CN113137211B - 一种基于模糊综合决策的油井生产参数自适应调控方法 - Google Patents
一种基于模糊综合决策的油井生产参数自适应调控方法 Download PDFInfo
- Publication number
- CN113137211B CN113137211B CN202110362449.2A CN202110362449A CN113137211B CN 113137211 B CN113137211 B CN 113137211B CN 202110362449 A CN202110362449 A CN 202110362449A CN 113137211 B CN113137211 B CN 113137211B
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- fuzzy
- oil
- pumping unit
- 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.)
- Active
Links
- 239000003129 oil well Substances 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000005086 pumping Methods 0.000 claims abstract description 37
- 239000007788 liquid Substances 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 21
- 239000012530 fluid Substances 0.000 claims abstract description 8
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 23
- 239000003921 oil Substances 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 11
- 239000010779 crude oil Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及采油工程技术领域,尤其涉及一种基于模糊综合决策的油井生产参数自适应调控方法,包括:S1:数据采集;S2:对数据采集进行预处理;S3:利用供液能力量化评估算法模块,输出供液能力变化时间序列;S4:根据供液能力变化时间序列数据、动液面变化时间序列数据和产量变化时间序列数据建立模糊综合评价的综合决策因子算法模型;S5:将调控决策数据输入调控信号转换模块;S6:将变频信号输入抽油机变频生产,调整抽油机频率;S7:油井传感器采集抽油机的数据,并传输到油田数据中心数据库。本发明依托现有信息化建设的软硬件资源,实现油井生产参数的自动优化控制,变人工被动调整为智能自动优化,提高生产效率。
Description
技术领域
本发明涉及采油工程技术领域,尤其涉及一种基于模糊综合决策的油井生产参数自适应调控方法。
背景技术
油井的调参是指对抽油机冲程、冲次进行调整,即冲程、冲次调大或者调小,进而调整抽油泵排量,达到最佳抽油效果。在油田开采中,地面主要采用游梁式抽油机进行举升运动抽取地下原油,稠油区块采用蒸汽热采方式开采,在机采阶段井下原油黏度和供液能力变化复杂,且常受到周边井影响,对抽油机抽油效率影响很大,会造成抽油效率降低,电能浪费,甚至会导致抽油机故障停机,影响生产。
目前采用调整间开制度由指挥中心远程指令开关井,现场员工拉刹车、调位置、手动调整生产参数等被动优化方式为国内外应用最广泛的调控油井生产参数的方式,由于过分依赖人工调试,费时费力且及时性低,影响有效生产时率。
发明内容
本发明所要解决的技术问题是:依托现有信息化建设的软硬件资源,实现油井生产参数的自动优化控制,变人工被动调整为智能自动优化,提高生产效率。
本发明所采用的技术方案是:基于模糊综合决策的油井生产参数自适应调控方法包括以下步骤:
S1:数据获取,从数据库中获取包含:油井基本信息、示功图信息、实时监测信息、日度报表信息、动静液面信息和原油物性分析信息数据;
这些基本信息表以表格的形式存储在数据库中,例如:示功图采集数据表、功图分析数据表、油井实时数据表、单井信息数据表和单位信息数据表、油井日度数据表、动静液面数据表和地面原油分析数据表等;
S2:对S1获取数据进行预处理,包括数据抓取、数据拼接、数据清洗、数据排列后分井存储,得到规范化数据体;
S3:将S2预处理完的示功图数据输入到供液能力量化评估算法模块,输出供液能力变化时间序列数据;
S4:将S3输出供液能力变化时间序列数据、S2预处理完的动液面变化时间序列数据和产量变化时间序列数据输入到模糊综合评价的综合决策因子算法模型,输出调控决策;
S5:将S4调控决策数据输入调控信号转换模块,输出变频信号;
S6:将变频信号输入抽油机变频生产,调整抽油机频率;
S7:油井传感器按照一定频率采集抽油机的数据,并传输到油田数据中心,并按照井号、采集时间和数据类型进行分类存储到步骤S1的数据库中。
