论文部分内容阅读
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。本次收集了374组油井憋压数据，考虑到各井不同的憋压结果反映了不同的井况，采用无监督学习的方法对其进行分类：
（1）收集的憋压结果统一格式为“憋压X冲次压力升至A，停憋Y分钟压力升/降至压力B”，对其中的“X”、“A”、“Y”、“B”进行提取并统计，形成一组374×4的数组;（2）对该数组做标准化处理;（3）数据用K-Means聚类，根据数据类型及对数据的理解设定不同数量的聚类中心点，依次设定聚类中心点个数为2、3、4、5，将其无监督学习后的标记结果进行输出。
分类结果解释：划分为四类，第1类为憋压和稳压效果均较好;第2类为憋压效果一般但稳压效果好，第3类为憋压较好、稳压极好，第4类为憋压效果好但稳压效果极差。
2、 BP神经网络确定系数
现场确定漏失系数时，一般根据憋压的不同程度确定不同的系数范围。根据油井单井产量计算公式：参数“有效冲程”可以在示功图反映，“实际冲次”根据现场加速度感应器反馈给自动化系统，“泵径”根据单井日报提取，系数α在认为现场“吨桶量油”结果是准确的情况下，可以得出漏失系数的值：
由此可得到不同漏失情况下的修正系数。
根据式（1）将收集的374口油井憋压数据，获取其对应的泵径、冲次、有效冲程、“吨桶量油/分离器量油”结果，最终得到各井的漏失系数。在建立神经网络时以憋压数据[，，，]作为输入，以漏失系数[]为输出。利用BP神经网络对不同憋压聚类结果及隐含层节点数分别做回归。隐含层的个数以及迭代次数见表1所示：
3、现场验证
现场验证步骤如下：
（1）收集测试集（2）对数据进行标准化处理;（3）加载“憋压数据聚类模型”，对测试集数据分类;（4）加载 “神经网络模型”，对应步骤（3）中的分类送入对应的神经网络模型进行预测，得出修正系数;（5）并将计算结果与真实结果对比，综合误差用公式（2）进行评价。
结果显示误差百分比的绝对值为15.41%，综合误差-4.22%，基本满足工业输差（25%左右）需求。因此认为利用憋压结果确定漏失系数的方法基本可以用于示功图量油中，从而解决管柱段漏失造成的液量计算不准的问题。
四、展 望
测试结果中仍有误差较大的值，因此可以考虑扩大样本集，使聚类结果更加精细，进而将其系数单独归类训练，可能将误差进一步进行改善，本文由于篇幅不再进行讨论。
参考文献：
[1]谢宇.软件量油存在问题及对策[J].化学工程与装备，2014（03）：82-85.
[2]张立婷，李世超，曾鹏，等.基于均值滤波和BP神经网络的功图量油技术[J].油气田地面工程，2018，37（08）：83-86.
[3]张容旗. 采油A厂抽油机井功图量油系数的研究[D].东北石油大学，2018.
[4]姜兴伟.功图量油计量误差关键影响因素研究[J].计量技术，2018（11）：7-10+26.
[5]张琪. 采油工程原理与设计[M]. 东营：石油大学出版社，2000.
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。本次收集了374组油井憋压数据，考虑到各井不同的憋压结果反映了不同的井况，采用无监督学习的方法对其进行分类：
（1）收集的憋压结果统一格式为“憋压X冲次压力升至A，停憋Y分钟压力升/降至压力B”，对其中的“X”、“A”、“Y”、“B”进行提取并统计，形成一组374×4的数组;（2）对该数组做标准化处理;（3）数据用K-Means聚类，根据数据类型及对数据的理解设定不同数量的聚类中心点，依次设定聚类中心点个数为2、3、4、5，将其无监督学习后的标记结果进行输出。
分类结果解释：划分为四类，第1类为憋压和稳压效果均较好;第2类为憋压效果一般但稳压效果好，第3类为憋压较好、稳压极好，第4类为憋压效果好但稳压效果极差。
2、 BP神经网络确定系数
现场确定漏失系数时，一般根据憋压的不同程度确定不同的系数范围。根据油井单井产量计算公式：参数“有效冲程”可以在示功图反映，“实际冲次”根据现场加速度感应器反馈给自动化系统，“泵径”根据单井日报提取，系数α在认为现场“吨桶量油”结果是准确的情况下，可以得出漏失系数的值：
由此可得到不同漏失情况下的修正系数。
根据式（1）将收集的374口油井憋压数据，获取其对应的泵径、冲次、有效冲程、“吨桶量油/分离器量油”结果，最终得到各井的漏失系数。在建立神经网络时以憋压数据[，，，]作为输入，以漏失系数[]为输出。利用BP神经网络对不同憋压聚类结果及隐含层节点数分别做回归。隐含层的个数以及迭代次数见表1所示：
3、现场验证
现场验证步骤如下：
（1）收集测试集（2）对数据进行标准化处理;（3）加载“憋压数据聚类模型”，对测试集数据分类;（4）加载 “神经网络模型”，对应步骤（3）中的分类送入对应的神经网络模型进行预测，得出修正系数;（5）并将计算结果与真实结果对比，综合误差用公式（2）进行评价。
结果显示误差百分比的绝对值为15.41%，综合误差-4.22%，基本满足工业输差（25%左右）需求。因此认为利用憋压结果确定漏失系数的方法基本可以用于示功图量油中，从而解决管柱段漏失造成的液量计算不准的问题。
四、展 望
测试结果中仍有误差较大的值，因此可以考虑扩大样本集，使聚类结果更加精细，进而将其系数单独归类训练，可能将误差进一步进行改善，本文由于篇幅不再进行讨论。
参考文献：
[1]谢宇.软件量油存在问题及对策[J].化学工程与装备，2014（03）：82-85.
[2]张立婷，李世超，曾鹏，等.基于均值滤波和BP神经网络的功图量油技术[J].油气田地面工程，2018，37（08）：83-86.
[3]张容旗. 采油A厂抽油机井功图量油系数的研究[D].东北石油大学，2018.
[4]姜兴伟.功图量油计量误差关键影响因素研究[J].计量技术，2018（11）：7-10+26.
[5]张琪. 采油工程原理与设计[M]. 东营：石油大学出版社，2000.