CN113988479A - 基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法 - Google Patents

基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法 Download PDF

Info

Publication number
CN113988479A
CN113988479A CN202111485825.3A CN202111485825A CN113988479A CN 113988479 A CN113988479 A CN 113988479A CN 202111485825 A CN202111485825 A CN 202111485825A CN 113988479 A CN113988479 A CN 113988479A
Authority
CN
China
Prior art keywords
dynamic
network
neural network
suspension point
sub
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
CN202111485825.3A
Other languages
English (en)
Inventor
贾明兴
冷春阳
郑海金
邓吉彬
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.)
YANGZHOU JIANGSU OILFIELD RUIDA PETROLEUM ENGINEERING TECHNOLOGY DEVELOPMENT CO LTD
Original Assignee
YANGZHOU JIANGSU OILFIELD RUIDA PETROLEUM ENGINEERING TECHNOLOGY DEVELOPMENT CO LTD
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 YANGZHOU JIANGSU OILFIELD RUIDA PETROLEUM ENGINEERING TECHNOLOGY DEVELOPMENT CO LTD filed Critical YANGZHOU JIANGSU OILFIELD RUIDA PETROLEUM ENGINEERING TECHNOLOGY DEVELOPMENT CO LTD
Priority to CN202111485825.3A priority Critical patent/CN113988479A/zh
Publication of CN113988479A publication Critical patent/CN113988479A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法，属于软测量领域，现场采集若干口有杆泵抽油井历史数据，得出与井下动液面深度相关性强的因素，构建预测模型结构，将油井历史运行数据按比例分成训练集、验证集和测试集；将Huber loss作为神经网络的损失函数，采用梯度下降法对动静态信息特征融合神经网络参数进行优化，得到最优值。本发明实现了对不同井下环境的有杆泵抽油井的多井动液面深度预测，预测精度高，稳定性强。