进一步的,步骤S3中供液能力量化评估算法包括以下步骤:
S31、建立油井示功图测试集;
S32、对S31示功图特征提取,卷积操作获得特征图像;池化操作实现对图像的降维;重复操作多次卷积与池化,充分提取图像的特征;在全连接层中完成对目标图像的分类;
S33、输出供液能力变化时间序列数据;
进一步的,步骤S4中模糊综合评价的综合决策因子算法包括以下步骤:
S41、确定被评判对象的因素集C=(c1,c2,..ci..,cn)和V=(v1,v2,..vi..,vm),其中ci为各单项指标,vi为对ci的评判等级层次,一般可分为五个等级:(优、良、中、差、劣);
S42、确定各个因素的权重W及它们的隶属度向量R,经过模糊变换,得到模糊评判矩阵R’;
S43、模糊评判矩阵与因素的权重向量集进行模糊运算并进行归一化,得到模糊综合评判结果集S=W*R',即:
其中si表示被评事物从整体上看对vj等级模糊子集的隶属程度;
S44、根据加权平均型模糊综合算数,得到模糊综合评价的综合决策因子算法模型;
S45、选定双曲正切函数tanh,构建了基于tanh函数的油井参数调控单因素决策因子算法,Tanh函数能够将输出数值映射到[-1,1]的区间。
进一步的,调整抽油机频率有三种状态,包括:提高抽油机频率、降低抽油机频率和不调整抽油机频率。
进一步的,提高抽油机频率对应Tanh函数能够将输出数值范围为(0.5-1],降低抽油机频率对应Tanh函数能够将输出数值范围为(-0.5--1],不调整抽油机频率对应Tanh函数能够将输出数值范围为[-0.5-0.5]。
本发明的有益效果是:
1、使用油井自适应调参方法采油,提高了油井平均泵效,提升了泵效稳定性,提升了油井动液面,缩减动液面波动幅度;充分反映该技术能够与地层能量波动实现优化适配,减少地层能量波动对采油的负面影响,通过油井自适应调参采油,油井用电量明显降低,对于油田经济、高效生产意义显著。
2、通过油井生产参数自适应调控模块,实现了油井监测参数的实时采集分析、油井调参决策的实时调整。
3、研究并建立了基于多源数据综合评判的油井生产参数自适应调控策略,同时可针对不同油井实际情况进行个性化定制,实现油井生产参数与地层供液状况的自适应、智能化匹配。
4、针对示功图及动液面测试数据,考虑各自数据特征,结合深度学习和数据挖掘技术,分别设计了相应的动态分析方法,实现了不同角度的油井供液能力量化分析评价。
附图说明
图1是本发明基于模糊综合决策的油井生产参数自适应调控方法框架原理图;
图2是本发明供液能力量化评估算法流程图;
图3是本发明神经网络模型准确率图;
图4是本发明模糊综合评价的综合决策因子算法流程图;
图5是本发明动液面、供液程度与抽油机的频率变化图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,基于模糊综合决策的油井生产参数自适应调控方法包括以下步骤:
S1:数据获取,从数据库中获取包含:油井基本信息、示功图信息、实时监测信息、日度报表信息、动静液面信息和原油物性分析信息数据;
这些基本信息表以表格的形式存储在数据库中,例如:示功图采集数据表、功图分析数据表、油井实时数据表、单井信息数据表和单位信息数据表、油井日度数据表、动静液面数据表和地面原油分析数据表等;
从数据库中搜集了油井示功图、动液面、单井计量、动静液面数据表等数据共计39.8万余组。
S2:对S1数据采集进行预处理,包括数据抓取、数据拼接、数据清洗、数据排列后分井存储,得到规范化数据体;
2.1数据抓取
在油田的油气生产运行指挥系统中查询并下载过去一年中的油井生产数据,包括功图采集数据表,并按时间顺序逐月导出保存为CSV文件。
2.2数据拼接
针对于数据断层式缺失、信息无效等问题。可将相同井号的采集数据表和分析CSV数据表中的数据按照ID拼合成一条数据,并保存到拼合CSV数据表文件中。
2.3数据清洗
数据清洗可去除冗余数据,具体做法为去掉各拼合CSV数据表文件中相同的列,并对部分列进行规范化重命名,存入到清洗CSV数据表文件中。
2.4数据排列
对各清洗CSV数据表文件中的数据条目按采集时间(CJSJ)排序,并存入排序CSV数据表文件中。
2.5分井存储
将油田数据中心数据采集库下载的数据采集数据表(CSV)格式,除了按采集时间分类外,还需根据井号字段(ID)拆分成不同井号的采集数据表(CSV),用于后续分析。
S3:将S2预处理完的示功图数据输入到供液能力量化评估算法模块,输出供液能力变化时间序列数据;
如图2所示,步骤S3中供液能力量化评估算法包括以下步骤:
S31、建立油井示功图测试集;
S32、对S31示功图特征提取,卷积操作获得特征图像;池化操作实现对图像的降维;重复操作多次卷积与池化,充分提取图像的特征;在全连接层中完成对目标图像的分类;
S33、输出供液能力变化时间序列数据;
基于GPU的多层神经网络快速训练方法,神经网络迭代步数设为200步,学习率为0.0001,每次迭代学习图像200张。将样本集按8:2比例划分为训练集和验证集,训练集包含4000样本,验证集包含1000样本,训练准确率和验证准确率,如图3所示,开始训练准确率呈上升趋势,经过一段时间的训练后,训练准确率保持在99%以上,由此可知训练模型是比较成功的。利用验证集对训练模型进行验证,可以看出,经过一段时间后,验证准确率基本保持在98%以上。对运行结果中验证准确率进行均值计算,得到整个验证集的平均准确率为99.11%,能够满足实际的功能需求。
