CN113256597A - 一种基于深度学习的有杆抽油系统工况识别方法 - Google Patents

一种基于深度学习的有杆抽油系统工况识别方法 Download PDF

Info

Publication number
CN113256597A
CN113256597A CN202110635525.2A CN202110635525A CN113256597A CN 113256597 A CN113256597 A CN 113256597A CN 202110635525 A CN202110635525 A CN 202110635525A CN 113256597 A CN113256597 A CN 113256597A
Authority
CN
China
Prior art keywords
diagnosis
pump
layer
well
oil
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
CN202110635525.2A
Other languages
English (en)
Inventor
侯凯
彭勇
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.)
Xian Shiyou University
Original Assignee
Xian Shiyou University
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 Xian Shiyou University filed Critical Xian Shiyou University
Priority to CN202110635525.2A priority Critical patent/CN113256597A/zh
Publication of CN113256597A publication Critical patent/CN113256597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种基于深度学习的有杆抽油系统工况识别方法以抽油机故障示功图为输入，应用深度学习中的卷积神经网络，通过实验进行各个参数的对比分析，得出一种高效、准确的网络模型。所述的一种基于深度学习的有杆抽油系统工况识别方法可以消除了人工提取抽油机故障示功图特征的不准确性，并极大的减少的人力资源的浪费，进一步实现了油田自动化，将深度学习的方法应用到有杆抽油系统的工况识别中，能够很好的满足采油现场的需求。