Description

基于动静态信息特征融合神经网络的抽油井多井动液面深度 预测方法
技术领域
本发明属于软测量领域，具体涉及多口抽油井的动态液面的预测方法。
背景技术
据统计，全世界拥有约92万口油井，其中约90％以上为人工举升机械采油井，且普遍采用有杆泵抽油系统。并且有杆泵抽油井的耗电量占油田总耗电量的30％以上，是影响采油成本的主要因素之一，因而节能潜力巨大。而精准预测动液面及产液量是实施抽油机井自调优的关键。
目前采用的人工测量动液面方法存在测试设备工艺复杂、成本高、测试功能单一，现场安装、使用和维护工作量大、成本高，无法实时在线检测和受井下环境影响较大的问题。针对以上问题，提出油井动液面的软测量方法，但是大多数油井动液面的软测量方法在建模时使用样本容量太小，且采用的现场数据多来自同一口油井，动液面变化不大，导致仿真效果没有较强说服力，而且由于不同地区油井地下环境相差很大，用一口油井数据的建模不能实现不同地区多口油井动液面同时预测。而且没能有效解决预测模型受异常数据影响，导致结果偏差较大的问题。
发明内容
针对现有技术中有杆泵油井的多井动液面动态测量，以及建模过程中数据集存在异常数据问题，本发明提出一种基于动静态信息特征融合神经网络的抽油井多井动液面预测方法。
本发明基于动静态信息特征融合神经网络的抽油井多井动液面预测方法，包括以下步骤：
1)现场采集若干口有杆泵抽油井历史数据，包括井号、冲程开始时间、冲程结束时间、悬点位移、悬点载荷、冲程、冲次、产量、含水率、动液面深度、油压、套压、泵径、泵深、泵效、地层原油密度、地面原油密度、气油比、饱和压力、溶解系数、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数；
2)对有杆泵抽油井动液面进行机理分析，得出与井下动液面深度相关性强的因素，包括示功图参数、含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数；其中示功图参数是由一个冲程内所有悬点载荷和悬点位移数据构成的封闭曲线图；
在一个冲程内，悬点位移和悬点载荷分别为动态数据，含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数为静态数据；
3)动液面深度预测模型采用BP神经网络，网络由悬点位移特征子网络、悬点载荷特征子网络和静动态特征融合子网络三部分构成；悬点位移特征子网络共H层，包括输入层、中间层和输出层，输入层由一个冲程内所有悬点位移值作为输入，中间层H-2层，激活函数选择relu函数，输出层为悬点位移特征层记为，激活函数采用Linear函数，节点数记为J；悬点载荷特征子网络结构同悬点位移特征子网络，输入为一个冲程内所有悬点载荷，输出为悬点载荷特征层，节点数也为J；z1 (n)表示第n个特征子网络中第h层神经元的状态矩阵，α1 (n)表示第n个特征子网络中第h层神经元的输出矩阵，当h＝1时，α1 (n)为第n个特征子网络的输入x(n)，h＝1,2…H-1，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络；静动态特征融合子网络共L层，包括输入层、中间层和输出层，输入层由悬点位移特征子网络的输出、悬点载荷特征子网络的输出及含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数作为输入，中间层L-2层，激活函数选择relu函数，输出层为动液面深度记为
Figure BDA0003396492740000021
激活函数采用Linear函数，节点数为1，Zl表示静动态特征融合子网络第l层神经元的状态矩阵，βl是静动态特征融合子网络第l层的输出矩阵，l＝1,2…L-1，当l＝L-1时，βL就是静动态特征融合子网络的输出
Figure BDA0003396492740000022
4)将现场采集的若干口有杆泵抽油井历史运行数据随机排序，然后将数据按照8∶1∶1的比例分成训练集、验证集和测试集；训练集用于训练神经网络中的参数；验证集用于来调节神经网络中的参数；测试集用于客观的评价神经网络的性能；