如图4所示,步骤S4中模糊综合评价的综合决策因子算法包括以下步骤:
S41、确定被评判对象的因素(指标)集C=(c1,c2,..ci..,cn)和V=(v1,v2,..vi..,vm),其中ci为各单项指标,vi为对ci的评判等级层次,一般可分为五个等级:(优、良、中、差、劣);
S42、确定各个因素的权重W及它们的隶属度向量R,经过模糊变换,得到模糊评判矩阵R’;
S43、模糊评判矩阵与因素的权重向量集进行模糊运算并进行归一化,得到模糊综合评判结果集S=W*R',即:
其中si表示被评事物从整体上看对vj等级模糊子集的隶属程度;
S44、根据加权平均型模糊综合算数,得到模糊综合评价的综合决策因子算法模型;
S45、选定双曲正切函数(tanh),构建了基于tanh函数的油井参数调控单因素决策因子计算方法,Tanh函数能够将输出数值映射到[-1,1]的区间。当输出参数越接近1,代表越需要正向调参(提高抽油机频率);当输出参数越接近-1,代表越需要负向调参(降低抽油机频率);当输出参数接近0,代表目前不需要调参。
具体的,提高抽油机频率对应Tanh函数能够将输出数值范围为(0.5-1],降低抽油机频率对应Tanh函数能够将输出数值范围为(-0.5--1],不调整抽油机频率对应Tanh函数能够将输出数值范围为[-0.5-0.5]。
Tanh函数和Sigmoid函数的形式相似,Tanh函数的形态也是双曲形,但是它能够将输入数值映射到[-1,1]的区间而不是Sigmoid函数将输入值映射到[0,1]区间,本实施例使用Tanh函数能够比Sigmoid函数取得更好的性能Tanh函数的定义可以由sinh函数和cosh函数导出,Tanh函数的定义是:
如图5所示,通过与油田现场对接,选定了6口实验井测试,为动液面、供液程度和频率关系曲线图,可以看出随着动液面和供液程度变化,抽油机的频率随之波动。
对比48h前后油井供液不足叠加示功图数据,油井采油稳定性上升11.8%,泵效上升8.1%;通过对比油井每日产液量变化,日产液提升0.22方/天;通过对比日耗电量变化,提液单耗降低11.3%。
总体效果泵效均值增加8.6%,稳定性增加21.0%;动液面高度增加82.3m,稳定性增加42.0%;耗电量总计下降69度/天。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种基于模糊综合决策的油井生产参数自适应调控方法,其特征在于,包括以下步骤:
步骤S1:数据获取,从数据库中获取包含:油井基本信息、示功图信息、实时监测信息、日度报表信息、动静液面信息和原油物性分析信息数据;
步骤S2:对步骤S1获取数据进行预处理,包括数据抓取、数据拼接、数据清洗、数据排列后分井存储,得到规范化数据体;
步骤S3:将步骤S2预处理完的示功图数据输入到供液能力量化评估算法模块,输出供液能力变化时间序列数据;
步骤S3具体包括以下步骤:
步骤S31、建立油井示功图测试集;
步骤S32、对步骤S31示功图特征提取,卷积操作获得特征图像;池化操作实现对图像的降维;重复操作多次卷积与池化,充分提取图像的特征;在全连接层中完成对目标图像的分类;
步骤S33、输出供液能力变化时间序列数据;
步骤S4:将步骤S3输出供液能力变化时间序列数据、步骤S2预处理完的动液面变化时间序列数据和产量变化时间序列数据输入到模糊综合评价的综合决策因子算法模型,输出调控决策;
步骤S5:将步骤S4调控决策数据输入调控信号转换模块,输出变频信号;
步骤S6:将变频信号输入抽油机变频生产,调整抽油机频率;
步骤S7:油井传感器按照一定频率采集抽油机的数据,并传输到油田数据中心,并按照井号、采集时间和数据类型进行分类存储到数据库中。
2.根据权利要求1所述的基于模糊综合决策的油井生产参数自适应调控方法,其特征在于:步骤S4中模糊综合评价的综合决策因子算法模型的计算过程包括以下步骤:
步骤S41、确定被评判对象的因素集C=(c1,c2,..ci..,cn)和V=(v1,v2,..vi..,vm),其中ci为各单项指标,vi为对ci的评判等级层次;
步骤S42、确定各个因素的权重W及它们的隶属度向量R,经过模糊变换,得到模糊评判矩阵R’;
步骤S43、模糊评判矩阵与因素的权重向量集进行模糊运算并进行归一化,得到模糊综合评判结果集S=W*R',即:
其中,si表示被评事物从整体上看对vj等级模糊子集的隶属程度;
步骤S44、根据加权平均型模糊综合算数,得到模糊综合评价的综合决策因子算法模型;
步骤S45、选定双曲正切函数tanh,构建了基于tanh函数的油井参数调控单因素决策因子算法,tanh函数能够将输出数值映射到[-1,1]的区间。
3.根据权利要求2所述的基于模糊综合决策的油井生产参数自适应调控方法,其特征在于:调整抽油机频率有三种状态,包括:提高抽油机频率、降低抽油机频率和不调整抽油机频率。
