CN115994231A - 稠油配汽优化的知识图谱优化方法 - Google Patents

Abstract

本发明公开了一种稠油配汽优化的知识图谱优化方法，包括收集稠油数据，进行数据清洗融合；然后进行异常值检测并且剔除异常点；用处理过后的数据构建稠油生产知识图谱，对稠油生产知识图谱的节点进行分析，根据分析结果实现配汽优化。本专利从新颖的角度出发，通过所构建的稠油生产知识图谱，能对稠油配汽方案进行优化。本发明将稠油配汽与知识图谱有效融合，可以科学的指导稠油配汽，提高生产效率，具备相当完备的数学理论基础和实际应用价值。

Description

稠油配汽优化的知识图谱优化方法

技术领域

本发明涉及了一种对稠油配汽优化的知识图谱优化方法，特别涉及了一种知识图谱的优化方法，具体是如何利用知识图谱构建稠油生产知识图谱，并基于稠油生产的知识图谱实现配汽优化。本发明专利属于稠油配汽优化技术领域。

背景技术

石油是重要的化工工业原料，它作为自然资源具有稀缺性与短期不可替代性，在国家经济、社会发展中具有重要地位。国际上通常将油藏温度下原油黏度超过100mPa·s、密度超过934kg/m³的原油归类为稠油。随着石油资源需求量的不断攀升，以及石油勘探和开发程度的深入，稠油作为石油资源中重要占比的油类，在石油生产中的地位越来越重要。就目前稠油开采技术而言，分为热采和冷采两大类，其中以蒸汽吞吐、蒸汽驱、火烧油层、热水驱等热力开采为主。以我国主要稠油开采油田为例，按照开采方式以及生产规模排序，除塔河油田与渤海油田以外，蒸汽吞吐在热采产量中仍然占主导地位(大于70%)，其次为蒸汽辅助重力泄油和蒸汽驱。整个开采过程可分为配汽、焖井、开井生产三个阶段。

知识图谱最初是谷歌公司为了优化搜索引擎，提升用户体验所提出的。这一概念提出后，迅速传播开来，它涉及专家系统、语义网、数据库、信息抽取等多方技术。结合各行业特点，构建面向特定领域的领域知识图谱，不但能够清晰明了的展示数据间的关联关系，还能够通过挖掘隐含信息，辅助决策。

稠油生产数据储存在稠油各生产数据表中，稠油生产结构关联关系以及生产流程难以展现。知识图谱具有直观展示数据关联关系的特点，本文将利用稠油生产历史数据构建稠油生产知识图谱。根据知识图谱图结构特性，以节点中心性作为选井判断依据，对影响因子大的井节点进行单井属性分析，寻求各阶段属性关联关系，而非逐井分析，节省人力成本。在此基础上，以产量为标准对稠油生产知识图谱进行社区划分，通过井节点中心性引入单井重要性，使用相似度计算，确定初始注汽量；动态引入注汽量所对应的注汽温度属性特征，获取更贴合实际注汽量的配汽计划，实现配汽优化。

发明内容

为了克服现有技术中存在的缺陷，本发明旨在提供稠油配汽优化的知识图谱优化方法。知识图谱的图结构特点可以建立各种影响因子之间的联系，通过相似度计算动态决策出最优的配汽方案实现了对稠油的配汽优化方法。

本发明解决上述技术问题所提供的技术方案是：稠油配汽优化的知识图谱优化方法，包括以下步骤：

步骤S10、收集稠油数据，收集的稠油数据包括井号、区块、注水层位、日期、驱动分类、井口压力、注汽井口温度、注汽压力、注汽温度、日配注入量、注汽量、注汽轮次、管汇号，锅炉名称、管汇号、井号、日期、井类型、井型名称、横坐标、纵坐标、井号、区块、日期、生产井口温度、最高油压、日产液量、日产油量、计量产液量、含水率、注汽轮次、备注、生成层位、管汇号；对实时监测数据进行预处理，实现对监测数据进行缺失值填补，然后进行异常值检测并且剔除异常点，最后对数据进行标准化处理。

