[发明专利]基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法

权利要求书

1.基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法，其特征在于包括以下步骤：

1)现场采集若干口有杆泵抽油井历史数据，包括井号、冲程开始时间、冲程结束时间、悬点位移、悬点载荷、冲程、冲次、产量、含水率、动液面深度、油压、套压、泵径、泵深、泵效、地层原油密度、地面原油密度、气油比、饱和压力、溶解系数、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数；

2)对有杆泵抽油井动液面进行机理分析，得出与井下动液面深度相关性强的因素，包括示功图参数、含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数；其中示功图参数是由一个冲程内所有悬点载荷和悬点位移数据构成的封闭曲线图；

在一个冲程内，悬点位移和悬点载荷分别为动态数据，含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径为静态数据；

3)动液面深度预测模型采用BP神经网络，网络由悬点位移特征子网络、悬点载荷特征子网络和静动态特征融合子网络三部分构成；悬点位移特征子网络共H层，包括输入层、中间层和输出层，输入层由一个冲程内所有悬点位移值作为输入，中间层H-2层，激活函数选择relu函数，输出层为悬点位移特征层记为，激活函数采用Linear函数，节点数记为J；悬点载荷特征子网络结构同悬点位移特征子网络，输入为一个冲程内所有悬点载荷，输出为悬点载荷特征层，节点数也为J；z_l⁽ⁿ⁾表示第n个特征子网络中第h层神经元的状态矩阵，α_l⁽ⁿ⁾表示第n个特征子网络中第h层神经元的输出矩阵，当h＝1时，α_l⁽ⁿ⁾为第n个特征子网络的输入x⁽ⁿ⁾，h＝1,2…H-1，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络；静动态特征融合子网络共L层，包括输入层、中间层和输出层，输入层由悬点位移特征子网络的输出、悬点载荷特征子网络的输出及含水率、油压、套压、地层原油密度、地面原油密度和泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长和各级油管内径参数作为输入，中间层L-2层，激活函数选择relu函数，输出层为动液面深度记为激活函数采用Linear函数，节点数为1，Z_l表示静动态特征融合子网络第l层神经元的状态矩阵，β_l是静动态特征融合子网络第l层的输出矩阵，l＝1_,2…L-1，当l＝L-1时，β_L就是静动态特征融合子网络的输出

4)将现场采集的若干口有杆泵抽油井历史运行数据随机排序，然后将数据按照8∶1∶1的比例分成训练集、验证集和测试集；训练集用于训练神经网络中的参数；验证集用于来调节神经网络中的参数；测试集用于客观的评价神经网络的性能；

5)将Huberloss函数作为神经网络的损失函数，利用训练集、验证集、测试集数据，采用梯度下降法对动静态信息特征融合神经网络参数包括W_l，B_l，w_l⁽ⁿ⁾和b_l⁽ⁿ⁾进行优化，在全局范围内得到神经网络参数最优值，w_l⁽ⁿ⁾表示第n个特征子网络中第h层到第h+1层的权重矩阵，b_h⁽ⁿ⁾表示第n个特征子网络中第h层到第h+1层的偏置矩阵。W_l和B_l分别表示动静态混合特征提取网络中第l层到第l+1层的偏置项和权值矩阵，n＝1代表悬点位移特征子网络，n＝2代表悬点载荷特征子网络；

6)将获得的神经网络参数最优值代入步骤3)的BP神经网络结构，建立基于动静态信息特征融合神经网络的抽油井多井动液面深度预测模型；

7)在生产过程中，采集任意某口油井的含水率、油压、套压、地层原油密度、地面原油密度、泵径、各级抽油杆杆长、各级抽油杆直径、各级油管长、各级油管内径参数以及一个冲程内所有悬点载荷和悬点位移数据输入步骤6)的模型，得出动液面深度预测结果。