5)将Huberloss函数作为神经网络的损失函数，利用训练集、验证集、测试集数据，采用梯度下降法对动静态信息特征融合神经网络参数包括Wl，Bl，w1 (n)和b1 (n)进行优化，在全局范围内得到神经网络参数最优值，w1 (n)表示第n个特征子网络中第h层到第h+1层的权重矩阵，bh (n)表示第n个特征子网络中第h层到第h+1层的偏置矩阵。Wl和Bl分别表示动静态混合特征提取网络中第l层到第l+1层的偏置项和权值矩阵，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络；
6)将获得的神经网络参数最优值代入步骤3)的BP神经网络结构，建立基于动静态信息特征融合神经网络的抽油井多井动液面深度预测模型；
7)在生产过程中，采集任意某口油井的含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长、各级油管内径参数以及一个冲程内所有悬点载荷和悬点位移数据输入步骤6)的模型，得出动液面深度预测结果。
其中步骤4)中基于动静态信息特征融合神经网络的抽油井多井动液面深度预测模型，将Huber loss作为神经网络的损失函数，具体函数为：
Figure BDA0003396492740000031
其中y为动液面深度的实际值,
Figure BDA0003396492740000032
为误差值，δ为可调节的误差节点数值，如果误差值绝对值大于δ就用公式
Figure BDA0003396492740000033
当误差值绝对值小于等于δ用公式
Figure BDA0003396492740000034
步骤5)中对动静态信息特征融合神经网络中的参数组合Wl，Bl，w1 (n)和b1 (n)等参数进行优化，在全局范围内得到最优值，具体为：
601)初始化参数值Wl，Bl，w1 (n)和b1 (n)；
602)将输入x(n)传入第n个特征子网络，激活前向传播，具体过程为：
zh+1 (n)＝wh+1 (n)αh (n)+bh+1 (n) (1)
Figure BDA0003396492740000035
其中，f(x)为激活函数；当1≤h＜H-1时，f(x)为relu函数，当h＝H-1时，f(x)为Linear函数，表达式分别为：
Figure BDA0003396492740000036
Linear(x)＝x (4)
603)将静态数据X结合动态特征
Figure BDA0003396492740000037
输入到静动态特征融合子网络中，激活前向传播，
具体过程为：
Zl+1＝Wl+1βl+Bl+1 (5)
βl+1＝g(Zl+1) (6)
其中，当l＝1时,静动态特征融合子网络由悬点位移特征子网络的输出、悬点载荷特征子网络的输出和静态数据作为输入，表示为
Figure BDA0003396492740000038
g(x)为激活函数，当1≤l＜L-1时，g(x)为relu函数，当l＝L-1时，g(x)为Linear函数；
604)根据静动态特征融合子网络的输出的
Figure BDA0003396492740000041
值和其对应的实际值y计算误差，具体过程为：
Figure BDA0003396492740000042
Figure BDA0003396492740000043
其中，Eloss表示Huberloss损失函数。
Figure BDA0003396492740000044
表示将动静态信息特征融合神经网络的输出的
Figure BDA0003396492740000045
值和其对应的实际值y带入到损失函数中。N表示神经网络每次训练在训练集中取出的样本数量。E表示N个样本数量的平均误差；
605)更新动静态信息特征融合神经网络的权值和偏置项：
Figure BDA0003396492740000046
Figure BDA0003396492740000047
Figure BDA0003396492740000048
Figure BDA0003396492740000049
其中η为学习率，是每次参数更新的幅度大小。
606)重复步骤602)-605)，直到损失函数小于事先给定的的阈值或者迭代次数用完为止，输出此时的参数为最佳参数。
本发明的有益技术效果：
1、动液面预测模型结构设计。
