CN114764966A - 一种基于联合学习的油气井趋势预警方法及装置 - Google Patents
一种基于联合学习的油气井趋势预警方法及装置 Download PDFInfo
- Publication number
- CN114764966A CN114764966A CN202110048360.9A CN202110048360A CN114764966A CN 114764966 A CN114764966 A CN 114764966A CN 202110048360 A CN202110048360 A CN 202110048360A CN 114764966 A CN114764966 A CN 114764966A
- Authority
- CN
- China
- Prior art keywords
- early warning
- oil
- real
- gas
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 239000007789 gas Substances 0.000 claims description 100
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 239000003345 natural gas Substances 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 239000004215 Carbon black (E152) Substances 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 claims description 5
- 150000002430 hydrocarbons Chemical class 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000008398 formation water Substances 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000003129 oil well Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000004568 cement Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002343 natural gas well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于联合学习的油气井趋势预警方法及装置，该方法包括：获取油气井的实时数据，其中所述实时数据由实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理；将所述实时数据输入联合学习平台预先训练的趋势预警模型，获得所述油气井的故障类型；根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示；将所述预警信息发送给相关用户。本发明具备实时性高和精确性好的特点，能够对油气井趋势进行准确预警，起到良好的预警效果。
Description
技术领域
本发明涉及油井维护技术领域，特别涉及一种基于联合学习的油气井趋势预警方法及装置。
背景技术
油气井，亦称“生产井”。专门为采出地下石油或天然气，按一定的布井系统在地层中钻成的孔眼；或由其他钻井转为采油、采气用的井。井中一般下入套管，在套管外壁与井壁间注水泥，以维护井壁及封闭含水层，隔离不同的油层；在套管中还下入油气管。用于开采石油时称“油井”；用于开采天然气时称“天然气井”或“气井”。
近年来，以石油天然气为代表的化石能源在开采、净化、运输等生产过程中，安全问题日益凸显，采用数据驱动的方法进行异常检测及预警成为当前研究的前沿和热点。所以预测油气井关键参数变化趋势，依据报警策略给出报警提示是当前的油井维护中的重要任务。然而，现有技术中在对油气井趋势进行预警时，预测准确性交底，无法起到良好的预警效果。
发明内容
本发明的目的在于提供一种基于联合学习的油气井趋势预警方法及装置，具备实时性高和精确性好的优点，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
本发明的第一方面，提供了一种基于联合学习的油气井趋势预警方法，包括如下步骤：
获取油气井的实时数据，其中所述实时数据由实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理；
将所述实时数据输入预先训练的趋势预警模型，获得所述油气井的故障类型；
根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示；
将所述预警信息发送给相关用户。
在一个实施例中，所述获取油气井的实时数据，其中所述实时数据由应急预测预警系统中的实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理步骤，包括：
通过实时数据库从历史数据库和油井口检测设备同时获取数据，然后对数据进行整合，并将整合的数据发送给应急预测预警系统，其中，实时数据由实时数据库提供，所述实时数据库中数据类型包括：油气井所在地区的环境参数数据和油气井生产的实时数据。
在一个实施例中，所述应急预测预警系统包括系统管理模块、WEB图形展示模块、预警模型设计模块，所述应急预测预警系统连接所述实时数据库，所述应急预测预警系统还与预设的关系数据库连接。
在一个实施例中，所述油气井所在地区的环境参数至少包括：油气井所在地的年平均温度、地热增温率、井口到产层中部的深度、天然气相对密度、地层水相对密度、气体平均粘度、底层有效厚度、气体有效渗透率、有关摩阻系数、地面管线摩阻系数、井口到分离器的管线长度、天然气临界温度、天然气临界压力；所述环境参数在录入前需要确定数据是否为目标客户的实时参数，不同的目标客户部署于不同地点时都需要重新测定环境参数。
在一个实施例中，所述油气井生产的实时数据至少包括：当前气产量、达到预设标准的产气量、井口油压、分离器压力和井口温度。
在一个实施例中，所述将所述实时数据输入预先训练的油气井趋势预警模型，获得所述油气井的故障类型，包括：
