基于数据驱动的油井生产参数智能调控方法

2022-11-30王振龙何岩峰王相窦祥骥李秉超陈真

断块油气田 2022年6期

王振龙，何岩峰，王相，窦祥骥，李秉超，陈真

（常州大学石油工程学院，江苏常州 213164）

0 引言

有杆泵采油是国内最常用的采油方法，对整个油井生产起着至关重要的作用。随着常规油田开采进入中后期，油井普遍出现压力不足、不能连续抽油、产量降低等问题［1-2］，使得抽油泵出现不同程度的空抽或充满度不足现象，不仅增加了采油设备的故障风险，而且造成了电能的巨大浪费，提高了开发成本。

目前解决问题的方法主要有：1）间歇采油［3-5］。当油井出现供液不足时，及时关闭抽油机，待井下积累一定的油量时，再次开启抽油机抽汲，这样在一定程度上避免了抽油机的无功运行，减少了电能的浪费。但如果抽油机停止抽汲，油井产量势必会受到影响。对于地处寒冷地区的油井，如果长时间停机，轻则会影响到油井产量，重则造成抽油机无法再启动。2）变频控制采油［6-9］。以实际产液量、泵效、示功图和动液面等单因素参数为限定条件，动态地调整油井生产参数，实现抽油机的变频控制采油。但单因素调控仅仅从各侧面反映问题，具有一定的片面性，难以准确支撑油井生产参数的智能调控。

随着生产信息化的全面推进，大数据资源已初步形成，油井远程控制、数据实时采集均已实现。海量实时监测的数据指标为油井生产参数智能调控提供了更丰富、更全面、更及时的支撑，如果能够充分、有效地利用这些数据，将进一步提升油井生产参数智能调控的效果。因此，本文开展了一种基于数据驱动的油井生产参数智能调控方法研究，对供液程度等时间序列数据进行挖掘，优先提取了表征其水平和演化趋势的特征指标，结合tanh函数和分段线性函数，建立了基于层次分析法的综合决策因子计算方法，实现了油井生产参数与地层供液情况的自适应、智能化匹配。

1 油井生产参数智能调控方法

油井生产参数智能调控是集数据驱动技术和石油工程领域知识相结合的方法。该方法主要将油井示功图、动液面和产液速度3种指标作为调控依据，分析油井的运行情况，指导调整油井相关生产参数，实现抽油机井合理协调运行。

1）从现场搜集整理油井示功图、动液面等数据，结合采油工程理论筛选油井示功图、动液面和产液速度。针对示功图图像数据，建立基于卷积神经网络的油井供液程度智能识别模型，将示功图量化为供液程度［10］。

2）对供液程度、动液面、产液速度时间序列数据开展数据挖掘［11-12］，提取反映平均水平和趋势变化的指标，引入tanh函数和分段线性函数，生成水平决策因子和趋势决策因子，建立针对各单项指标的油井生产参数调控单因素决策因子计算方法。

3）考虑到多种因素对调控决策的综合影响，提出了基于层次分析法的综合决策因子计算方法，实现了油井生产参数调控的多因素量化决策。总体框架如图1所示。

图1 基于数据驱动的油井生产参数智能调控总体框架

2 基于示功图的油井供液程度定量化分析

在示功图中油井供液程度可以直观被反映，示功图是油井有杆抽油泵一次往复运动中位移和载荷的关系曲线，当油井出现供液不足时，示功图曲线右下角会出现缺失，呈现“刀把型”，且供液程度越高，缺失越严重。近年来随着新一代人工智能技术的迅速发展，以卷积神经网络为代表的深度学习算法在图像识别领域已取得巨大成功［13-15］。因此，针对示功图的特点，建立了基于卷积神经网络的油井供液程度智能识别模型，实现了油井供液程度定量化评估［16］。

2.1 基于卷积神经网络的油井供液程度智能识别

首先，通过从油田生产现场收集的示功图数据，建立示功图-油井供液程度样本库，结合示功图的特点，构建了卷积神经网络模型；然后，将样本库图像输入卷积神经网络模型中进行训练和测试，利用反向传播算法优化网络结构，得到训练、测试准确率，并保存训练好的模型；最后，利用训练好的模型对新示功图识别验证，对于识别错误的示功图，修正错误的识别结果并放入对应分类原样本库中，再次训练卷积神经网络网络，不断优化卷积神经网络模型。