4.根据权利要求3所述的基于模糊综合决策的油井生产参数自适应调控方法,其特征在于:提高抽油机频率对应tanh函数的输出数值范围为(0.5,1],降低抽油机频率对应tanh函数的输出数值范围为(-0.5,1],不调整抽油机频率对应tanh函数的输出数值范围为[-0.5,0.5]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110362449.2A CN113137211B (zh) | 2021-04-02 | 2021-04-02 | 一种基于模糊综合决策的油井生产参数自适应调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110362449.2A CN113137211B (zh) | 2021-04-02 | 2021-04-02 | 一种基于模糊综合决策的油井生产参数自适应调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113137211A CN113137211A (zh) | 2021-07-20 |
CN113137211B true CN113137211B (zh) | 2023-01-17 |
Family
ID=76811441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110362449.2A Active CN113137211B (zh) | 2021-04-02 | 2021-04-02 | 一种基于模糊综合决策的油井生产参数自适应调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113137211B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200982184Y (zh) * | 2006-12-06 | 2007-11-28 | 中国石油大学(北京) | 一种油井产液量计量、工况分析优化系统 |
CN201307238Y (zh) * | 2008-12-01 | 2009-09-09 | 张宝军 | 抽油机井智能检测控制系统 |
CN202257209U (zh) * | 2011-08-05 | 2012-05-30 | 西安交通大学 | 一种嵌入式数字化油田节能测控系统 |
US8588991B1 (en) * | 2012-07-31 | 2013-11-19 | Causam Holdings, LLC | System, method, and apparatus for electric power grid and network management of grid elements |
CN105900022A (zh) * | 2013-11-27 | 2016-08-24 | 精通人工智能系统有限公司 | 使用概率介质的基于人工智能模型的动态过程控制的方法和系统 |
CN106470007A (zh) * | 2016-08-31 | 2017-03-01 | 北京雅丹石油技术开发有限公司 | 一种抽油机电机变速运行控制方法及柔性控制器 |
CN108999599A (zh) * | 2018-09-20 | 2018-12-14 | 山东奥卓电气科技发展有限公司 | 一种抽油机的节能控制装置及其控制方法 |
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 |
CN111963114A (zh) * | 2020-08-14 | 2020-11-20 | 中国石油大学(北京) | 一种抽油机井(群)智能化应用系统和实现方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823424B (zh) * | 2013-09-18 | 2015-05-20 | 大连仲德能源与环保科技有限公司 | 基于抽吸效率—流压曲线的抽油机工况周期性模糊控制方法 |
CN104570991A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气股份有限公司 | 基于功图的抽油机调控方法 |
CN111459020A (zh) * | 2020-04-21 | 2020-07-28 | 山东拓新电气有限公司 | 基于模糊自适应pid算法的矿用泵站调速方法 |
-
2021
- 2021-04-02 CN CN202110362449.2A patent/CN113137211B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200982184Y (zh) * | 2006-12-06 | 2007-11-28 | 中国石油大学(北京) | 一种油井产液量计量、工况分析优化系统 |
CN201307238Y (zh) * | 2008-12-01 | 2009-09-09 | 张宝军 | 抽油机井智能检测控制系统 |
CN202257209U (zh) * | 2011-08-05 | 2012-05-30 | 西安交通大学 | 一种嵌入式数字化油田节能测控系统 |