Description

一种基于深度学习的有杆抽油系统工况识别方法
技术领域
本发明涉及机械采油系统工况监测技术领域，尤其涉及一种基于深度学习的有杆抽油系统工况识别方法。
背景技术
能源问题是关系到社会稳定，国民经济健康持续发展的重大问题，而石油又在能源结构中占有很重要的地位。现阶段石油勘探开发成本越来越高，采油难度也在不断增加，为了降低开采成本，减少经营风险，提高经济效益，对油田实现自动化管理势在必行。在实际生产中，油田所在的地理位置通常十分的偏僻，油井的分布地点不定，这就使得抽油机井的工作环境复杂多变。油井的正常生产不仅会受到来自于设备的影响，还要接受井下沙、蜡、气、水的威胁，因此其故障发生的概率就会增加。故障一旦发生，原油的开采效率就会降低，油井就可能面临停产的危险，严重的甚至会引起工程事故。因此寻找一种快速有效地有杆抽油系统工况诊断方法，就成了当下研究的热点问题；从另一面讲，能够对油井工况做出准确高效的诊断，也是减少资源经济浪费的一种方式。
现有的有杆抽油系统工况识别方法，主要还是依赖于人工提取抽油机故障示功图的特征，例如不变矩、均值、方差、偏度、峰度、熵和示功图的点线角等特征，再利用模式识别的方法对有杆抽油系统的工况进行分类识别。这些方法普遍存在图像特征选取不当、特征参数过多和选取特征中包含噪声等问题，人工选取特征的质量会对识别结果产生非常大的影响。同时，传统神经网络方法在训练时容易出现过拟合和泛化能力弱的问题，最终造成抽油机故障示功图的识别准确率较低。
现有的技术通过人工提取抽油机故障示功图的特征，做成数据库，再使用BP神经网络、支持向量机等模式识别方法对提取的特征进行工况分类。这种方法因为是人工提取示功图特征，存在示功图特征提取不准确、参数过多和选取特征中包含噪声等问题，其分类的准确度极大的受到人为影响，识别准确度不高，且浪费人力资源。
为此，设计一种基于深度学习的有杆抽油系统工况识别方法，解决以上问题。
发明内容
为了解决现有技术中存在的缺陷，本发明提出一种基于当下最流行的人工智能的方法——深度学习，对有杆抽油系统的故障类型进行识别分类，基于抽油机故障示功图，借助于深度学习网络自动提取图像特征能力，使有杆抽油系统的工况识别更加高效、准确。
本发明提供了一种基于深度学习的有杆抽油系统工况识别方法，包括以下步骤：
步骤一：建立数据预处理模块，对有杆抽油系统故障示功图样本集进行量纲、灰度和二值化处理；
(1)对数据进行归一化处理，使起量纲一致，x和y分别为位移和载荷，归一化后为：
Figure BDA0003105529930000031
Figure BDA0003105529930000032
其中，
Figure BDA0003105529930000033
为归一化后的位移和载荷，xmin和xmax分别为最小位移和最大位移，ymin和ymax分别为最小载荷和最大载荷；
(2)将抽油机故障示功图进行灰度和二值化处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓；
步骤二：根据有杆抽油系统的工况类型，对每类故障示功图进行标注，并选取一部分作为训练集，另一部分作为验证集和测试集；
步骤三：准备数据集，设定输入数据的参数，对数据进行增强；
(1)使用ImageDataGenerator()，对数据进行增强，扩充数据集大小，增强模型的泛化能力；
(2)输出模型的数据为高224，宽224，color_mode设定为"grayscale"，class_mode设定为"categorical"；
步骤四：搭建示功图识别模块，将处理好的抽油机故障示功图输入到卷积神经网络中去。模型由3个卷积层，3个池化层，2个全连接层，3个批标准化层，1个Dropout层构成；
(1)使用tf.keras.Sequential()，用组装图层构建模型；
(2)卷积层使用的卷积核尺寸为3×3，步长为1，边缘填充选择"same",激活函数选择Relu；
输出图像尺寸的计算公式：
Figure BDA0003105529930000041
其中O为输出图像的尺寸，I为输入图像的尺寸，K为卷积核的尺寸，P为填充数，S为移动步长；激活函数公式为：
Figure BDA0003105529930000042
相比sigmod函数与tanh函数，relu函数克服了梯度消失的问题，加快了训练速度；
(3)池化层使用的池化核尺寸为2×2，步长为2，边缘填充选择"same"；
输出图像尺寸计算公式：
Figure BDA0003105529930000043
不同于卷积层，池化层的输出通道数不改变；
其中O为输出图像的尺寸，I为输入图像的尺寸，S为移动步长，Ps为池化层尺寸；
(4)第一个全连接层输出维度为512，激活函数选择Relu，第二个全连接层输出维度为12，激活函数选择Softmax；
Softmax函数公式为：
Figure BDA0003105529930000044
其中zj为第j个节点输出值，i为输出节点的个数。
(5)在每个卷积层和池化层后增加tf.keras.layers.BatchNormalization()批标准化层。
标准化公式为：
Figure BDA0003105529930000051
其中均值公式为：
Figure BDA0003105529930000052
方差公式为：
Figure BDA0003105529930000053
(6)在全连接层前加入tf.keras.layers.Flatten()层，Flatten层用来将输入“压平”，即把多维的输入一维化。
(7)在两个全连接层中间加入tf.keras.layers.Dropout()层，rate设置为0.2，用于防止过拟合。
步骤五：使用compile函数进行训练时所使用优化器，损失函数等的配置。
(1)选择categorical crossentropy loss(交叉熵)作为损失函数，针对多分类问题，真实值采用one-hot编码，例如总共有3个类，第0个类表示为(1,0,0)。
假设预测目标总共有n类，第i个样本的真实label为
Figure BDA0003105529930000054
预测值为
Figure BDA0003105529930000055
Figure BDA0003105529930000056
损失函数为：
Figure BDA0003105529930000061
(2)优化器选择Adam，学习率设置为0.00001。与SGD、AdaGrad等优化器相比，Adam优化器实现简单，计算高效，对内存需求少，参数的更新不受梯度的伸缩变换影响，超参数具有很好的解释性，且通常无需调整或仅需很少的微调，更新的步长能够被限制在大致的范围内(初始学习率)，能自然地实现步长退火过程(自动调整学习率)，很适合应用于大规模的数据及参数的场景，适用于不稳定目标函数，适用于梯度稀疏或梯度存在很大噪声的问题。