2.2 基于示功图的油井供液程度量化评估

通过优化后的卷积神经网络模型，对采集的示功图进行识别，从而实现油井供液程度定量化评估。以某口油井为例，示功图数据采集频率为30次/min，本文选取6 h时间跨度的示功图样本进行评估（见图2），供液程度定量化评估结果如图3所示（图中数据时间为2020年）。由图3可看出，该井供液程度波动严重。通过基于卷积神经网络的油井供液程度智能识别方法，可以准确地反映出随时间不断变化的油井供液程度。

图2 示功图样本

图3 基于示功图的油井供液程度量化评估

3 基于时间序列数据的调控特征提取

时间序列是按时间顺序的一组数字序列［12］，时间序列分析就是利用这组数列，应用数理统计方法加以处理来反映某一现象的统计指标和变化规律。针对油井供液程度、动液面和产液速度时间序列数据开展数据挖掘，提取了表征其水平和演化趋势的特征指标用于指导油井生产参数的智能调控。

3.1 时间序列的水平分析

时间序列的水平分析主要反映了历史一段时间内数据平均水平的高低。例如油井供液程度越高，代表油井供液能力越强。针对油井供液程度、动液面和产液速度时间序列数据的特点，对比了包括平均值、中位数、滑动平均等在内的多种特征指标，优先选用平均值来表征数据水平的特征指标，可以明显得出油井供液程度等时间序列数据的平均水平高低。

3.2 时间序列的演化趋势分析

时间序列的演化趋势分析主要反映了历史一段时间内数据上升或下降的变化趋势。针对油井供液程度、动液面和产液速度时间序列数据的特点，对比了包括小波分析、ARIMA、线性回归分析等在内的多种特征指标，优选用斜率来表征数据演化趋势的特征指标。首先，运用线性回归法分析油井供液程度等监测数据随时间的变化趋势，以时间为自变量，油井供液程度等监测数据为因变量，计算斜率；然后，根据斜率的正负来反映数据上升或下降的变化趋势。

3.3 时间序列数据算例

以油井供液程度为例，采用平均值反映油井供液程度平均水平的高低，斜率反映油井供液程度的演化趋势。本文选取某一口油井的数据分析（见图4，数据时间为2020年）得出，该油井供液程度24 h演化趋势的线性回归斜率为-3.753，平均值为35.667%。

图4 基于时间序列的油井供液程度分析

4 调控单因素决策因子计算方法

通过对油井供液程度、动液面和产液速度时间序列数据分析，提取了反映其平均水平和趋势变化的特征指标，结合面向油井供液程度、动液面和产液速度的决策因子计算方法，生成了水平决策因子和趋势决策因子，从而建立油井生产参数调控单因素决策因子计算方法。

4.1 面向油井供液程度和动液面的决策因子计算方法

针对油井供液程度和动液面时间序列数据的特点，结合tanh函数［17］，建立了面向油井供液程度和动液面的决策因子计算方法。

tanh函数表达式：

式中：f（x）为决策函数；x为平均水平和趋势变化的特征指标；a，c均为常量。

式（1）为非线性函数，根据观察和计算可知，tanh函数连续且严格单调，并且关于（c，0）对称，是一个良好的阈值函数。通过不同的c值，tanh函数可以取到［-1，1］的任何数。当a为4，c为0时，tanh函数曲线见参考文献［17］，是以（0，0）为对称中心的。单因素决策因子的取值在［-1，1］，tanh函数能够满足条件。

面向油井供液程度和动液面的决策因子计算方法步骤为：1）由于选取的动液面和供液程度数据具有不同的量纲和数量级，为了保证数据的可靠性，需要对数据进行标准化。首先将提取的反映其水平和演化趋势的特征指标标准化到［-1，1］。2）将标准化后的数据输入到tanh函数中得到油井参数单因素调控决策因子。3）针对油井供液程度的特点（油井供液能力越强，油井供液程度越高，反之亦然），当输出参数越接近1，代表越需要正向调参（提高抽油机抽油频率）；当输出参数越接近-1，代表越需要负向调参（降低抽油机抽油频率）；当输出参数接近0，代表目前不需要调参。同理可得供液程度单因素调控策略（见表1）。

