智能化管理气井,对中低产井采用差异化生产,实现定压或定产量模式下的“气井自我动态选择”与阀门开度的自动调节,同时实现积液情况与压力安全截断的自动识别与决策,最终提供“单井智能化个性化调节”的气井低压生产模式。
本发明基于大数据学习的人工智能技术,配套间开工艺原理,在增加人工智能技术的同时,拓展研发传统的间开工艺设备。同时,在主框架搭配完成的情况下应用高精度数字传感器技术、间开阀门开度调节功能与远端数据监控功能,利用生产信息化平台,建成天然气输配智能调度系统,适时分析气井生产动态异常并进行气井自我调参,提高排水采气效率,降低人力成本投入,真正意义服务于生产。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。