Adam优化器更新规则：
计算t时间步的梯度：
Figure BDA0003105529930000062
其中t为更新步数，初始化为0。
f(θ)为目标函数，θ为待优化参数。
第一，计算梯度的指数移动平均数：
mt＝β1mt-1+(1-β1)gt
其中β1为指数衰减率，控制权重分配(动量与当前梯度)，默认为0.9。
第二，计算梯度平方的指数移动平均数：
Figure BDA0003105529930000063
其中β2为指数衰减率，控制之前的梯度平方的影响情况。
第三，由于mt初始化为0，会导致mt偏向0，所以余姚对梯度均值mt进行偏差纠正，降低偏差对训练初期的影响：
Figure BDA0003105529930000071
第四，由于vt初始化为0，导致训练初始阶段vt
偏向0，所以要对其进行纠正：
Figure BDA0003105529930000072
第五，更新参数：
Figure BDA0003105529930000073
其中默认学习率α＝0.001，ε＝10^-8，避免除数变为。
(3)评价函数Metrics选择'accuracy'。
步骤六：训练模型，使用model.save()保存模型。
步骤七：以基于深度学习的工况识别方法为核心，构建有杆抽油系统工况的智能诊断系统，输入示功图，输出识别诊断结果，并给出建议。
(1)诊断结果：正常工作；
诊断建议：此类井供液充足，沉没度大，仍有生产潜力可挖，可以将机抽参数调整到最大，以求得最大产量，发挥井筒应有的产能水平。
(2)诊断结果：供液不足；
诊断建议：1、加强注水，补充地层能量，从而提高油井地层供液能力；2、合理下调冲次；3、根据地层供液，在作业时换小泵、加深泵挂深度。4、高压泵车洗井，解决近井地带堵塞。
(3)诊断结果：气体影响；
诊断建议：1、放掉套管气；2、在套压闸口处安装“定压放气阀”。
(4)诊断结果：气锁；
诊断建议：1、放掉套管气；2、在套压闸口处安装“定压放气阀。
(5)诊断结果：上碰泵；
诊断建议：下放活塞，探泵到固定阀后上提到合适的位置或再测功图对比，减小冲程，对不出油井应检换泵。
(6)诊断结果：下碰泵；
诊断建议：上提活塞，对易进砂井，应先洗井，再测功图对比，对不出油井应检换泵。
(7)诊断结果：游动阀关闭迟缓；
诊断建议：选井斜较小的位置下泵，及时检换泵。
(8)诊断结果：柱塞脱出泵工作筒；
诊断建议：下放活塞，探泵到固定阀位置后上提，再测功图对比，也可以减少冲程。
(9)诊断结果：游动阀漏；
诊断建议：先采取碰泵或洗井进行解决，如果无效时进行小修作业换泵进行解决。
(10)诊断结果：固定阀漏；
诊断建议：先采取碰泵或洗井进行解决，如果无效时进行小修作业换泵进行解决。
(11)诊断结果：砂影响+供液不足；
诊断建议：一方面应保持油井平稳生产，减少停井次数和时间，放套气也应平稳运行，另一方面采取油层防砂，加筛管，砂锚，对油井经常洗井等措施，延长抽油设备的使用寿命。
(12)诊断结果：惯性影响+工作正常；
诊断建议：在满足生产的条件下，尽量选择低冲次。
本发明的有益效果是：
本发明所述的一种基于深度学习的有杆抽油系统工况识别方法以抽油机故障示功图为输入，应用深度学习中的卷积神经网络，通过实验进行各个参数的对比分析，得出一种高效、准确的网络模型；所述的一种基于深度学习的有杆抽油系统工况识别方法可以消除了人工提取抽油机故障示功图特征的不准确性，并极大的减少的人力资源的浪费，进一步实现了油田自动化，将深度学习的方法应用到有杆抽油系统的工况识别中，能够很好的满足采油现场的需求。
附图说明
图1为本发明数据预处理模块流程图；
图2为本发明的技术流程图；
图3为本发明示功图识别模块的内部结构图；
图4为采集到某油田某作业区某时刻的示功图；
图5为图4通过PIL库转换后的示功图。
具体实施方式
以下将结合本发明的实施例参照附图进行详细叙述。
采集到某油田某作业区某时刻的示功图如图4所示；
第一步，原示功图的尺寸为400×190，通过PIL库将它转换成224×224大小如图5所示；
第二步，原示功图为PNG格式，4通道(但其实数值只在第四个通道才有)的RGBA图，通过os库将示功图转换为JPG格式，再通过cv2库提取含有数据的第四通道，并提取所有的点形成轮廓，最后再使用PIL库对功图进行灰度化和二值化处理；
第三步，读取处理好的示功图进行识别，输出结果，识别准确度为99.99％，第三类；
第四步，将功图导入故障诊断系统，输出诊断结果和诊断意见，该功图反应了有杆抽油系统的气体影响工况，建议：1、放掉套管气；2、在套压闸口处安装“定压放气阀”。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于深度学习的有杆抽油系统工况识别方法，其特征在于，包括以下步骤：
步骤一：建立数据预处理模块，对有杆抽油系统故障示功图样本集进行量纲、灰度和二值化处理；
(1)对数据进行归一化处理，使起量纲一致，x和y分别为位移和载荷，归一化后为：
Figure FDA0003105529920000011
Figure FDA0003105529920000012
其中，
Figure FDA0003105529920000013
为归一化后的位移和载荷，xmin和xmax分别为最小位移和最大位移，ymin和ymax分别为最小载荷和最大载荷；
(2)将抽油机故障示功图进行灰度和二值化处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓；
步骤二：根据有杆抽油系统的工况类型，对每类故障示功图进行标注，并选取一部分作为训练集，另一部分作为验证集和测试集；
步骤三：准备数据集，设定输入数据的参数，对数据进行增强；
(1)使用ImageDataGenerator()，对数据进行增强，扩充数据集大小，增强模型的泛化能力；
(2)输出模型的数据为高224，宽224，color_mode设定为"grayscale"，class_mode设定为"categorical"；
步骤四：搭建示功图识别模块，将处理好的抽油机故障示功图输入到卷积神经网络中去；模型由3个卷积层，3个池化层，2个全连接层，3个批标准化层，1个Dropout层构成；
(1)使用tf.keras.Sequential()，用组装图层构建模型；
(2)卷积层使用的卷积核尺寸为3×3，步长为1，边缘填充选择"same",激活函数选择Relu；
输出图像尺寸的计算公式：
Figure FDA0003105529920000021