步骤S20、根据S10中处理后的稠油数据构建稠油生产知识图谱，通过子图搜索，进行关系计算，对稠油生产知识图谱进行补全；结合知识图谱图结构以及稠油生产数据特点，进行数据校验。

步骤S30、对稠油生产知识图谱的节点进行中心性分析。节点中心性计算结果作为单井选取的衡量指标，再对稠油生产中单井重要属性关联关系进行对比分析，得到正常情况下稠油生产重要属性变化规律。

步骤S40、结合稠油生产结构，使用一种采用递归方法的社区划分算法对融合了节点中心性之后的稠油生产知识图谱进行产量社区划分；然后融合划分结果，对井进行标注。最后使用结合了节点中心性的节点相似度计算，确定初始注汽量，再此基础上动态添加属性进行实体相似度计算，确定最终配汽计划，实现稠油配汽优化的知识图谱优化方法。

本发明具有以下有益效果：

（1）本发明能够有效地对稠油配汽方案利用知识图谱进行优化，并且指导生产人员进行科学的配汽，提高生产效率。

（2）本发明利用知识图谱对各个影响因子进行分析，实现稠油配汽优化，具有相当完备的数学理论基础；

（3）本发明所采用的深度学习模型，具有缺失值不敏感的特点，非常适合于稠油开采平台的环境。

附图说明

图1 为稠油生产知识图谱流程图

图2 为稠油生产实体关系图

实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明的配汽优化的知识图谱优化方法，包括以下步骤：

步骤S10、收集稠油数据；收集到的数据包括井号、区块、注水层位、日期、驱动分类、井口压力、注汽井口温度、注汽压力、注汽温度、日配注入量、注汽量、注汽轮次、管汇号，锅炉名称、管汇号、井号、日期、井类型、井型名称、横坐标、纵坐标、井号、区块、日期、生产井口温度、最高油压、日产液量、日产油量、计量产液量、含水率、注汽轮次、备注、生成层位、管汇号；

步骤S20、对实时监测数据进行缺失值填补；

其中本发明采用两种不同的方式对带有缺失值的数据进行填补，分别为平均值填充法和邻近值填充法；对离散的数据特征，采用邻近值填充法填补缺失值，以更好的达到数据的统一；对生产井口温度、最高油压、日产液量、日产油量、含水率，采取均值填充法填补缺失值，以更好的拟合井下数据的真实情况；

步骤S30、进行异常值检测并剔除异常点，并进行标准化处理；

对异常值的检测采用应用统计检验方法，指定检出异常值的显著性水平α=0.05，称为检出水平；指定为检出高度异常的异常值的显著性水平α=0.01，称为舍弃水平，又称剔除水平。剔除高出舍弃水平的异常值点。

