[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

说明书

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，属于软测量领域，现场采集若干口有杆泵抽油井历史数据，得出与井下动液面深度相关性强的因素，构建预测模型结构，将油井历史运行数据按比例分成训练集、验证集和测试集；将Huber loss作为神经网络的损失函数，采用梯度下降法对动静态信息特征融合神经网络参数进行优化，得到最优值。本发明实现了对不同井下环境的有杆泵抽油井的多井动液面深度预测，预测精度高，稳定性强。

技术领域

本发明属于软测量领域，具体涉及多口抽油井的动态液面的预测方法。

背景技术

据统计，全世界拥有约92万口油井，其中约90％以上为人工举升机械采油井，且普遍采用有杆泵抽油系统。并且有杆泵抽油井的耗电量占油田总耗电量的30％以上，是影响采油成本的主要因素之一，因而节能潜力巨大。而精准预测动液面及产液量是实施抽油机井自调优的关键。

目前采用的人工测量动液面方法存在测试设备工艺复杂、成本高、测试功能单一，现场安装、使用和维护工作量大、成本高，无法实时在线检测和受井下环境影响较大的问题。针对以上问题，提出油井动液面的软测量方法，但是大多数油井动液面的软测量方法在建模时使用样本容量太小，且采用的现场数据多来自同一口油井，动液面变化不大，导致仿真效果没有较强说服力，而且由于不同地区油井地下环境相差很大，用一口油井数据的建模不能实现不同地区多口油井动液面同时预测。而且没能有效解决预测模型受异常数据影响，导致结果偏差较大的问题。

发明内容

针对现有技术中有杆泵油井的多井动液面动态测量，以及建模过程中数据集存在异常数据问题，本发明提出一种基于动静态信息特征融合神经网络的抽油井多井动液面预测方法。

本发明基于动静态信息特征融合神经网络的抽油井多井动液面预测方法，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、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参数为静态数据；