CN116906025B - 一种采油工程生产异常诊断装置 - Google Patents
一种采油工程生产异常诊断装置 Download PDFInfo
- Publication number
- CN116906025B CN116906025B CN202310910789.3A CN202310910789A CN116906025B CN 116906025 B CN116906025 B CN 116906025B CN 202310910789 A CN202310910789 A CN 202310910789A CN 116906025 B CN116906025 B CN 116906025B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- lstm
- production
- neural network
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 61
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000007788 liquid Substances 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 39
- 238000000034 method Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000003129 oil well Substances 0.000 description 6
- 238000002922 simulated annealing Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- E21B47/00—Survey of boreholes or wells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (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
本发明公开了石油采汲技术领域的一种采油工程生产异常诊断装置,包括数据获取模块用于获取生产流量监测数据;数据计算模块用于根据异常试验数据计算诊断指标;数据处理模块用于将三类异常状态标签和诊断指标构建成测试数据;模型构建模块用于建立LSTM‑SA神经网络,利用训练集对LSTM‑SA神经网络进行训练,得到生产流量异常诊断模型;模型优化模块用于采用测试集验证异常诊断模型;异常诊断模块用于使用最优异常诊断模型对采油工程生产进行异常诊断。本发明,解决用单一的LSTM神经网络,网络泛化性很差的问题,能够进行更加精准的异常诊断预测。
Description
技术领域
本发明属于石油采汲技术领域,具体是一种采油工程生产异常诊断装置。
背景技术
石油资源是中国工业的重要组成部分,各行各业都需要大量的石油供给。油井中井底压力也叫流动压力,是随着油层压力变化而变化的,油层压力和流动压力的差值通常叫生产压差。它可以用油嘴来控制,油嘴直径越大,流动压力就越小,生产压差就越大,油层出油就越多。但是生产压差过大,短期产油量虽然高了,但有时反而会造成原油脱气、油层水淹、油层压力迅速下降,严重影响油井生产、减少累积产油量。所以,须合理控制生产压差。采油技术在原油开采中占据着重要地位,但是其工作环境的特殊性和井下工况的复杂程度,导致目前采油机的抽油能力与油井底层供液能力难以精准匹配,以及采油过程中遇到含水率过高但是采油机冲次依旧不变导致的采油功率浪费的问题。
传统上企业常采用动液面来衡量油井的供液能力,但动液面的测量成本较高且在动液面深度较深时测量结果并不准确。随着示功图测试技术的不断进步,目前企业多凭借人工经验从示功图中计算油井的供液能力及工况的判断。该方法虽弥补了传统方法的不足,但仍存在实时性差、人工成本高和示功图类型较多等问题。传统的油田预测模型常常采取的是长短期记忆(long-short term memory,LSTM)神经网络的方法。油田产量在开发过程中具有强烈的阶段性,如果采用单一的LSTM神经网络方式,会产生网络泛化性很差的问题,预测油田产量会产生较大误差。因此,亟需一种新的采油生产异常诊断方法来解决上述问题。
发明内容
本发明的目的是提供一种采油工程生产异常诊断装置,解决用单一的LSTM神经网络,网络泛化性很差的问题,能够进行更加精准的异常诊断预测。
为了实现上述目的,本发明的技术方案如下:一种采油工程生产异常诊断装置,包括数据获取模块、数据计算模块、数据处理模块、模型构建模块、模型优化模块和异常诊断模块;
数据获取模块用于获取生产流量监测数据,并按照异常类型将试验数据划分为三个类别;
数据计算模块用于根据异常试验数据计算诊断指标;
数据处理模块用于将三类异常状态标签和诊断指标构建成测试数据,并进行归一化处理,将归一化后的测试数据划分为训练集和测试集;
模型构建模块用于建立LSTM-SA神经网络,利用训练集对LSTM-SA神经网络进行训练,得到生产流量异常诊断模型;
模型优化模块用于采用测试集验证异常诊断模型,判断验证结果是否满足预设精度要求,若是,则得到最优异常诊断模型,反之则迭代通过数据处理模块更新异常诊断模型;
