宋文娟 王志永 邹仪虎 赵东波 田健

摘 要：不同程度的管漏或油管堵塞是影响油井产量的重要因素，本文提出一种利用聚类和BP神经网络相结合的方法对油井憋压数据进行处理、分析，根据井筒不同程度漏失或堵塞进行产量修正。通过对该方法进行验证，修正后的产量基本满足生产需要。

关键词：憋压 漏失 修正 系数

目前油田常采用的量油方式有液面量油、功图量油和分离器量油。随着油田地面优化简化的推動，分离器逐渐被淘汰，液面量油耗时长，因此功图量油成为各个油田的主要量油手段。近几年主要在于功图量油结果的修正。根据调研发现，管柱漏失是影响功图量油准确率的重要因素，生产中判断漏失的方法主要有示功图和憋压。本文提出一种对憋压数据进行处理、分析的方法，最终达到修正井口产量的目的。

一、修正系数的方法

本文提出一种基于憋压数据修正油井漏失系数的方法，其主要手段为机器学习中的聚类和BP神经网络相结合。方法流程见图1所示：

图1主要展示的过程为将憋压数据整理、归一化后送入K-means聚类模型，通过无监督学习由机器输出分类结果，将结果分成若干类，再利用BP神经网络得出系数，进而使用系数对油量进行修正。

二、结论与讨论

1、憋压情况K-means分类

对于憋压情况的好坏划分，现场经验方法很难将“好坏”量化。聚类方法可以让机器自主探索划分的边界，使憋压数据作为判断抽油泵工作状况的根据。……