[发明专利]一种基于数据驱动与边云协同的智能添加泡沫排水剂进而解决气井水堵的方法

说明书

本发明设计一种基于数据驱动与边云协同联合的推荐加注泡沫排水剂剂量进而解决气井水堵的方法，属于油气井开发技术领域。该方法包括获取数据集并进行预处理；用灰度关联算法进行特征参数筛选；根据LSTM和SVR算法建立模型并求最优解；将得到的模型部署至生产网络的中心云服务器；中心云服务器智能推荐加注排水剂剂量，并传至边缘云服务器；边缘云服务器结合迭代算法，逐步优化加注量，最终得到适合某井的最优解。本发明由于采取以上技术方案，可以解决传统基于数据驱动模型泛化性弱的问题，结合中心云服务器上一个算法及边缘云迭代算法，即可优化所有气井加注量，减少了计算机资源的投入。同时极大地提高了容错率，并且提高了气井的收益。

技术领域

本发明涉及一种气井工况诊断方法，特别涉及一种基于数据驱动与边云协同的智能添加泡沫排水剂进而解决气井水堵的方法，属于油气井开发技术领域。

背景技术

传统基于数据驱动的智能推荐加注泡沫排水剂的方法，有两大问题。第一个问题是，往往每个井分开讨论，或者分区块进行讨论，原因是不同井/区块环境不同，这往往需要对每一部分设立服务器并部署独特的模型，那么这无疑会加大资源投入；第二个问题是，基于数据驱动的方法，泛化性不好，且没办法应对新井，而实际生产中应对新井的策略通常是基于经验的加注泡沫排水剂，这对工人要求较高，且主观性太强，也因此加注量往往不适合。

本方法提出一种基于数据驱动与边云协同的智能添加泡沫排水剂进而解决气井水堵的方法，首先运用LSTM、SVR等机器学习算法，从数据的角度找出油压、套压、井口温度等生产数据与加注药量之间的关系，然后在此基础上，运用迭代的思想逐步调优，以达到最优化气井产量，获得最大收益。

由于本方法基于客观历史生产数据，可以避免经验法的主观问题。同时，加入边云协同的思想，可以校正机器学习算法的误差，进而解决算法泛化性不好的问题。基于此方法，可以在气井发生水堵时，较好的推荐加注泡沫排水剂的剂量，使气井尽快恢复正常生产状态，缩短水堵时间，同时基于迭代思想，最优化加注量，使气井日平均产气最优化，进而提高气井平均经济效益。

发明内容

针对上述问题，本发明的目的是提供一种基于数据驱动与边云协同的智能添加泡沫排水剂进而解决气井水堵的方法，解决传统机器学习泛化性弱、误差大，以及经验法主观性太强的问题。

为实现上述目的，本发明采取以下技术方案：基于数据驱动与边云协同的智能添加泡沫排水剂进而解决气井水堵的方法，其包括以下几个步骤：

(1)采集气井的每日生产数据作为样本数据集；

(2)对数据进行数据预处理，保留有效数据；

(3)运用灰度关联算法筛选特征参数；

(4)进行算法建模；

(5)优化算法参数，导出算法模型；

(6)将算法模型部署到生产网络中的中心云服务器；

(7)气井水堵时，中心云服务器智能推荐加注药量，并将命令下发至边缘云服务器；

(8)边缘云服务器接收到命令后，结合迭代思想，以收到的命令数据为基准，逐步优化加注量。

所述步骤(1)，采集气井的每日生产数据作为模型训练数据集。

所述步骤(2)，对步骤(1)采集的数据进行数据预处理，包括数据清洗、数据转换和数据去量钢化等。

所述步骤(3)，对步骤(2)处理后数据，运用灰度关联算法，得到所有特征参数与“液体(泡沫排水剂)加药量”的关联度分数，设置最小阈值0.01，保留分数大于这个阈值的特征参数，删除小于这个阈值的特征参数。通过灰色关联度算法保留了平均油压、平均套压、外输压力、日产气量、产油量、产水量六个特征参数。