其中O为输出图像的尺寸，I为输入图像的尺寸，K为卷积核的尺寸，P为填充数，S为移动步长；
激活函数公式为：
Figure FDA0003105529920000022
相比sigmod函数与tanh函数，relu函数克服了梯度消失的问题，加快了训练速度；
(3)池化层使用的池化核尺寸为2×2，步长为2，边缘填充选择"same"；
输出图像尺寸计算公式：
Figure FDA0003105529920000023
不同于卷积层，池化层的输出通道数不改变；
其中O为输出图像的尺寸，I为输入图像的尺寸，S为移动步长，Ps为池化层尺寸；
(4)第一个全连接层输出维度为512，激活函数选择Relu，第二个全连接层输出维度为12，激活函数选择Softmax；
Softmax函数公式为：
Figure FDA0003105529920000031
其中zj为第j个节点输出值，i为输出节点的个数；
(5)在每个卷积层和池化层后增加tf.keras.layers.BatchNormalization()批标准化层；
标准化公式为：
Figure FDA0003105529920000032
其中均值公式为：
Figure FDA0003105529920000033
方差公式为：
Figure FDA0003105529920000034
(6)在全连接层前加入tf.keras.layers.Flatten()层，Flatten层用来将输入“压平”，即把多维的输入一维化；
(7)在两个全连接层中间加入tf.keras.layers.Dropout()层，rate设置为0.2，用于防止过拟合；
步骤五：使用compile函数进行训练时所使用优化器，损失函数等的配置；
(1)选择categorical crossentropy loss(交叉熵)作为损失函数，针对多分类问题，真实值采用one-hot编码，例如总共有3个类，第0个类表示为(1,0,0)；
假设预测目标总共有n类，第i个样本的真实label为
Figure FDA0003105529920000041
预测值为
Figure FDA0003105529920000042
Figure FDA0003105529920000043
损失函数为：
Figure FDA0003105529920000044
(2)优化器选择Adam，学习率设置为0.00001；与SGD、AdaGrad等优化器相比，Adam优化器实现简单，计算高效，对内存需求少，参数的更新不受梯度的伸缩变换影响，超参数具有很好的解释性，且通常无需调整或仅需很少的微调，更新的步长能够被限制在大致的范围内(初始学习率)，能自然地实现步长退火过程(自动调整学习率)，很适合应用于大规模的数据及参数的场景，适用于不稳定目标函数，适用于梯度稀疏或梯度存在很大噪声的问题；
Adam优化器更新规则：
计算t时间步的梯度：
Figure FDA0003105529920000045
其中t为更新步数，初始化为0；
f(θ)为目标函数，θ为待优化参数；
第一，计算梯度的指数移动平均数：
mt＝β1mt-1+(1-β1)gt
其中β1为指数衰减率，控制权重分配(动量与当前梯度)，默认为0.9；
第二，计算梯度平方的指数移动平均数：
Figure FDA0003105529920000051
其中β2为指数衰减率，控制之前的梯度平方的影响情况；
第三，由于mt初始化为0，会导致mt偏向0，所以余姚对梯度均值mt进行偏差纠正，降低偏差对训练初期的影响：
Figure FDA0003105529920000052
第四，由于vt初始化为0，导致训练初始阶段vt偏向0，所以要对其进行纠正：
Figure FDA0003105529920000053
第五，更新参数：
Figure FDA0003105529920000054
其中默认学习率α＝0.001，ε＝10^-8，避免除数变为；
(3)评价函数Metrics选择'accuracy'；
步骤六：训练模型，使用model.save()保存模型；
步骤七：以基于深度学习的工况识别方法为核心，构建有杆抽油系统工况的智能诊断系统，输入示功图，输出识别诊断结果，并给出建议；
(1)诊断结果：正常工作；
诊断建议：此类井供液充足，沉没度大，仍有生产潜力可挖，可以将机抽参数调整到最大，以求得最大产量，发挥井筒应有的产能水平；
(2)诊断结果：供液不足；
诊断建议：1、加强注水，补充地层能量，从而提高油井地层供液能力；2、合理下调冲次；3、根据地层供液，在作业时换小泵、加深泵挂深度；4、高压泵车洗井，解决近井地带堵塞；
(3)诊断结果：气体影响；
诊断建议：1、放掉套管气；2、在套压闸口处安装“定压放气阀”；
(4)诊断结果：气锁；
诊断建议：1、放掉套管气；2、在套压闸口处安装“定压放气阀；
(5)诊断结果：上碰泵；
诊断建议：下放活塞，探泵到固定阀后上提到合适的位置或再测功图对比，减小冲程，对不出油井应检换泵；
(6)诊断结果：下碰泵；
诊断建议：上提活塞，对易进砂井，应先洗井，再测功图对比，对不出油井应检换泵；
(7)诊断结果：游动阀关闭迟缓；
诊断建议：选井斜较小的位置下泵，及时检换泵；
(8)诊断结果：柱塞脱出泵工作筒；
诊断建议：下放活塞，探泵到固定阀位置后上提，再测功图对比，也可以减少冲程；
(9)诊断结果：游动阀漏；
诊断建议：先采取碰泵或洗井进行解决，如果无效时进行小修作业换泵进行解决；
(10)诊断结果：固定阀漏；
诊断建议：先采取碰泵或洗井进行解决，如果无效时进行小修作业换泵进行解决；
(11)诊断结果：砂影响+供液不足；
诊断建议：一方面应保持油井平稳生产，减少停井次数和时间，放套气也应平稳运行，另一方面采取油层防砂，加筛管，砂锚，对油井经常洗井等措施，延长抽油设备的使用寿命；
(12)诊断结果：惯性影响+工作正常；
诊断建议：在满足生产的条件下，尽量选择低冲次。
CN202110635525.2A 2021-06-08 2021-06-08 一种基于深度学习的有杆抽油系统工况识别方法 Pending CN113256597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110635525.2A CN113256597A (zh) 2021-06-08 2021-06-08 一种基于深度学习的有杆抽油系统工况识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110635525.2A CN113256597A (zh) 2021-06-08 2021-06-08 一种基于深度学习的有杆抽油系统工况识别方法