对获取的所述实时数据进行数据预处理，截取与待预测时段相同周期内的趋势数据；
根据截取的趋势数据对初始趋势预警模型进行训练，获得单个油气井的趋势预警模型；
将训练后的每个油气井对应的趋势预警模型发送至联合学习平台，联合学习平台汇总整合多个油气井的趋势预警模型得到最终的趋势预警模型；
将实时数据输入联合学习平台的所述趋势预警模型，获得所述油气井的故障类型。
在一个实施例中，所述预警信息过展示平台进行展示，所述展示平台展示的内容包括油压预警显示与套压预警显示。
本发明的第二方面，提供了一种基于联合学习的油气井趋势预警装置，包括：
实时数据获取模块，用于获取油气井的实时数据，其中所述实时数据由实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理；
故障类型获取模块，用于将所述实时数据输入预先训练的趋势预警模型，获得所述油气井的故障类型；
预警信息展示模块，用于根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示；
预警信息发送模块，用于将所述预警信息发送给相关用户。
本发明的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述方法的步骤。
与现有技术相比，本发明的有益效果至少在于：本发明提出的基于联合学习的油气井趋势预警方法，先通过OPC(OLEforProcessControl)接口获取实时数据，其中实时数据由实时数据库提供，实时数据库对不同油气井的历史数据和实时数据进行采集和整理，然后将所述实时数据输入联合学习平台预先训练的趋势预警模型，获得所述油气井的故障类型，接着根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示，最后将预警信息发送给相关用户，具备实时性高和精确性好的特点，能够对油气井趋势进行准确预警，起到良好的预警效果。
附图说明
图1为本发明实施例提供的基于联合学习的油气井趋势预警方法的实现流程图；
图2为本发明实施例提供的基于联合学习的油气井趋势预警方法中数据推导过程示意图；
图3为本发明实施例提供的基于联合学习的油气井趋势预警方法中油气井所在地区的环境参数框图；
图4为本发明实施例提供的基于联合学习的油气井趋势预警方法中油气井生产相关的实时数据框图；
图5为本发明的实施例提供的基于联合学习的油气井趋势预警方法中应急预测预警系统框图；
图6为本发明实施例提供的基于联合学习的油气井趋势预警装置的示意图；
图7为本发明实施例提供的终端设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供一种基于联合学习的油气井趋势预警方法，包括如下步骤：
步骤S10：获取油气井的实时数据，其中所述实时数据由实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理；
步骤S20：将所述实时数据输入联合学习平台预先训练的趋势预警模型，获得所述油气井的故障类型；
步骤S30：根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示；
步骤S40：将所述预警信息发送给相关用户。
本发明实施例通过OPC接口获取实时数据的具体过程为：实时数据库从历史数据库和油井口检测设备同时获取数据，然后对数据进行整合，再将整合的数据发送给应急预测预警系统，其中实时数据由实时数据库提供，实时数据库中数据类型包括油气井所在地区的环境参数数据和油气井生产相关的实时数据，数据库连接应急预测预警系统。请参阅图5，其中应急预测预警系统包括系统管理模块、数据源维护模块、WEB图形展示模块、预警模型设计模块和在线分析服务模块，应急预测预警系统连接实时数据库，应急预测预警系统还与预设的关系数据库连接。实时数据库获取数据采用的是SCADA系统，实时数据库通过SCADA系统中的作业单位分别连接控制台和RTU，控制台连接井口装置，RTU连接脱水装置。
请参阅图3，油气井所在地区的环境参数至少包括气井所在地的年平均温度、地热增温率、井口到产层中部的深度、天然气相对密度、地层水相对密度、气体平均粘度、底层有效厚度、气体有效渗透率、有关摩阻系数、地面管线摩阻系数、井口到分离器的管线长度、天然气临界温度、天然气临界压力，其中环境参数在录入前需要确定数据是否为目标客户的实时参数，不同的目标客户部署于其他地点是都需要重新测定相关参数。
请参阅图4，油气井生产相关的实时数据包括当前气产量、达到预设标准的产气量、井口油压、分离器压力和井口温度。
通过相关数据推导故障类型的具体方式有：获取油气井的油压、套压和气量的历史数据、数据预处理，其中对油气井的数据进行区别对待、截取趋势数据，油气井等生产设备会随生产计划、工艺设计等因素发生变化，可能是周期性的也可能是非周期性的，本发明会根据数据变化趋势进行分段，并截取最近一个相同趋势的时段数据用于预测、根据截取的数据和机器学习模型进行预测，判断未来一段时间内各项指标会不会触发报警，报警后确定报警类型。请参阅图2，具体的来说，系统收到油气井的油压、套压和气量的历史数据后，利用这部分数据训练模型，将训练后的模型发送给联合学习平台，在多个油气井的系统将模型发送给联合学习平台后，联合学习平台汇总整合多个油气井的模型得到最终模型，即联合学习平台通过整合多个油气井的模型，可以达到使用多个油气井的数据训练模型的效果，该模型即为最终模型，系统从联合学习平台下载最终模型并推导故障类型，再将数据发送给展示平台。
展示平台通过数字信号展示的方式将联合学习平台处理的数据进行展示，其中展示平台展示的内容包括油压预警显示与套压预警显示，具体的来说油压预警显示预示着在非调产情况下，与过去一段时间相比，油压明显趋势升高或降低，同时会显示“油压表可能存在异常，请排查”，使用的算法为单指标趋势异常监控算法；具体的来说套压预警显示预示着在非调产情况下，与过去一段时间相比，套压明显趋势升高或降低，同时会显示。
展示平台显示“套压表可能存在异常，请排查”，的情况下不一定是套压表出现异常，还可能有如下情况发生：
a压力过高，套管动液面下降，气体窜入有套环内；
b压力过低，可能固井水泥环开裂，天然气窜入其他地层；
c压力过低，变送器堵塞，变送器故障，压力检测设备或井口阀门出现泄漏。