上述标准化处理的具体公式为：

式中：为标准化特征贡献向量；为特征贡献向量；为最小特征贡献向量；为最大特征贡献向量。

步骤S40、根据S30所述步骤处理后的稠油数据构建稠油生产知识图谱。稠油生产知识图谱整体设计以及层次结构较为清晰，采用自顶向下的方式进行构建，构建流程如附图1所示。自顶向下的构建方式需要在初始时进行本体构建，本体层即为该图谱的模式层，根据本体进行数据填充完成知识图谱的构建。本体构建流程包括领域内概念定义、层次结构划分、属性及其约束定义、个体定义以及槽值填充等步骤，为了便于后续知识融合多使用RDF、RDFS以及OWL等语义网的知识表示框架进行本体表示。由于所构建的稠油生产知识图谱对知识融合以及语义推理无严格要求，因此直接进行模式层设计，不使用语义网知识表示框架对其进行表示。根据稠油生产知识图谱模式层结构以及知识抽取结果，对稠油生产知识图谱进行三元组表示，稠油生产实体连接关系如附图2所示。由于稠油生产知识存储在数据文件中，无需特别对数据进行处理，在知识存储时按预定义三元组连接关系进行存储即可。但井实体属性分为静态属性以及动态属性，动态属性中还需要包含日期信息，因此在进行三元组表示时，需要根据井属性分类，添加日期信息。锅炉、管汇、井等稠油生产结构作为实体，根据其参与的生产阶段，依据生产结构关系定义进行连接。井型、井类型、横纵坐标、层位以及配注量不会随着注汽量的变化而变化，是静态属性，与井实体直接相连。井口温度、井口压力、最高油压、日产液量、日产油量以及含水率会根据注汽量发生变化，具有时间属性。层位与井实体存在注水层位与生产层位两种关系。井的注汽量与锅炉有关，管汇仅具有传输作用，因此井的注汽量与锅炉之间也存在注汽关系。

步骤S50、对稠油生产知识图谱节点中心性的单井分析。节点中心性计算结果作为单井选取的衡量指标，对稠油生产中单井重要属性关联关系进行对比分析，得到正常情况下稠油生产重要属性变化规律。结合知识图谱图结构特性，首先从全局角度选取特殊数值节点进行子图分析。井作为稠油生产基本单位，通过井节点所连接的数值节点的子图遍历，对数值进行计算，确定其可能出现偏差的数值节点类型。分析其子结构对于后续运算有重要作用，因此对井节点所连接的其余类型节点进行概要统计。然后根据稠油生产不同阶段，在稠油生产知识图谱的基础上创建图形数据模型；使用节点中心性算法对节点进行单井分析，节点中心性的计算公式如下：

其中表示第i个节点N的中心性，用于计算节点i与其他g-1个j节点之间直接联系的数量，无向图的节点中心性即为与该节点直接相连的边的个数，对于有向图，仅将节点的入度纳入计算范围内。稠油生产知识图谱是有向图，计算注汽量、井口温度、日产液量、日产油量以及含水率的度中心性时，节点的入度即为该节点的度中心性。选取节点中心性高的井，进行单井分析，获得井口温度、产量等属性。单井分析是稠油生产中重要环节，稠油生产知识图谱中包含大量井节点，对井节点进行逐一分析，工作量大，所得结果繁杂，难以作为参考依据。因此先根据节点中心性计算结果选取稠油生产中重要井节点，再对其进行更为有效的分析。

步骤S60、结合稠油生产结构，使用Louvain算法对融合节点中心性后的稠油生产知识图谱进行产量社区划分；社区发现本质是对节点或边的分组，社区发现算法用于评估节点组如何聚类或分区，以及它们加强或分裂的趋势。使用Louvain算法对稠油生产知识图谱进行产量划分。Louvain算法以递归方式将社区合并到单个节点中，并在压缩图上执行模块化聚类，最大化了每个社区的模块化分数，其中模块度量化了向社区分配节点的质量，其具体定义公式如下：

其中代表了节点i与节点j之间边的权重，m是网络中所有链路的权重总和，是所有与节点i相连的边的权重之和，是节点i的集群号，函数表示若节点i与j在同一集群内则返回1，否则返回0。当一轮迭代后Q不再变化则停止迭代，否则继续下一轮迭代。模块度是评估一个社区网络划分好坏的度量方法，是一种相对性的指标。取值范围为[-1/2, 1)，一般认为模块度在0.3～0.7之间属于较为合适的社区划分结果。Louvain算法对井节点进行产量社区划分，但对于社区中的井节点，在稠油生产知识图谱中未做相应标注，需要判定使用此方案是否出现无产出等情况。因此根据社区划分结果，对井进行社区标注，以确保经过计算后所提供的配汽计划从理论上将不会出现无产出状况。使用Louvain算法对转化后的稠油生产图形数据模型进行社区划分，所得社区数量存在一定差距，社区内部包含成员数相差较大，因此需要根据稠油生产知识图谱中各节点具体连接情况以及数据特点对检测结果进行融合。遍历每个社区的井节点，记录该节点日产液量为0的节点数以及不为0的节点数，计算日产液量为0的比例，计算公式如下：