异常诊断模块用于使用最优异常诊断模型对采油工程生产进行异常诊断。
进一步,异常类型包括,供液不足、压力异常和油水比异常。
进一步,数据计算模块用于根据所属的试验数据类别赋予标签状态,每个试验数据中包含计算生产流量所需数据;
获取第一样本数据:产液量、油量、井底压力和温度;
将第一样本数据输入经验模型,得到模拟数据;模拟数据包括:生产流量模拟数据、生产压力模拟数据和生产含水率模拟数据;
获取第二样本数据;所述第二样本数据包括:历史监测生产流量数据、历史监测生产压力数据和历史监测生产含水率数据。
进一步,数据处理模块还用于对第一样本数据和第二样本数据进行预处理,依次包括去除噪声、填补缺失值和标准化三个步骤。
进一步,模型构建模块用于根据第一样本数据、模拟数据和第二样本数据建立数据集;根据数据集训练LSTM-SA神经网络,包括:
将数据集划分出训练集和测试集;
以训练集中的第一样本数据和模拟数据作为LSTM-SA神经网络的输入;
以训练集中的第二样本数据作为LSTM-SA神经网络的目标数据,训练LSTM-SA神经网络。
进一步,模型优化模块用于将最终结果与训练集中的第二样本数据进行比较,基于损失函数计算最终结果与第二样本数据的差值得到损失值;以优化损失值为目标训练LSTM-SA神经网络,利用梯度下降算法找到损失值最小的参数,微调参数,重复计算使得精度达到要求;并通过测试集测试LSTM-SA神经网络的性能。
采用上述方案有以下有益效果:
1、本方案,通过将模拟退火算法应用在优化LSTM神经网络的权值和阈值,模拟退火算法是一种全局寻优的优化算法,在算理上弥补了LSTM神经网络反向传播时的局部寻优过程。通过这样的优化操作后,LSTM神经网络的泛化能力和预测精度都得到了提升。
2、本方案,相比于现有的需要大量数据和繁杂多样的示功图经验模型,本发明基于LSTM-SA神经网络进行预测,无需获取大量数据量,本方法只需产液量,油量,井底压力三个关键数据就可以进行预测。准确度更高,针对性更强,更符合现实采油工况。
3、本方案,通过LSTM-SA神经网络预测,完成模型的训练后,根据预测结果和实际观测值之间的差异,可以判断是否存在异常情况。对采油机的抽油能力与油井底层供液能力进行精准匹配,并且合理控制生产压差,提高采油机泵效,减少耗电量,降低抽油成本。对采油机井的异常情况实时分析并制定冲次调节策略,实现采油机抽油效率的最大化,达到节能增产的目的。
4、本方案,该方法选取多个诊断指标作为生产流量及压力异常的判断依据,针对试验数据进行分类以建立异常模型,实现生产流量异常诊断,提高采油效率。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明采油工程生产异常诊断装置实施例的结构示意图;
图2为本发明采油工程生产异常诊断装置实施例的异常诊断模型训练流程图;
图3为本发明采油工程生产异常诊断装置实施例的运行流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“竖向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面通过具体实施方式进一步详细说明:
说明书附图中的附图标记包括:数据获取模块100、数据计算模块200、数据处理模块300、模型构建模块400、模型优化模块500、异常诊断模块600。
实施例如附图1所示:一种采油工程生产异常诊断装置,包括数据获取模块100、数据计算模块200、数据处理模块300、模型构建模块400、模型优化模块500和异常诊断模块600;
数据获取模块100用于获取生产流量监测数据,并按照异常类型将试验数据划分为三个类别;具体的,异常类型包括,供液不足、压力异常和油水比异常。
数据计算模块200用于根据异常试验数据计算诊断指标;具体的,数据计算模块200用于根据所属的试验数据类别赋予标签状态,每个试验数据中包含计算生产流量所需数据;
获取第一样本数据:产液量、油量、井底压力和温度;
将第一样本数据输入经验模型,得到模拟数据;模拟数据包括:生产流量模拟数据、生产压力模拟数据和生产含水率模拟数据;
获取第二样本数据;所述第二样本数据包括:历史监测生产流量数据、历史监测生产压力数据和历史监测生产含水率数据。
数据处理模块300用于将三类异常状态标签和诊断指标构建成测试数据,并进行归一化处理,将归一化后的测试数据划分为训练集和测试集;此外,数据处理模块300还用于对第一样本数据和第二样本数据进行预处理,依次包括去除噪声、填补缺失值和标准化三个步骤。
模型构建模块400用于建立LSTM-SA神经网络,利用训练集对LSTM-SA神经网络进行训练,得到生产流量异常诊断模型;具体的,模型构建模块400用于根据第一样本数据、模拟数据和第二样本数据建立数据集;根据数据集训练LSTM-SA神经网络,包括:
将数据集划分出训练集和测试集;
以训练集中的第一样本数据和模拟数据作为LSTM-SA神经网络的输入;
以训练集中的第二样本数据作为LSTM-SA神经网络的目标数据,训练LSTM-SA神经网络。
模型优化模块500用于采用测试集验证异常诊断模型,判断验证结果是否满足预设精度要求,若是,则得到最优异常诊断模型,反之则迭代通过数据处理模块300更新异常诊断模型;具体的,模型优化模块500用于将最终结果与训练集中的第二样本数据进行比较,基于损失函数计算最终结果与第二样本数据的差值得到损失值;以优化损失值为目标训练LSTM-SA神经网络,利用梯度下降算法找到损失值最小的参数,微调参数,重复计算使得精度达到要求;并通过测试集测试LSTM-SA神经网络的性能。