展示平台会展示运行安全状况，其中运行安全状况包括装置运行安全分析模型和设备运行安全分析模型，其中将其他管理系统中的运行KPI指标、装置运行安全因子和运行数据中的MES系统装置运行实时数据、MES系统装置运行历史数据库、装置运行报警及操作信息实时数据、装置运行报警及操作信息历史数据相结合，装置运行安全分析模型和设备运行安全分析模型将数据整合分析后倒入装置运行安全分析数据库，同时在展示平台上展示出来。
展示平台在进行展示的过程中还会通过神经网络模型进行数据训练，其中具体的来说是利用历史-正常工况数据训练神经网络模型，即找到井口油压与外输气流量之间的历史数据关系，由此建立分析模型，分析过程中，向模型输入当前瞬时流量，模型将根据历史上的数学关系，预测当前的油压并与当前实际油压作比较，如井口油压相较预测值偏高，说明流量计之前可能出现堵塞。
在进行神经网络模型训练时如出现“井口油压存在异常，相较预测值偏高”时，可能出现以下原因：
a压力变高，下游针阀堵塞，导致产量下降；
b压力变高，井筒积液排出，导致井筒静液柱压力下降；
c压力过低，可能是井底积液，导致出口压力下降，产量下降；
d压力过低，可能是井筒赃物堵塞，井下节流器堵塞，导致出口压力下降，产量下降；
e压力过低，变送器堵塞，变送器故障，压力检测设备或井口阀门出现泄漏。
请参阅图6，基于相同的发明构思，本发明实施例还提供了一种基于联合学习的油气井趋势预警装置，包括实时数据获取模块51、故障类型获取模块52、预警信息展示模块53和预警信息发送模块54。其中，实时数据获取模块51用于获取油气井的实时数据，其中所述实时数据由实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理。故障类型获取模块52用于将所述实时数据输入预先训练的趋势预警模型，获得所述油气井的故障类型。预警信息展示模块53用于根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示。预警信息发送模块54用于将所述预警信息发送给相关用户。当然，基于联合学习的油气井趋势预警装置还可以包括其他模块，每个模块还可以包括多个单元，此处不做限制。
图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如基于联合学习的油气井趋势预警程序。所述处理器60执行所述计算机程序62时实现上述各个基于联合学习的油气井趋势预警方法实施例中的步骤，例如图1所示的步骤S10至步骤S40。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块51至54的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图7仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其它通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备6所需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于联合学习的油气井趋势预警方法，其特征在于，包括如下步骤：
获取油气井的实时数据，其中所述实时数据由实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理；
将所述实时数据输入联合学习平台预先训练的趋势预警模型，获得所述油气井的故障类型；
根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示；
将所述预警信息发送给相关用户。
2.根据权利要求1所述的基于联合学习的油气井趋势预警方法，其特征在于，所述获取油气井的实时数据，其中所述实时数据由应急预测预警系统中的实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理步骤，包括：
通过实时数据库从历史数据库和油井口检测设备同时获取数据，然后对数据进行整合，并将整合的数据发送给应急预测预警系统，其中，实时数据由实时数据库提供，所述实时数据库中数据类型包括：油气井所在地区的环境参数数据和油气井生产的实时数据。
3.根据权利要求2所述的基于联合学习的油气井趋势预警方法，其特征在于，所述应急预测预警系统包括系统管理模块、WEB图形展示模块、预警模型设计模块，所述应急预测预警系统连接所述实时数据库，所述应急预测预警系统还与预设的关系数据库连接。
4.根据权利要求2所述的基于联合学习的油气井趋势预警方法，其特征在于，所述油气井所在地区的环境参数至少包含：油气井所在地的年平均温度、地热增温率、井口到产层中部的深度、天然气相对密度、地层水相对密度、气体平均粘度、底层有效厚度、气体有效渗透率、有关摩阻系数、地面管线摩阻系数、井口到分离器的管线长度、天然气临界温度、天然气临界压力。
5.根据权利要求2所述的基于联合学习的油气井趋势预警方法，其特征在于，所述油气井生产的实时数据至少包括：当前气产量、达到预设标准的气产量、井口油压、分离器压力和井口温度。
6.根据权利要求1所述的基于联合学习的油气井趋势预警方法，其特征在于，所述将所述实时数据输入预先训练的油气井趋势预警模型，获得所述油气井的故障类型，包括：
对获取的所述实时数据进行数据预处理，截取与待预测时段相同周期内的趋势数据；
根据截取的趋势数据对初始趋势预警模型进行训练，获得单个油气井的趋势预警模型；
将训练后的每个油气井对应的趋势预警模型发送至联合学习平台，联合学习平台汇总整合多个油气井的趋势预警模型得到最终的趋势预警模型；
将实时数据输入联合学习平台的所述趋势预警模型，获得所述油气井的故障类型。
7.根据权利要求6所述的基于联合学习的油气井趋势预警方法，其特征在于，所述预警信息过展示平台进行展示，所述展示平台展示的内容包括油压预警显示与套压预警显示。
8.一种基于联合学习的油气井趋势预警装置，其特征在于，包括：
实时数据获取模块，用于获取油气井的实时数据，其中所述实时数据由实时数据库提供，所述实时数据库对不同油气井的历史数据和实时数据进行采集和整理；
故障类型获取模块，用于将所述实时数据输入预先训练的趋势预警模型，获得所述油气井的故障类型；
预警信息展示模块，用于根据所述故障类型生成预警信息，并利用树映射技术对所述预警信息进行展示；