其中表示日产液量为0的比例。表示井节点w所连接的日产液量为0的节点个数，表示该井节点所连接的日产液量不为0的节点个数。若在初始时通过统计的办法直接对稠油生产知识图谱进行分类，由于某些井因为其相关属性值特殊，产量结果不具有适配性，可能对后续结果造成影响。

步骤S70、融合划分结果，对井进行标注。根据产量社区融合结果对井的产出情况进行标注，当井为无产出状态时，当前井的注汽量将不纳入考虑范围，反之，当井为高产出状态或为全产出状态时，将优先考虑该井注汽量。为了减小计算量，明确参考依据，在同社区内，井的产出结果默认保持一致，进行配汽优化时，可根据节点所属社区情况快速判断产量状态。依据产量社区融合结果，对各社区中节点进行标注，以便后续识别节点分属社区类别，其标注过程如下。将Louvain算法中的全产出以及高产子社区根据其产出状况连接为完整的全产出社区以及高产出社区。遍历稠油生产知识图谱，寻找无社区连接节点，获取所连接注汽井口温度，根据注汽井口温度连接量最多井节点社区标签划分至相应社区。为社区内部井节点添加社区属性，并进行社区类别标注。

步骤S80、使用结合了节点中心性的节点相似度计算，确定初始注汽量，再此基础上动态添加属性进行实体相似度计算实现稠油配汽优化的知识图谱优化方法。

综合考虑实际生产中不同井的重要程度，将井节点中心性作为特征之一，通过井节点与其他井节点相似度计算结果，筛选出与其相似度高的高产出井，获取注汽量作为目标井注汽量参考。已生产数据中必然存在当前井的历史生产记录，但在历史数据中，此井所使用的配汽计划未必最优，若此井之前无产出则无法获得相应配汽计划。稠油生产知识图谱中存在大量数值型节点，选取基于距离计算节点相似度的方法，通过计算井节点属性距离确定节点相似度。实体相似度计算是一种通过计算实体间各属性的相似情况确定实体是否相似的计算手段。井的注汽井口温度随注汽量的注入而变化，因此当井开始注汽时，井增加了可考量的注汽井口温度属性。此时井当前状态未必与初始时所筛选的井状态保持一致。为了获取当前井与历史数据中最为贴合的井的注汽状态，对井进行相似度计算时，需要将注汽井口温度纳入考量范围，达到通过井动态属性的改变而获取当前时刻的最优配汽计划的目的。新增注汽井口温度属性全为数值属性，因此仍然使用基于距离或是基于统计等方式进行实体相似度计算。

确定相似度可以使用Jaccard算法。Jaccard相似（Jaccard Similarity）系数是指A、B两个集合的交集元素个数在并集中所占的比例，也被称为Jaccard系数，用于计算相似性，表示A，B两个集合的相似性结果越大越相似。给定两个集合，使用如下公式计算Jaccard相似性：

计算得到的Jaccard指标，结合了井所属的生产社区标签，选取相似度高的全产出井节点对应的初始注汽量，作为目标井的初始注汽量。稠油生产知识图谱井实体每天会根据注汽量产生不同的注汽井口温度，因此通过动态添加井口温度属性，结合各井的节点中心性，进行实体相似度计算确定其最终配汽计划。由于注汽井口温度可能存在重复，因此在计算Jaccard相似的基础上，结合重叠相似性算法，综合计算结果作为衡量单井相似度指标。这种重叠相似性算法将A、B两个集合映射到一维空间，再进行重合度加权求和。它既不关注夹角的大小，也不关注向量之差的长度值，是一种与Jaccard相似不同的相似度算法。具体公式如下：