对于有关油井动液面的相关数据，结合油井工作机理，将输入数据分为动态数据和静态数据，将油井工作状态特征与油井静态信息融合，提高模型精度。
2、实现多井动液面预测。
解决在建立动液面深度测量模型时数据集一般采用一口抽油井的数据，忽略了由于不同油井内部环境大多不同，且油井作业时受抽油机型号、地层压力、含水率等因素对动液面影响较大的问题。成功实现井下环境不同时的多口抽油井动液面深度预测。
3、动液面预测模型的准确性。
本次实验使用大量现场采集数据，存在少数异常数据。大量现场数据使得清理异常数据工作困难，需要改变神经网络模型结构，让动液面深度预测模型在训练时，发现异常数据并增加对异常数据的鲁棒性。
附图说明
图1为本发明实施例的基于动静态信息特征融合神经网络的抽油井多井动液面预测方法的流程图。
图2为本发明实施例的基于动静态信息特征融合神经网络的结构图。
图3为本发明中使用BP神经网络作为预测模型的动液面预测值和动液面实际值的对比图。
图4为本发明中使用将MSE函数作为损失函数的基于动静态信息融合神经网络预测模型的动液面预测值和动液面实际值的对比图。
图5为本发明中使用将Huberloss函数作为损失函数的基于动静态信息融合神经网络预测模型的动液面预测值和动液面实际值的对比图。
图6为本发明有杆泵抽油井动液面预测值与实际值的平均百分率误差公曲线图。
由于测试集数据较多，图3至图6中动液面深度预测模型的输入和输出均为测试集的前100条数据。
具体实施方式
如图1所述，本发明的基于动静态信息特征融合神经网络的抽油井多井动液面预测方法，包括以下步骤：
步骤1：现场采集若干口有杆泵抽油井历史数据；包括井号、冲程开始时间、冲程结束时间、悬点位移、悬点载荷、冲程、冲次、产量、含水率、动液面深度、油压、套压、泵径、泵深、泵效、地层原油密度、地面原油密度、气油比、饱和压力、溶解系数、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数；
步骤2：对有杆泵抽油井动液面进行机理分析，得出与井下动液面深度相关性强的因素，包括示功图参数、含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数。其中示功图参数是由一个冲程内的216组悬点载荷和悬点位移数据构成的封闭曲线图；
步骤3：悬点位移和悬点载荷是在一个冲程内不断变化的数据，将其看作动态数据。
而含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数在一个冲程内保持不变，将其看作静态数据。
上述数据作为动液面深度预测模型的输入，动液面深度作为预测模型的输出。
步骤4：动液面深度预测模型采用BP神经网络，网络由三部分构成，悬点位移特征子网络、悬点载荷特征子网络和静动态特征融合子网络；悬点位移特征子网络共6层，包括输入层、中间层和输出层，输入层由一个冲程内所有悬点位移值作为输入，中间层4层，激活函数选择relu函数，输出层为悬点位移特征层记为，激活函数采用Linear函数，节点数记为32；悬点载荷特征子网络结构同悬点位移特征子网络，输入为一个冲程内所有悬点载荷，输出为悬点载荷特征层，节点数也为32；,z1 (n)表示第n个特征子网络中第h层神经元的状态矩阵,α1 (n)表示第n个特征子网络中第h层神经元的输出矩阵,当h＝1时，α1 (n)为第n个特征子网络的输入x(n),h＝1,2，3，4，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络；静动态特征融合子网络共7层，包括输入层、中间层和输出层，输入层由悬点位移特征子网络的输出、悬点载荷特征子网络的输出及含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数作为输入，中间层5层，激活函数选择relu函数，输出层为动液面深度记为
Figure BDA0003396492740000061
激活函数采用Linear函数，节点数为1，Zl表示静动态特征融合子网络第l层神经元的状态矩阵，βl是静动态特征融合子网络第l层的输出矩阵，l＝1,2,3,4,5,6，当l＝6时，βL就是静动态特征融合子网络的输出