预警信息发送模块，用于将所述预警信息发送给相关用户。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110048360.9A CN114764966A (zh) | 2021-01-14 | 2021-01-14 | 一种基于联合学习的油气井趋势预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110048360.9A CN114764966A (zh) | 2021-01-14 | 2021-01-14 | 一种基于联合学习的油气井趋势预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114764966A true CN114764966A (zh) | 2022-07-19 |
Family
ID=82363061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110048360.9A Pending CN114764966A (zh) | 2021-01-14 | 2021-01-14 | 一种基于联合学习的油气井趋势预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114764966A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045671A (zh) * | 2017-03-22 | 2017-08-15 | 重庆科技学院 | 产水气井积液风险预测方法 |
| US20170328194A1 (en) * | 2016-04-25 | 2017-11-16 | University Of Southern California | Autoencoder-derived features as inputs to classification algorithms for predicting failures |
| CN108386182A (zh) * | 2018-01-16 | 2018-08-10 | 中国海洋石油集团有限公司 | 一种基于spc控制图和加权决策树的油井生产异常预警方法 |
| CN108765889A (zh) * | 2018-04-17 | 2018-11-06 | 中国石油集团安全环保技术研究院有限公司 | 基于大数据技术的油气生产运行安全预警方法 |
| CN110148285A (zh) * | 2019-05-15 | 2019-08-20 | 东营汉威石油技术开发有限公司 | 一种基于大数据技术的油井参数智能预警系统及其预警方法 |
| CN111079977A (zh) * | 2019-11-18 | 2020-04-28 | 中国矿业大学 | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 |
| CN111691873A (zh) * | 2019-03-13 | 2020-09-22 | 中国石油化工股份有限公司 | 用于井壁稳定性预测的井壁稳定性值计算方法及系统 |
| US20200302353A1 (en) * | 2017-11-10 | 2020-09-24 | Landmark Graphics Corporation | Automatic abnormal trend detection of real time drilling data for hazard avoidance |
| CN111737749A (zh) * | 2020-06-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于联邦学习的计量装置告警预测方法及设备 |
| CN111963116A (zh) * | 2020-08-14 | 2020-11-20 | 中国石油大学(北京) | 一种自适应和智能分析决策的智能气田系统和方法 |
| CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
-
2021
- 2021-01-14 CN CN202110048360.9A patent/CN114764966A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170328194A1 (en) * | 2016-04-25 | 2017-11-16 | University Of Southern California | Autoencoder-derived features as inputs to classification algorithms for predicting failures |
| CN107045671A (zh) * | 2017-03-22 | 2017-08-15 | 重庆科技学院 | 产水气井积液风险预测方法 |
| US20200302353A1 (en) * | 2017-11-10 | 2020-09-24 | Landmark Graphics Corporation | Automatic abnormal trend detection of real time drilling data for hazard avoidance |
| CN108386182A (zh) * | 2018-01-16 | 2018-08-10 | 中国海洋石油集团有限公司 | 一种基于spc控制图和加权决策树的油井生产异常预警方法 |
| CN108765889A (zh) * | 2018-04-17 | 2018-11-06 | 中国石油集团安全环保技术研究院有限公司 | 基于大数据技术的油气生产运行安全预警方法 |
| CN111691873A (zh) * | 2019-03-13 | 2020-09-22 | 中国石油化工股份有限公司 | 用于井壁稳定性预测的井壁稳定性值计算方法及系统 |
| CN110148285A (zh) * | 2019-05-15 | 2019-08-20 | 东营汉威石油技术开发有限公司 | 一种基于大数据技术的油井参数智能预警系统及其预警方法 |
| CN111079977A (zh) * | 2019-11-18 | 2020-04-28 | 中国矿业大学 | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 |
