BP神經網絡在油井示功圖識別中的應用

王天柱,尚翠娟,王睿思,王穎瑞,王小平,吳繼榮

(1.中國石油天然氣股份有限公司華北油田分公司勘探開發研究院,河北 任丘 062552；2.中國石油天然氣股份有限公司華北油田分公司合作開發項目部,河北 任丘 062552；3.中國石油天然氣股份有限公司華北油田分公司第三采油廠,河北 河間 062460；4.中國石油天然氣股份有限公司長慶油田分公司隴東氣田項目部,甘肅 慶陽 745100)

0 引言

目前國內大部分油田識別示功圖的方法還是憑借采油工的現場經驗，這種方法具有很大的隨機性。由于監測抽油機井獲取的實時生產數據過大，傳統的憑借采油工經驗的識別方法已經不符合現代油田數字化建設模式。因此，如何利用遠程監測系統采集的海量數據，進行準確的油井工況識別，及時采取生產措施是亟待解決的問題。

1 功圖量油技術概況

1.1 功圖量油概述

把抽油機井的有桿泵抽油系統視為一個的振動系統，通過建立波動方程，計算在井口條件下的泵示功圖[1]。對泵示功圖進行平滑去噪、歸一化分析等處理，可以判斷得到閥開閉點位置，進而得到有效沖程，計算出泵的排液量，使用井口混合物體積系數，折算出地面的油井產量。

1.2 功圖量油應用概況

國內油田中，大港油田首先使用功圖量油法計算油井產液量。隨后很快在吐哈油田，延長油田，大慶油田，等都取得了不錯的效果。長慶油田的《功圖法油井計量裝置》于2008年獲國家發明專利。功圖量油技術發展到后期的主要側重點由產液量計算轉移到通過示功圖對油井進行工況診斷。

2 BP神經網絡識別示功圖

2.1 典型示功圖特征樣本庫

2.1.1 Hu不變矩

在圖形圖像像素一定的條件下，Hu的7個不變矩具有圖像旋轉、平移和尺度變化都保持不變的特性。這種特性使得其很夠很好的識別一般圖形圖像，因而在圖像識別的很多方面廣泛使用[2]。

2.1.2 典型示功圖特征提取

在實際生產中選取具有典型故障的油井作為樣本，本文對17種工況每種選擇油井3口，一共選擇51口井的示功圖數據。分別計算這51口井的示功圖的7個不變矩、泵效、上沖程載荷增幅以及下沖程載荷減幅。由于數據數量級相差較大，對上述10個特征參數數據做歸一化處理，確立抽油井17中典型示功圖工況的樣本庫，用于訓練人工神經網絡。

2.2 BP神經網絡

2.2.1 BP神經網絡簡介

BP神經網絡的特點：有導師學習、多層、前向。基本分三層：輸入層、隱含層和輸出層，BP神經網絡的同層節點之間是沒有連接的，每個層內的節點只和該層相鄰的下一層的節點相連接。BP神經網絡通常選用S型函數作為節點的激勵函數。

2.2.2 BP神經網絡模型設計

（1）輸入輸出層設計。輸入向量設計：上沖程載荷增幅、下沖程載荷增幅、泵效以及7個不變矩。

輸出模式設計：17中典型示功圖能夠精確區分。

如：泵正常工作(1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,)。

（2）隱含層設計。Hecht-Nielsen曾證明，具有非線性連接變換函數的單隱層BP神經網絡能夠完成任意的非線性的輸入輸出函數。提高網絡精度可以從兩方面實現：增加網絡層數和增加隱含層神經元數量。前者可以很好的提高精度并減小誤差，但會使得網絡變復雜，訓練的時間變很長。相比而言，增加隱含層的神經元數量來提高網絡精度要簡單許多，也會減少訓練時間。因此，由于本文采用神經網絡來識別二維示功圖圖像，只需要三層BP神經網絡就能夠滿足要求。

（3）期望誤差的選取。在神經網絡最優期望誤差的選擇時會面臨不同問題，如果誤差的選擇偏大，就會影響到識別結果的準確性。如果過小，則會使得網絡的訓練時間很長。綜合上述分析，通過試驗選取期望誤差為0.01。

2.2.3 BP神經網絡訓練

網絡訓練流程圖

2.3 識別示功圖技術實現

通過上節樣本庫的訓練，BP神經網絡內部的閥值已經經過反復修改儲存起來，網絡訓練達到要求后便可以識別示功圖，進而判斷抽油機工況。對于不同的數據樣本庫和網絡分類器，訓練得到權值和閥值也不相同，最后得到的診斷結果頁回出現偏差。為了確保診斷結果的精度，本文使用3個子網絡并對其進行集成診斷結果。3個子網絡得到的結果使用裝袋技術對其進行進行篩選，最終實現更精確的工況診斷。

3 實例分析

2008年08月21日，對CQ油田的Xi34-12-1油井進行數據測試，得到以下參數：泵徑為56mm，泵深為1499.61m，沖程為4.5m，沖次為3.8次/min，地面天然氣相對密度0.76，地面原油相對密度0.84，動液面1333m，地面原油粘度102 mPa.s，井口回壓0.021 MPa，套壓為0.65MPa，最大載荷39.5KN,最小載荷14.0KN, 示功圖如下圖所示：

Xi34-12-1示功圖

通過工況診斷模塊提取該井的10個特征值依次為：0、0.28、0.08、0.13、0.81、1、0.75、0.17、0.91、-0.06，診斷系統輸出向量為：1.72E-03、0.95、5.44E-03、1.38E-02、3.41E-04、4.38E-04、7.72E-03、3.42E-02、6.35E-03，網絡的工況診斷結果：供液量不足，和現場生產情況吻合。

4 結論

通過對示功圖的特性分析，提取不變矩和生產參數作為特征參數，選取典型示功圖樣本對BP神經網絡進行訓練，完成對示功圖的識別，實現了計算機的自動工況診斷，和實際生產情況較為符合，具有一定的實踐價值。本文只對典型的十七種泵工況研究。在實際油田生產過程中，會出現多種故障并存的情況，工況較為復雜，對這些多種故障并存的工況的識別方法還有進一步完善的空間。

[1]余金澤，彭永剛，關成堯，張杰.“功圖量油”技術的發展[J].中國石油和化工，2009(04)：51-54.

[2]王睿，李言俊，張科.基于不變矩和SVM分類的三維目標識別方法[J].計算機仿真，2011(01).