异常诊断模块600用于使用最优异常诊断模型对采油工程生产进行异常诊断。
完成模型的训练后,根据预测结果和实际观测值之间的差异,可以判断是否存在异常情况。对采油机井的异常情况实时分析并制定冲次调节策略,实现采油机抽油效率的最大化,达到节能增产的目的。
需要说明的是,LSTM-SA预测模型优化思路,具体结合附图2所示:
LSTM神经网络主要是通过学习训练输入数据与训练输出数据之间的相关关系,并将其相关关系应用到测试输入数据,从而预测测试输出数据。学习训练输入数据与训练输出数据之间相关关系的过程即是LSTM神经网络训练的过程。其中的误差信号反向传播使用的是梯度下降法本质上是一种局部寻优的过程,而SA算法是一种全局寻优的优化算法,在算理上弥补了LSTM神经网络反向传播时的局部寻优过程。LSTM神经网络和SA都属于模仿自然生物和规律的算法。LSTM神经网络的反向传播是利用梯度下降求解权值W和阈值B,SA是根据扰动函数和Metropolis概率求解最优粒子状态x(i),即BP神经网络的权值阈值(W,B)对应SA的最优粒子状态x(i);最后,LSTM神经网络特定权值阈值状态下的预测误差Error(W,B)对应模拟退火算法特定温度下粒子的能量E(x)。所以利用两种算法特征的相似关系进行算法的优化结合。通过将模拟退火算法应用在优化LSTM神经网络的权值和阈值,通过这样的优化操作后,LSTM神经网络的泛化能力和预测精度都有很大的提升。
(1)输入训练数据和测试数据,用LSTM神经网络前向传播过程计算出训练数据的预测值,并计算训练数据预测值与期望值的均方误差MSE。
(2)将MSE作为SA算法的目标函数,将LSTM神经网络中的权值和阈值作为目标函数的自变量。
(3)由于模拟退火算法全局寻优时会以概率P=exp(-ΔMSE/T)接受劣质的权值阈值,所以LSTM-SA寻找最优解的过程,其目标函数值MSE并不会同LSTM神经网络的梯度下降一样随迭代次数的增加而逐渐减小,而是随着迭代次数的增加,而是呈现波浪式起伏,梯度式下降。
(4)将模拟退火算法寻找到的最优权值阈值和测试数据通过激活函数进行前向传播,得到测试数据的预测值,计算测试数据预测值与测试期望值的误差。上述优化步骤说明了模拟退火算法的全局寻优过程代替LSTM神经网络的反向局部寻优过程在算理上是可行的,将其命名为LSTM-SA神经网络模型。LSTM-SA神经网络模型在算理上解决了LSTM神经网络反向局部寻优的问题,提高了预测精度。
图2是本申请一个实施例提供的LSTM-SA神经网络模型流程图。
LSTM-SA模型的运算主要有参数设置、信息正向传递、内循环迭代、产生新解前向传递、判断是否接受新解、判断是否小于目标误差ε、外循环退温和输出结果共8个过程。
(1)参数设置:设LSTM神经网络隐含层和输出层的激活函数分别为f(x)、g(x);设置初温T0和退温函数;设置最大退温次数n或目标最小温度Tmin为算法终止条件;设置每个温度T下的迭代次数LK;设置目标函数可接受最小误差为ε为终止条件;由状态产生函数随机生成初始权值矩阵W和初始阈值矩阵B。
(2)信息正向传递:根据输入数据、初始权值W、初始阈值B和激活函数正向传递计算预测值,并计算预测值与期望值的MSE。
(3)内循环迭代:对lk=1,2,……,LK进行第(4)到第(6)步操作。
(4)产生新解前向传递:根据扰动函数产生新的权值W和阈值B,将输入数据、扰动函数产生的新权值矩阵W和阈值矩阵B经过激活函数产生新的MSE_new。
(5)判断是否接受新解:计算ΔMSE=MSE_new-MSE_0,判断ΔMSE是否小于0,若小于,则接受新解,否则以概率P=exp(-ΔMSE/T)接受新的权值矩阵W和阈值矩阵B为当前解,并将更新MSE_0。
(6)判断是否小于目标误差ε:若小于最小误差ε,则输出当前解为最优解,算法结束,否则进行第(7)步
(7)外循环退温:根据退温函数降低温度T,迭代温度T逐渐趋向于0,然后转到第(3)步。
(8)输出结果:输出最小MSE_min所对应的权值阈值,信息正向传递,求出预测值。
结合附图3所示,具体优化步骤如下:
步骤1、获取异常试验数据,并按照异常类型将试验数据划分为三类状态标签;
步骤2、根据异常试验数据计算诊断指标;
步骤3、将三类异常状态标签和诊断指标构建成测试数据,并进行归一化处理,将归一化后的测试数据划分为训练集和测试集;
步骤4、建立LSTM-SA神经网络,利用训练集对LSTM-SA神经网络进行训练,得到生产流量异常诊断模型;
步骤5、采用测试集验证异常诊断模型,判断验证结果是否满足预设精度要求,若是则得到最优异常诊断模型,反之则迭代执行步骤3更新异常诊断模型;
步骤6、使用最优异常诊断模型对采油工程生产进行异常诊断。
以上所述的仅是本发明的实施例,方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (3)
1.一种采油工程生产异常诊断装置,其特征在于,包括数据获取模块、数据计算模块、数据处理模块、模型构建模块、模型优化模块和异常诊断模块;
数据获取模块用于获取生产流量监测数据,并按照异常类型将试验数据划分为三个类别;