Figure BDA0003396492740000062
如图2所示。
步骤5：将现场采集的1000口有杆泵抽油井历史运行数据共300000条随机排序，然后将前240000条数据作为神经网络的训练集，用于训练神经网络中的参数；240000-270000条数据作为神经网络的验证集，可以通过验证集来调节神经网络中的参数；270000条以后的数据作为测试集，对于训练完成的神经网络,测试集用于客观的评价神经网络的性能；
步骤6：将Huberloss函数作为神经网络的损失函数，利用训练集、验证集、测试集数据，采用梯度下降法对动静态信息特征融合神经网络参数包括Wl，Bl，w1 (n)和b1 (n)进行优化，在全局范围内得到神经网络参数最优值，w1 (n)表示第n个特征子网络中第h层到第h+1层的权重矩阵，b1 (n)表示第n个特征子网络中第h层到第h+1层的偏置矩阵。Wl和Bl分别表示动静态混合特征提取网络中第l层到l+1层的偏置项和权值矩阵，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络。
步骤7：将获得的神经网络参数最优值代入步骤4的BP神经网络结构，建立基于动静态信息特征融合神经网络的抽油井多井动液面深度预测模型，动液面深度预测值和动液面深度实际值比较如图5所示，误差折线图如图6所示；
步骤8：在生产过程中，采集任意某口油井的含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长、各级油管内径参数以及一个冲程内所有悬点载荷和悬点位移数据输入步骤7的模型，得出动液面深度预测结果。
以上步骤5中基于动静态信息特征融合神经网络的抽油井多井动液面深度预测模型，将Huberloss函数作为神经网络的损失函数，具体函数为：
Figure BDA0003396492740000071
其中y为动液面深度的实际值,
Figure BDA0003396492740000072
为误差值，δ为可调节的误差节点数值，本实验设定δ＝15，如果误差值绝对值大于δ就用公式
Figure BDA0003396492740000073
当误差值绝对值小于等于δ用公式
Figure BDA0003396492740000074
步骤6中对动静态信息特征融合神经网络中的参数组合Wl，Bl，w1 (n)和b1 (n)等参数进行优化，在全局范围内得到最优值，具体为：
601)初始化参数值Wl，Bl，w1 (n)和b1 (n)；
602)将输入x(n)传入第n个特征子网络，激活前向传播，具体过程为：
zh+1 (n)＝wh+1 (n)αh (n)+bh+1 (n) (1)
Figure BDA0003396492740000075
其中，f(x)为激活函数；当1≤h＜H-1时，f(x)为relu函数，当h＝H-1时，f(x)为Linear函数，表达式分别为：
Figure BDA0003396492740000076
Linear(x)＝x (4)
603)将静态数据X结合动态特征
Figure BDA0003396492740000077
输入到静动态特征融合子网络中，激活前向传播，
具体过程为：
Zl+1＝Wl+1βl+Bl+1 (5)
βl+1＝g(Zl+1) (6)
其中，当l＝1时,静动态特征融合子网络由悬点位移特征子网络的输出、悬点载荷特征子网络的输出和静态数据作为输入，表示为
Figure BDA0003396492740000081
g(x)为激活函数，当1≤l＜L-1时，g(x)为relu函数，当l＝L-1时，g(x)为Linear函数；
604)根据静动态特征融合子网络的输出的
Figure BDA0003396492740000082
值和其对应的实际值y计算误差，具体过程为：
Figure BDA0003396492740000083
Figure BDA0003396492740000084
其中，Eloss表示Huberloss损失函数。
Figure BDA0003396492740000085
表示将动静态信息特征融合神经网络的输出的
Figure BDA0003396492740000086
值和其对应的实际值y带入到损失函数中。N表示神经网络每次训练在训练集中取出的样本数量。E表示N个样本数量的平均误差；