US8588991B1 (en) * | 2012-07-31 | 2013-11-19 | Causam Holdings, LLC | System, method, and apparatus for electric power grid and network management of grid elements |
CN105900022A (zh) * | 2013-11-27 | 2016-08-24 | 精通人工智能系统有限公司 | 使用概率介质的基于人工智能模型的动态过程控制的方法和系统 |
CN106470007A (zh) * | 2016-08-31 | 2017-03-01 | 北京雅丹石油技术开发有限公司 | 一种抽油机电机变速运行控制方法及柔性控制器 |
CN108999599A (zh) * | 2018-09-20 | 2018-12-14 | 山东奥卓电气科技发展有限公司 | 一种抽油机的节能控制装置及其控制方法 |
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 |
CN111963114A (zh) * | 2020-08-14 | 2020-11-20 | 中国石油大学(北京) | 一种抽油机井(群)智能化应用系统和实现方法 |
Non-Patent Citations (2)
Title |
---|
低效油井治理效益潜力模糊综合评价;郭福军;《海洋石油》;20200322(第01期);全文 * |
示功图与模糊神经网络结合的抽油机故障诊断;文必龙等;《计算机系统应用》;20160115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113137211A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103198354B (zh) | 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法 | |
CN107288617A (zh) | 一种提高抽油机井示功图量油精度的方法及系统 | |
CN111963116B (zh) | 一种自适应和智能分析决策的智能气田系统和方法 | |
CN105045941A (zh) | 基于无迹卡尔曼滤波的抽油机参数优化方法 | |
CN103530818B (zh) | 一种基于brb系统的供水管网建模方法 | |
CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
CN105046326A (zh) | 基于功图主元分析的抽油机参数优化方法 | |
CN112861912A (zh) | 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 | |
CN113283180A (zh) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 | |
CN112664185A (zh) | 一种基于示功图的抽油机井工况预测方法 | |
CN109033178A (zh) | 一种挖掘能见度多维时空数据之间格兰杰因果关系的方法 | |
CN110288257A (zh) | 一种深度超限示功图学习方法 | |
CN113095414A (zh) | 一种基于卷积神经网络和支持向量机的示功图识别方法 | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
CN116011351B (zh) | 一种基于聚类算法和WideDeep网络的油井合理沉没度确定方法 | |
CN113137211B (zh) | 一种基于模糊综合决策的油井生产参数自适应调控方法 | |
CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN114439457A (zh) | 一种用于评价抽油机井健康状态的方法及系统 | |
Zhou et al. | Application of BP neural network in efficiency prediction of oilfield mechanized mining system | |
CN114718861A (zh) | 基于深度学习的螺杆泵井工况智能诊断方法 | |
Camargo et al. | Advanced supervision of oil wells based on soft computing techniques | |
CN106530130A (zh) | 油田机采过程动态演化建模与节能优化方法 | |
CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
CN113988410A (zh) | 一种基于knn算法与多项式回归算法组合的跨区域致密油藏油井产能预测方法 |
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 |