数据计算模块用于根据异常试验数据计算诊断指标;
数据处理模块用于将三类异常状态标签和诊断指标构建成测试数据,并进行归一化处理,将归一化后的测试数据划分为训练集和测试集;
模型构建模块用于建立LSTM-SA神经网络,利用训练集对LSTM-SA神经网络进行训练,得到生产流量异常诊断模型;
模型优化模块用于采用测试集验证异常诊断模型,判断验证结果是否满足预设精度要求,若是,则得到最优异常诊断模型,反之则迭代通过数据处理模块更新异常诊断模型;
异常类型包括,供液不足、压力异常和油水比异常;
数据计算模块用于根据所属的试验数据类别赋予标签状态,每个试验数据中包含计算生产流量所需数据;
获取第一样本数据:产液量、油量、井底压力和温度;
将第一样本数据输入经验模型,得到模拟数据;模拟数据包括:生产流量模拟数据、生产压力模拟数据和生产含水率模拟数据;
获取第二样本数据;所述第二样本数据包括:历史监测生产流量数据、历史监测生产压力数据和历史监测生产含水率数据;
模型构建模块用于根据第一样本数据、模拟数据和第二样本数据建立数据集;根据数据集训练LSTM-SA神经网络,包括:
将数据集划分出训练集和测试集;
以训练集中的第一样本数据和模拟数据作为LSTM-SA神经网络的输入;
以训练集中的第二样本数据作为LSTM-SA神经网络的目标数据,训练LSTM-SA神经网络;
异常诊断模块用于使用最优异常诊断模型对采油工程生产进行异常诊断。
2.根据权利要求1所述的采油工程生产异常诊断装置,其特征在于:数据处理模块还用于对第一样本数据和第二样本数据进行预处理,依次包括去除噪声、填补缺失值和标准化三个步骤。
3.根据权利要求2所述的采油工程生产异常诊断装置,其特征在于:模型优化模块用于将最终结果与训练集中的第二样本数据进行比较,基于损失函数计算最终结果与第二样本数据的差值得到损失值;以优化损失值为目标训练LSTM-SA神经网络,利用梯度下降算法找到损失值最小的参数,微调参数,重复计算使得精度达到要求;并通过测试集测试LSTM-SA神经网络的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910789.3A CN116906025B (zh) | 2023-07-24 | 2023-07-24 | 一种采油工程生产异常诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910789.3A CN116906025B (zh) | 2023-07-24 | 2023-07-24 | 一种采油工程生产异常诊断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116906025A CN116906025A (zh) | 2023-10-20 |
CN116906025B true CN116906025B (zh) | 2024-06-11 |
Family
ID=88364460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310910789.3A Active CN116906025B (zh) | 2023-07-24 | 2023-07-24 | 一种采油工程生产异常诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116906025B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201606065U (zh) * | 2010-02-04 | 2010-10-13 | 北京迪思数软技术开发有限公司 | 一种油井工况分析仪 |
CN111144433A (zh) * | 2019-10-11 | 2020-05-12 | 中国石油天然气股份有限公司 | 基于svm模型油井工况智能诊断分析方法及装置 |
CN112884068A (zh) * | 2021-03-15 | 2021-06-01 | 大庆油田有限责任公司 | 故障诊断的方法及装置、电子设备和存储介质 |
CN113378480A (zh) * | 2021-07-02 | 2021-09-10 | 中国石油大学(华东) | 基于剩余使用寿命预测的水下采油树系统视情维修方法及系统 |
CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
CN114718861A (zh) * | 2021-01-04 | 2022-07-08 | 中国石油化工股份有限公司 | 基于深度学习的螺杆泵井工况智能诊断方法 |
CN114898126A (zh) * | 2022-01-24 | 2022-08-12 | 南京富岛油气智控科技有限公司 | 一种提升采油机复合工况故障诊断精度方法 |
CN115374687A (zh) * | 2021-05-18 | 2022-11-22 | 中国石油化工股份有限公司 | 数形结合的油井工况智能诊断方法 |
-
2023
- 2023-07-24 CN CN202310910789.3A patent/CN116906025B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201606065U (zh) * | 2010-02-04 | 2010-10-13 | 北京迪思数软技术开发有限公司 | 一种油井工况分析仪 |