605)更新动静态信息特征融合神经网络的权值和偏置项：
Figure BDA0003396492740000087
Figure BDA0003396492740000088
Figure BDA0003396492740000089
Figure BDA00033964927400000810
其中η为学习率，是每次参数更新的幅度大小，本次实验设定η＝0.1。
606)重复步骤602)-605)，直到损失函数小于事先给定的的阈值或者迭代次数用完为止，输出此时的参数为最佳参数。
为了验证基于动静态信息融合神经网络的抽油井动液面预测模型的性能，采用传统BP神经网络和将MSE函数作为损失函数的基于动静态信息融合神经网络分别对动液面进行预测，将预测结果分别与将Huberloss函数作为损失函数的基于动静态信息融合神经网络预测模型的预测结果进行比较如表1所述。
其中，计算相对均方误差公式为：
Figure BDA0003396492740000091
其中，N为样本个数，i为正整数，
Figure BDA0003396492740000092
为预测输出，yi为实际输出；
计算平均绝对误差公式为：
Figure BDA0003396492740000093
其中，N为样本个数，i为正整数，
Figure BDA0003396492740000094
为预测输出，yi为实际输出；
计算平均百分率误差公式为：
Figure BDA0003396492740000095
N为样本个数，i为正整数，
Figure BDA0003396492740000096
为预测输出，yi为实际输出。
表1为平均绝对误差(MAE)、训练速度、均方误差(MSE)和平均百分率误差(MAPE)对三种预测模型进行比较表。
表1
Figure BDA0003396492740000097
由表1可知，将Huberloss函数作为损失函数的基于动静态信息融合神经网络预测模型的MAPE为0.0541；MAE为64.895；MSE为14222.368。而相应的将MSE函数作为损失函数的基于动静态信息融合神经网络预测模型和BP预测模型MAPE分别为0.0575和0.0708；MAE分别为66.593和94.321；MSE分别为14950.968和26418.845。基于动静态信息融合神经网络预测模型的训练速度为5s/epoch，而相应的BP预测模型的训练速度为9s/epoch。
比较基于动静态信息融合的动液面预测模型分别使用MSE函数和Huberloss函数作为损失函数的效果时，将测试集数据按照异常数据、正常数据和全部数据三种情况进行分析，以MAPE作为评估参数。
表2是分别将MSE函数和Huberloss函数作为动液面深度预测模型的损失函数时不同测试集预测结果的MAPE对比表。
表2
Figure BDA0003396492740000101
从表2可知，将Huberloss函数作为损失函数的基于动静态信息融合神经网络预测模型在测试集全为异常数据的时MAPE为0.3763，无异常数据时MAPE为0.0534。而MSE函数作为损失函数的基于动静态信息融合神经网络预测模型的MAPE为0.2816，无异常数据时MAPE为0.0567。说明将Huberloss函数作为损失函数的基于动静态信息融合神经网络预测模型对异常数据的学习能力不强，而在训练集里含有异常数据时，该模型的预测效果受异常数据影响较小说明该模型对异常数据的鲁棒性增强。
经过测试集经过预测模型预测后，MAPE分别在0％-5％、5％-10％、10％-20％和20％以上这四个区间的数量分布如表3所示。
表3为分别将MSE函数和Huberloss函数作为损失函数时测试集预测结果的MAPE分布表。
表3
Figure BDA0003396492740000102
Figure BDA0003396492740000111
从表3可以看出，Huberloss函数作为损失函数的基于动静态信息融合神经网络预测模型预测结果的MAPE在0％-5％的比例更多，而MAPE在20％以上的比例更少。由以上3个表格可以得出结论：将Huberloss函数作为损失函数的基于动静态信息融合神经网络预测模型的性能最好。