| CN111737749A (zh) * | 2020-06-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于联邦学习的计量装置告警预测方法及设备 |
| CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
| CN111963116A (zh) * | 2020-08-14 | 2020-11-20 | 中国石油大学(北京) | 一种自适应和智能分析决策的智能气田系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘胜娃;周雅洁;高翔;王敏;: "基于大数据技术的井下异常预警平台的设计与实现", 物联网技术, no. 03, 20 March 2020 (2020-03-20), pages 66 - 69 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警系统及其预警方法 | |
| AU2013296744B2 (en) | Monitoring, diagnosing and optimizing electric submersible pump operations | |
| Gupta et al. | Applying big data analytics to detect, diagnose, and prevent impending failures in electric submersible pumps | |
| US9268057B2 (en) | Real-time dynamic data validation apparatus and computer readable media for intelligent fields | |
| CN113330185A (zh) | 利用机器学习使用das特征的事件检测 | |
| US9429678B2 (en) | Apparatus, computer readable media, and computer programs for estimating missing real-time data for intelligent fields | |
| CA2937968A1 (en) | Managing performance of systems at industrial sites | |
| EP4062030B1 (en) | Well annulus pressure monitoring | |
| AU2013296908B2 (en) | Monitoring and diagnosing water flooded reservoirs | |
| US9423526B2 (en) | Methods for estimating missing real-time data for intelligent fields | |
| US20180052903A1 (en) | Transforming historical well production data for predictive modeling | |
| EA026278B1 (ru) | Способ оценки пластового давления в подземной залежи углеводородов и используемая в нем компьютерная система и машиночитаемый носитель | |
| Hou et al. | Prediction of the continuous probability of sand screenout based on a deep learning workflow | |
| US11802475B2 (en) | Real time monitoring of fracture driven interference | |
| EP3215706B1 (en) | Methods and systems for fluid removal from a structure | |
| CN114764966A (zh) | 一种基于联合学习的油气井趋势预警方法及装置 | |
| CA2882765C (en) | Methods, apparatus, computer readable media, and computer programs for estimating missing real-time data for intelligent fields | |
| CA3205482A1 (en) | Identifying operation anomalies of subterranean drilling equipment | |
| Shyeh et al. | Examples of Right-Time Decisions from High Frequency Data | |
| US20230383633A1 (en) | Machine-learned based real-time virtual gas metering | |
| Davalos et al. | Innovative and Integrated Digital Solution for Water-Handling Management System Using Machine Learning for Production Enhancement in a Brownfield | |
| Kumar et al. | Enabling Autonomous Well Optimization by Applications of Edge Gateway Devices & Advanced Analytics | |
| Knabe et al. | Intelligent Continual Right-Time Analysis of Field Data as a Service | |
| GB2499523A (en) | A dimensionless simulation of a well in a reservoir |
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 |