一种采油工程生产流量及压力异常诊断方法及设备与流程

1.本发明属于石油采汲技术领域，具体是一种采油工程生产流量及压力异常诊断方法及设备。


背景技术：

2.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。
3.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。因此，亟需一种新的采油生产流量及压力异常诊断方法来解决上述问题。


技术实现要素：

4.本发明的目的是提供一种采油工程生产流量及压力异常诊断方法，能够合理控制压差，准确判断地层供液能力和含水率。
5.为了实现上述目的，本发明的技术方案如下：一种采油工程生产流量及压力异常诊断方法，包括如下步骤：
6.步骤1、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；
7.步骤2、根据异常试验数据计算诊断指标；
8.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；
9.步骤4、建立lstm神经网络，利用训练集对lstm神经网络进行训练，得到生产流量异常诊断模型；
10.步骤5、采用测试集验证诊断模型，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以更新异常诊断模型；
11.步骤6、使用步骤5得到的最优异常诊断模型对采油工程生产流量及压力进行异常诊断。
12.进一步，异常类型包括：供液不足、压力异常和油水比异常。
13.进一步，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；
14.获取第一样本数据：产液量、油量、井底压力和温度；
15.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；
16.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。
17.进一步，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。
18.进一步，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神经网络，包括：
19.将数据集划分出训练集和测试集；
20.以训练集中的第一样本数据和模拟数据作为lstm神经网络的输入；
21.以训练集中的第二样本数据作为lstm神经网络的目标数据，训练lstm神经网络。
22.进一步，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神经网络的性能。
23.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现所述的采油工程生产流量及压力异常诊断方法。
24.采用上述方案有以下有益效果：
25.1、本方案，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，并利用异常诊断模型对采油工程生产流量及压力进行异常诊断，实现生产流量异常诊断，提高采油效率。
26.2、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。
27.3、本方案，通过lstm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。
28.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
29.图1为本发明采油工程生产流量及压力异常诊断方法实施例的流程示意图；
30.图2为本发明采油工程生产流量及压力异常诊断方法实施例的异常诊断模型结构框图；
31.图3为本发明采油工程生产流量及压力异常诊断设备实施例的流程示意图。
具体实施方式
32.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。
33.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。
34.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。
35.下面通过具体实施方式进一步详细说明：
36.本发明的第一实施例：如附图1-2所示：一种采油工程生产流量及压力异常诊断方法，包括如下步骤：
37.步骤1、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。
38.步骤1中的异常类型包括：供液不足、压力异常和油水比异常。
39.步骤2、根据异常试验数据计算诊断指标。
40.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。
41.步骤4、建立lstm神经网络，利用训练集对lstm神经网络进行训练，得到生产流量异常诊断模型；
42.步骤5、采用测试集验证诊断模型，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以更新异常诊断模型；
43.步骤6、使用步骤5得到的最优异常诊断模型对采油工程生产流量及压力进行异常诊断。
44.基于压差，地层供液能力和含水率对采油效率的影响，无需获取大量数据量，然后选取三个诊断指标作为异常的判断依据，再基于lstm神经网络进行建立异常分类模型，实现采油工程生产流量及压力异常诊断，可提高采油效率。
45.具体的，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。
46.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。
47.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神经网络的输入；以训练集中的第二样本数据作为lstm神经网络的目标数据，训练lstm神经网络。
48.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神经网络的性能。
49.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。
50.本发明的另一实施例：如附图3所示，提供一种用于采油工程生产流量及压力异常诊断的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现第一实施例所述的采油工程生产流量及压力异常诊断方法。
51.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。本技术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。

技术特征：
1.一种采油工程生产流量及压力异常诊断方法，其特征在于，包括如下步骤：步骤1、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；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神经网络，利用训练集对lstm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以更新异常诊断模型；步骤6、使用步骤5得到的最优异常诊断模型对采油工程生产流量及压力进行异常诊断。2.根据权利要求1所述的采油工程生产流量及压力异常诊断方法，其特征在于：异常类型包括：供液不足、压力异常和油水比异常。3.根据权利要求2所述的采油工程生产流量及压力异常诊断方法，其特征在于：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。4.根据权利要求3所述的采油工程生产流量及压力异常诊断方法，其特征在于：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。5.根据权利要求4所述的采油工程生产流量及压力异常诊断方法，其特征在于：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神经网络的输入；以训练集中的第二样本数据作为lstm神经网络的目标数据，训练lstm神经网络。6.根据权利要求5所述的采油工程生产流量及压力异常诊断方法，其特征在于：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神经网络的性能。7.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如权利要求1-6中任一所述的采油工程生产流量及压力异常诊断方法。

技术总结
本发明公开了石油采汲技术领域的一种采油工程生产流量及压力异常诊断方法及设备，该方法包括如下步骤：步骤1、获取生产流量监测数据；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神经网络，利用训练集对LSTM神经网络进行训练，得到生产流量异常诊断模型；步骤5、采用测试集验证诊断模型；步骤6、使用步骤5得到的最优异常诊断模型对采油工程生产流量及压力进行异常诊断。本发明，选取多个诊断指标作为生产流量异常的判断依据，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。效率。效率。


技术研发人员：李斌 冉君帅 王安亚 宋志亮 钟笠 陈泽熙 魏鹏 符传骥
受保护的技术使用者：克拉玛依市志卓油田科技发展有限公司
技术研发日：2023.07.24
技术公布日：2023/10/15