Claims (3)

1.基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法，其特征在于包括以下步骤：
1)现场采集若干口有杆泵抽油井历史数据，包括井号、冲程开始时间、冲程结束时间、悬点位移、悬点载荷、冲程、冲次、产量、含水率、动液面深度、油压、套压、泵径、泵深、泵效、地层原油密度、地面原油密度、气油比、饱和压力、溶解系数、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数；
2)对有杆泵抽油井动液面进行机理分析，得出与井下动液面深度相关性强的因素，包括示功图参数、含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数；其中示功图参数是由一个冲程内所有悬点载荷和悬点位移数据构成的封闭曲线图；
在一个冲程内，悬点位移和悬点载荷分别为动态数据，含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径为静态数据；
3)动液面深度预测模型采用BP神经网络，网络由悬点位移特征子网络、悬点载荷特征子网络和静动态特征融合子网络三部分构成；悬点位移特征子网络共H层，包括输入层、中间层和输出层，输入层由一个冲程内所有悬点位移值作为输入，中间层H-2层，激活函数选择relu函数，输出层为悬点位移特征层记为，激活函数采用Linear函数，节点数记为J；悬点载荷特征子网络结构同悬点位移特征子网络，输入为一个冲程内所有悬点载荷，输出为悬点载荷特征层，节点数也为J；zl (n)表示第n个特征子网络中第h层神经元的状态矩阵，αl (n)表示第n个特征子网络中第h层神经元的输出矩阵，当h＝1时，αl (n)为第n个特征子网络的输入x(n)，h＝1,2…H-1，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络；静动态特征融合子网络共L层，包括输入层、中间层和输出层，输入层由悬点位移特征子网络的输出、悬点载荷特征子网络的输出及含水率、油压、套压、地层原油密度、地面原油密度和泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数作为输入，中间层L-2层，激活函数选择relu函数，输出层为动液面深度记为
Figure FDA0003396492730000011
激活函数采用Linear函数，节点数为1，Zl表示静动态特征融合子网络第l层神经元的状态矩阵，βl是静动态特征融合子网络第l层的输出矩阵，l＝1,2…L-1，当l＝L-1时，βL就是静动态特征融合子网络的输出
Figure FDA0003396492730000012
4)将现场采集的若干口有杆泵抽油井历史运行数据随机排序，然后将数据按照8∶1∶1的比例分成训练集、验证集和测试集；训练集用于训练神经网络中的参数；验证集用于来调节神经网络中的参数；测试集用于客观的评价神经网络的性能；
5)将Huberloss函数作为神经网络的损失函数，利用训练集、验证集、测试集数据，采用梯度下降法对动静态信息特征融合神经网络参数包括Wl，Bl，wl (n)和bl (n)进行优化，在全局范围内得到神经网络参数最优值，wl (n)表示第n个特征子网络中第h层到第h+1层的权重矩阵，bh (n)表示第n个特征子网络中第h层到第h+1层的偏置矩阵。Wl和Bl分别表示动静态混合特征提取网络中第l层到第l+1层的偏置项和权值矩阵，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络；
6)将获得的神经网络参数最优值代入步骤3)的BP神经网络结构，建立基于动静态信息特征融合神经网络的抽油井多井动液面深度预测模型；
7)在生产过程中，采集任意某口油井的含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长、各级油管内径参数以及一个冲程内所有悬点载荷和悬点位移数据输入步骤6)的模型，得出动液面深度预测结果。
2.根据权利要求1所述基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法，其特征在于，所述步骤4)中基于动静态信息特征融合神经网络的抽油井多井动液面深度预测模型，将Huberloss函数作为神经网络的损失函数，具体函数为：
Figure FDA0003396492730000021
其中y为动液面深度的实际值,
Figure FDA0003396492730000022
为误差值，δ为可调节的误差节点数值，如果误差值绝对值大于δ就用公式
Figure FDA0003396492730000023
当误差值绝对值小于等于δ用公式
Figure FDA0003396492730000024
3.根据权利要求1所述基于动静态信息特征融合神经网络的抽油井多井动液面预测方法，其特征在于，所述步骤5)中对动静态信息特征融合神经网络中的参数组合Wl，Bl，wl(n)和bl(n)等参数进行优化，在全局范围内得到最优值，具体为：
601)初始化参数值Wl，Bl，wl (n)和bl (n)；
602)将输入x(n)传入第n个特征子网络，激活前向传播，具体过程为：
zh+1 (n)＝wh+1 (n)αh (n)+bh+1 (n) (1)
Figure FDA0003396492730000031
其中，f(x)为激活函数；当1≤h＜H-1时，f(x)为relu函数，当h＝H-1时，f(x)为Linear函数，表达式分别为：
Figure FDA0003396492730000032
Linear(x)＝x (4)
603)将静态数据X结合动态特征
Figure FDA0003396492730000033
输入到静动态特征融合子网络中，激活前向传播，
具体过程为：
Zl+1＝Wl+1βl+Bl+1 (5)
βl+1＝g(Zl+1) (6)
其中，当l＝1时,静动态特征融合子网络由悬点位移特征子网络的输出、悬点载荷特征子网络的输出和静态数据作为输入，表示为
Figure FDA0003396492730000034
g(x)为激活函数，当1≤l＜L-1时，g(x)为relu函数，当l＝L-1时，g(x)为Linear函数；
604)根据静动态特征融合子网络的输出的
Figure FDA0003396492730000035
值和其对应的实际值y计算误差，具体过程为：
Figure FDA0003396492730000036
Figure FDA0003396492730000037
其中，Eloss表示Huberloss损失函数。
Figure FDA0003396492730000038
表示将动静态信息特征融合神经网络的输出的
Figure FDA0003396492730000039
值和其对应的实际值y带入到损失函数中。N表示神经网络每次训练在训练集中取出的样本数量。E表示N个样本数量的平均误差；
605)更新动静态信息特征融合神经网络的权值和偏置项：
Figure FDA00033964927300000310
Figure FDA0003396492730000041
Figure FDA0003396492730000042
Figure FDA0003396492730000043
其中η为学习率，是每次参数更新的幅度大小。
606)重复步骤602)-605)，直到损失函数小于事先给定的的阈值或者迭代次数用完为止，输出此时的参数为最佳参数。
CN202111485825.3A 2021-12-07 2021-12-07 基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法 Pending CN113988479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111485825.3A CN113988479A (zh) 2021-12-07 2021-12-07 基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111485825.3A CN113988479A (zh) 2021-12-07 2021-12-07 基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法