CN111144433A (zh) * | 2019-10-11 | 2020-05-12 | 中国石油天然气股份有限公司 | 基于svm模型油井工况智能诊断分析方法及装置 |
CN114718861A (zh) * | 2021-01-04 | 2022-07-08 | 中国石油化工股份有限公司 | 基于深度学习的螺杆泵井工况智能诊断方法 |
CN112884068A (zh) * | 2021-03-15 | 2021-06-01 | 大庆油田有限责任公司 | 故障诊断的方法及装置、电子设备和存储介质 |
CN115374687A (zh) * | 2021-05-18 | 2022-11-22 | 中国石油化工股份有限公司 | 数形结合的油井工况智能诊断方法 |
CN113378480A (zh) * | 2021-07-02 | 2021-09-10 | 中国石油大学(华东) | 基于剩余使用寿命预测的水下采油树系统视情维修方法及系统 |
CN114898126A (zh) * | 2022-01-24 | 2022-08-12 | 南京富岛油气智控科技有限公司 | 一种提升采油机复合工况故障诊断精度方法 |
CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116906025A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Production performance forecasting method based on multivariate time series and vector autoregressive machine learning model for waterflooding reservoirs | |
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
CN111985610B (zh) | 一种基于时序数据的抽油机井泵效预测系统和方法 | |
CN110952978A (zh) | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
CN114896903A (zh) | 一种基于强制学习的油田生产系统决策优化方法 | |
WO2024046086A1 (zh) | 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置 | |
CN113627639A (zh) | 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统 | |
CN115874993A (zh) | 一种基于人工智能的页岩气井生产控制方法、设备和系统 | |
CN112664184A (zh) | 基于支持向量回归算法的抽油机井检泵周期预测方法 | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
CN115564136A (zh) | 一种地热历史拟合和产能预测方法 | |
CN113756786A (zh) | 一种基于深度学习的抽油机井时序示功图预测方法 | |
CN116906025B (zh) | 一种采油工程生产异常诊断装置 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
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 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN115099464A (zh) | 一种基于油嘴模型流量系数预测的油井产量预测方法 | |
CN117365430A (zh) | 一种页岩气单井日产量预测方法及系统 | |
CN116877051B (zh) | 一种采油工程生产流量及压力异常诊断方法及设备 | |
CN117684947B (zh) | 一种基于深度学习的油井井底流压软测量方法 | |
CN117913867B (zh) | 一种基于边缘计算监控的构网储能控制方法 | |
Liu et al. | Adaptive Real-Time Prediction for Oil Production Rate Considering Model Parameter Uncertainties | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
Wang et al. | Research on productivity prediction and identification of main control factors of fractured vuggy reservoirs based on machine learning |
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 |