其中表示A，B两集合的重叠相似度，表示A，B两个集合的交集，表示在A，B集合中最小的一个集合。

结合井所属生产社区标签，选取相似度高的全产出井节点对应注汽量，添加注汽量对应的井口温度到目标井特征中，继续进行计算，直至无相似度高的井或无全产出井。最终获得科学合理的配汽计划。

以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.稠油配汽优化的知识图谱优化方法，其特征在于，包括以下步骤：

步骤S10、收集稠油数据，对实时监测数据进行预处理，实现对监测数据进行缺失值填补，然后进行异常值检测并且剔除异常点，最后对数据进行标准化处理；

步骤S20、根据处理后的稠油数据格式构建稠油生产知识图谱；

步骤S30、对稠油生产知识图谱节点中心性的单井分析，节点中心性计算结果作为单井选取的衡量指标，对稠油生产中单井重要属性关联关系进行对比分析，得到正常情况下稠油生产重要属性变化规律；

步骤S40、结合稠油生产结构，使用一种递归方式的划分社区算法对融合节点中心性后的稠油生产知识图谱进行产量社区划分；然后融合划分结果，对井进行标注；最后使用结合了节点中心性的节点相似度计算，确定初始注汽量，再此基础上动态添加属性进行实体相似度计算实现稠油配汽优化的知识图谱优化方法。

2.根据权利要求1所述的稠油配汽优化的知识图谱优化方法，其特征在于，步骤S10中，收集的稠油数据包括井号、区块、注水层位、日期、驱动分类、井口压力、注汽井口温度、注汽压力、注汽温度、日配注入量、注汽量、注汽轮次、管汇号，锅炉名称、管汇号、井号、日期、井类型、井型名称、横坐标、纵坐标、井号、区块、日期、生产井口温度、最高油压、日产液量、日产油量、计量产液量、含水率、注汽轮次、备注、生成层位、管汇号。

3.根据权利要求1所述的稠油配汽优化的知识图谱优化方法，其特征在于，步骤S10中，采用两种不同的方式对带有缺失值的数据进行填补，分别为平均值填充法和邻近值填充法；对离散的数据特征，采用邻近值填充法填补缺失值，以更好的达到数据的统一；对生产井口温度、最高油压、日产液量、日产油量、含水率，采取均值填充法填补缺失值，以更好的拟合数据的真实情况。

4.根据权利要求1所述的稠油配汽优化的知识图谱优化方法，其特征在于，步骤S10中，异常值检测并且剔除异常点，对异常值的检测采用应用统计检验方法，指定检出异常值的显著性水平α=0.05，称为检出水平；指定为检出高度异常的异常值的显著性水平α=0.01，称为舍弃水平，剔除高出舍弃水平的异常值点。

5.根据权利要求1所述的稠油配汽优化的知识图谱优化方法，其特征在于，步骤S30中，对稠油生产知识图谱节点中心性的单井分析，对节点的中心性进行计算，其具体公式如下：

，

其中表示第i个节点N的中心性，用于计算节点i与其他g-1个j节点之间直接联系的数量，无向图的节点中心性即为与该节点直接相连的边的个数，对于有向图，仅将节点的入度纳入计算范围内，节点中心性计算结果作为单井选取的重要衡量指标。

6.根据权利要求1所述的稠油配汽优化的知识图谱优化方法，其特征在于，步骤S40中，使用一种递归方式的划分社区算法对融合节点中心性后的稠油生产知识图谱进行产量社区划分；这种社区划分算法的具体公式为：

，

其中代表了节点i与节点j之间边的权重，m是网络中所有链路的权重总和，是所有与节点i相连的边的权重之和，是节点i的集群号，函数表示若节点i与j在同一集群内则返回1，否则返回0，当一轮迭代后Q不再变化则停止迭代，否则继续下一轮迭代。

Images