Publications (1)

Publication Number Publication Date
CN113988479A true CN113988479A (zh) 2022-01-28

Family

ID=79733422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111485825.3A Pending CN113988479A (zh) 2021-12-07 2021-12-07 基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法

Country Status (1)

Country Link
CN (1) CN113988479A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114837654A (zh) * 2022-05-30 2022-08-02 杭州瑞利超声科技有限公司 基于物联网及云平台的油井动液面多端监测系统
CN116151480A (zh) * 2023-04-04 2023-05-23 北京科技大学 一种页岩油井产量预测方法和装置
CN117689913A (zh) * 2022-12-14 2024-03-12 中国科学院沈阳自动化研究所 一种大数据驱动的油井动液面软测量方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030158830A1 (en) * 2000-04-11 2003-08-21 Adam Kowalczyk Gradient based training method for a support vector machine
CN110029986A (zh) * 2019-04-16 2019-07-19 东北大学 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
CN113159439A (zh) * 2021-04-30 2021-07-23 兰州里丰正维智能科技有限公司 一种作物产量的预测方法、系统、存储介质和电子设备
CN113722997A (zh) * 2021-09-01 2021-11-30 北京中地金石科技有限公司 一种基于静态油气田数据的新井动态产量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030158830A1 (en) * 2000-04-11 2003-08-21 Adam Kowalczyk Gradient based training method for a support vector machine
CN110029986A (zh) * 2019-04-16 2019-07-19 东北大学 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
CN113159439A (zh) * 2021-04-30 2021-07-23 兰州里丰正维智能科技有限公司 一种作物产量的预测方法、系统、存储介质和电子设备
CN113722997A (zh) * 2021-09-01 2021-11-30 北京中地金石科技有限公司 一种基于静态油气田数据的新井动态产量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴君达;李治平;孙妍;曹旭升;: "基于神经网络的剩余油分布预测及注采参数优化", 油气地质与采收率, no. 04, 12 June 2020 (2020-06-12), pages 85 - 93 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114837654A (zh) * 2022-05-30 2022-08-02 杭州瑞利超声科技有限公司 基于物联网及云平台的油井动液面多端监测系统
CN117689913A (zh) * 2022-12-14 2024-03-12 中国科学院沈阳自动化研究所 一种大数据驱动的油井动液面软测量方法
CN116151480A (zh) * 2023-04-04 2023-05-23 北京科技大学 一种页岩油井产量预测方法和装置

Similar Documents

Publication Publication Date Title
CN112901137B (zh) 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法
CN113988479A (zh) 基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法
CN109543828B (zh) 一种基于小样本条件下的吸水剖面预测方法
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
CN105117511B (zh) 一种缝洞油藏井间连通通道及流动参数的表征方法
CN112360411B (zh) 基于图神经网络的局部井网注水开发优化方法
CN110287516B (zh) 一种页岩气藏压裂水平井可压性综合评价方法
CN103198354A (zh) 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法
CN116205164B (zh) 一种基于自适应基函数选择的多代理注采优化方法
CN114358434A (zh) 基于lstm循环神经网络模型的钻井机械钻速预测方法
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN108843312A (zh) 油田储层层内非均质性综合评价方法
CN112541571A (zh) 基于双并联神经网络的机器学习的注采连通性确定方法
CN113792479A (zh) 一种基于物理约束的煤层气藏压裂效果评价方法
CN104847314A (zh) 高温高压油气直井单相流射孔完井参数优化方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN115438823A (zh) 一种井壁失稳机制分析与预测方法及系统
CN108843296B (zh) 一种基于多因素影响下的单井重复压裂效果预测方法
CN115860197A (zh) 一种基于数据驱动的煤层气产量预测方法及系统
CN115688578A (zh) 一种基于粒子群优化lstm神经网络模型的机械钻速预测方法
CN107944607B (zh) 一种基于时间序列的抽油井停井时间集成预测方法
CN116976146B (zh) 耦合物理驱动和数据驱动的压裂井产量预测方法与系统
CN116911216A (zh) 一种储层油井产能因素评估与预测方法
CN116933631A (zh) 一种基于神经网络优化算法的爆破块度预测方法
CN110032777B (zh) 一种基于不确定性分析的钻井液密度安全窗口估计方法

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