基于譜聚類與極限學習機的抽油井動液面多模型軟測量

楊豐銘（遼河油田興隆臺采油廠，遼寧 盤錦 124010）

基于譜聚類與極限學習機的抽油井動液面多模型軟測量

楊豐銘（遼河油田興隆臺采油廠，遼寧 盤錦 124010）

動液面是抽油井的一個重要生產參數，傳統人工測量方法存在實時性差、勞動強度大等問題。對此，本文提出基于譜聚類算法和極限學習機的多模型軟測量方法，解決單模型方法不能完全反映生產工況的問題，以提高軟測量模型的自適應能力及預測精度。

譜聚類；極限學習機；抽油；模型；軟測量

在油田生產過程中，油井的動液面是反映地層供液能力的一個重要指標，是油田確定合理沉沒度、制定合理工作制度的重要依據。通過對動液面的分析，確定泵深、計算井底流壓；根據動液面變化，判斷油井的工作制度與地層能量的匹配情況。動液面是油管和套管環形空間的液面，是反映地層供液能力的一個重要指標，是油田確定合理沉沒度、制定合理工作制度的重要依據。

動液面測量的傳統方法是聲波法，通過回聲技術測量井下液面深度[1]。由回聲儀通過采集經過井管接頭反射的節箍波信號和經過油層表面反射的液面波信號，找出井口位置、動液面位置和基準節箍波，然后計算動液面深度。但是回聲法存在不足，一是回聲信號受井筒工況制約產生誤差，例如：結臘點、油污泡沫；二是不能實時在線測量，測量時需要停井操作，無法實時獲取動液面數據。

1 譜聚類算法

譜聚類算法[1]的主要步驟如下：

步驟1參數初始化。輸入樣本集X，聚類數目k，尺度參數σ，其中σ定義如下：

步驟2建立相似矩陣S∈Rn×n。

步驟3計算規范化度矩陣D=diag(d1,d2,…,dn)，然后構造規范化拉普拉斯矩陣Lrw=D-1/2(D-S)D-1/2。

步驟4對Lrw進行特征值分解，計算前k個最小特征值所對應的特征向量u1,u2,…,uk。

步驟5由特征向量u1,u2,…,uk組成矩陣U。

步驟6令Y∈Rk對應U的第i行向量，其中i=1,2,…,n。

步驟7根據K均值算法將樣本集聚類為k類：C1,C2,…,Ck。

2 極限學習機

ELM的訓練可以表示為如下最優化問題：

目的就是找到最優β，使ELM的計算輸出值ti和真實值yi之間的誤差最小。

圖1 基于譜聚類與極限學習機的多模型軟測量模型結構

3 基于譜聚類與極限學習機的多模型軟測量模型

基于譜聚類與極限學習機的多模型軟測量模型結構如下圖1所示。

4 實例驗證

采集國內某油田作業區一口油井的961組生產數據，輔助變量[3]分別為上下沖程平均載荷差、沖程、沖次、產液量、油壓、套壓。隨機選取730組數據作為訓練樣本，剩下的231組數據作為測試樣本。本文所采用多模型軟測量模型的預測結果如圖2所示，與BP神經網絡、RBF神經網絡和GRNN神經網絡的對比結果如表1所示。

圖2 模型預測結果

表1 不同方法預測結果對比

5 結論

針對油田生產中抽油井井下動液面測量存在的問題，本文提出了基于譜聚類與極限學習機的多模型軟測量方法。由譜聚類算法將數據集劃分為多個子模型，每個子模型由極限學習機方法進行建模，國內某油田作業區一口抽油井的實際生產數據驗證了本文所提出方法的有效性。

[1]張朝暉，弓志謙，遲健男，張紅宇.采油井動態液面測量技術研究[J].傳感技術學報，2007，20(5):1180-1183.

[2]李琨，韓瑩，黃海礁.基于自動譜聚類與多極端學習機模型的油井油液含水率軟測量[J].化工學報，2016，67(7):2925-2933.

[3]王通，高憲文，劉文芳.自適應軟測量方法在動液面預測中的研究與應用[J].化工學報，2014，65(12):4898-4904.