表1 油井生产参数调控单因素决策因子计算方法

4.2 面向产液速度的决策因子计算方法

目前，在油井生产过程中，产液速度也极大地影响油井的生产效率。产液速度一般为恒定速度，调整幅度较小，因此，结合油田现场生产情况和产液速度变化趋势的特点，设计了分段线性函数，实现了面向产液速度的决策因子计算方法。

分段线性函数表达式为

分段线性函数的大致图像如图5所示。

图5 分段线性函数图像

面向产液速度的决策因子计算方法步骤与4.1节相同。

5 基于层次分析法的综合决策因子

由于独立油井供液程度、动液面和产液速度单因素参数难以准确支撑油井生产参数智能调控，因此建立了基于层次分析法的综合决策因子计算方法［18-19］，利用层次分析法确定决策者偏好的主观权重，通过加权平均综合函数对多因素综合进行决策［20-22］，根据决策结果确定是否需要调控。基于层次分析法的综合决策因子计算方法的步骤为6个。

5.1 建立多层次结构模型

根据油井生产参数智能调控各类影响因素之间的相互关系，按照目标层（A）、准则层（B）和方案层（C）建立了多因素决策因子递阶层次模型，如图6所示。

图6 综合决策因子递阶层次模型

5.2 构造判断矩阵

根据所建立的递阶层次模型，将B层各影响因素相对于A层的重要程度进行两两比较［23-25］，根据专家经验，构建判断矩阵参数（见表2）。比较标准采用（1—9）标度法（见表 3）。

表2 准则层判断矩阵参数

表3 （1—9）标度法评判准则

5.3 确定各层次评价指标的权重

计算排序权重向量的方法较多，常用的方法为特征根法。设判断矩阵的相对权重为WB，WB的计算方法为：首先，将准则层判断矩阵的元素按行相乘；然后，将所得到的乘积结果分别开n次方；最后，根据方根向量归一化 WB为［0.558，0.320，0.122］T。

5.4 一致性检验

建立判断矩阵后，必须对其进行一致性检验.检验该判断矩阵是否具有良好的一致性（见表4）。

表4 随机一致性指标

特征向量的最大特征根γmax：

式中：Z为判断矩阵；n为矩阵的阶数；W为权重向量。

一致性指标CI：

一致性比例CR：

式中：RI为平均随机一致性指标。

根据式（4），求得 CI为 0.009，根据表 5，RI为 0.58。根据式（5），求得CR为0.016。由于CR小于0.1，则认为该判断矩阵具有良好的一致性。

5.5 计算组合权重

计算出C层各影响因素相对于B层与其相关因素的权重，基于已确定的准则层对目标层的权重、方案层对准则层的权重，可得组合（总）权重。结果见表5。

表5 组合权重

5.6 加权平均法

加权平均法主要是考虑各因素在评价中所处的地位不尽相同，给每个评价因素确定一个权重来体现这种不同。使用加权平均法，重要的是确定各个评价指标的权重。本文采用的权重均由层次分析法求得。加权平均法公式为

式中：Ei为第i个指标加权后的总分数；ai为第i个指标所占的权重，一般为1；Si为第i个评价指标的评分；m为权重个数。

本文采用层次分析法确定方案层和准则层各影响因素的权重，计算出组合（总）权重，基于加权平均法建立加权平均综合函数，实现最终的综合决策结果。加权平均综合函数将输出数值映射到［-1，1］。

6 现场试验应用

6.1 试验井情况

某口油井，属于低渗透油藏类型，应用油井生产参数智能调控方法前，该井出液极不稳定且没有规律性，地层能量差，长期供液不足生产。

6.2 应用效果分析

在使用油井生产参数智能调控方法前，人工设定抽油机抽油频率为35 Hz，动液面高度在1 727～2 348 m波动，供液程度阶段性平均约为46%，产油量仅在1.7 t/d。基于此，研究决定采用基于数据驱动的油井生产参数智能调控方法，应用油井生产参数智能调控方法前后，生产参数水平和波动性变化对比见表6。

表6 油井生产参数智能调控前后（水平）对比

由表6可以看出，通过使用油井生产参数智能调控方法后，抽油机频率下降15 Hz，油井供液程度阶段性平均提升13.6百分点，稳定性提升4.508%；动液面下降137.903 m；产液速度提升0.510 t/d，稳定性变化不太显著。另外，实施油井生产参数智能调控方法，通过降低抽油机抽油频率，避免了抽油机及电能的无效损耗和浪费，实现了节能降耗的目的。