Publications (1)

Publication Number Publication Date
CN113256597A true CN113256597A (zh) 2021-08-13

Family

ID=77186944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110635525.2A Pending CN113256597A (zh) 2021-06-08 2021-06-08 一种基于深度学习的有杆抽油系统工况识别方法

Country Status (1)

Country Link
CN (1) CN113256597A (zh)

Similar Documents

Publication Publication Date Title
CN107288617B (zh) 一种提高抽油机井示功图量油精度的方法及系统
CN110439513B (zh) 一种柱塞气举排液采气生产制度的优化方法
CN105257277B (zh) 基于多变量灰色模型的有杆泵抽油井井下故障预测方法
CN110414788A (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN114595608B (zh) 一种压裂施工参数和工作制度参数优化方法及系统
CN106951662B (zh) 基于凡尔工作点的有杆泵抽油井井下工况诊断方法
CN110288257A (zh) 一种深度超限示功图学习方法
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
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
CN114139458B (zh) 基于机器学习的钻井参数优化方法
CN111144433B (zh) 基于svm模型油井工况智能诊断分析方法及装置
CN114792067B (zh) 一种基于ResNet神经网络的挖掘机工作阶段分类识别方法
CN112664185A (zh) 一种基于示功图的抽油机井工况预测方法
CN112016766A (zh) 一种基于长短期记忆网络的油气井钻井溢漏预警方法
CN113431635B (zh) 半监督的盾构隧道掌子面地质类型预估方法及系统
CN113052374B (zh) 一种数据驱动的油井套损深度智能预测方法
CN113256597A (zh) 一种基于深度学习的有杆抽油系统工况识别方法
CN112257892B (zh) 一种复杂气藏排水采气工艺制度优化方法
Yang et al. Fault Diagnosis Method and Application of ESP Well Based on SPC Rules and Real‐Time Data Fusion
CN116484100A (zh) 一种页岩气井井筒积液排水工艺推荐方法
CN114562236B (zh) 一种基于集成学习模型的地质工程一体化井漏实时预警方法
CN114810037B (zh) 一种基于数据驱动的抽油机井故障判别方法
CN114299330A (zh) 一种地震相分类方法
CN116307670A (zh) 一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统
CN109236277A (zh) 一种基于产生式规则的抽油井故障诊断专家系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210813

WD01 Invention patent application deemed withdrawn after publication