基于循環(huán)神經(jīng)網(wǎng)絡(luò)的抽油桿柱壽命預(yù)測新方法

邴紹強(qiáng) 王振 段鴻杰 張旭躍 邢雷

摘要：當(dāng)前抽油桿柱易發(fā)生異常甚至發(fā)生抽油桿脫斷，因此預(yù)測抽油桿柱的剩余壽命變得越來越重要。而當(dāng)前傳統(tǒng)的抽油桿柱剩余壽命預(yù)測方法效率低，準(zhǔn)確度差，計(jì)算模型較為復(fù)雜。基于此，本文借助循環(huán)神經(jīng)網(wǎng)絡(luò)方法，訓(xùn)練建立一套油井桿柱壽命預(yù)測的神經(jīng)網(wǎng)絡(luò)新方法。結(jié)果表明：對于抽油桿柱可以通過循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）準(zhǔn)確預(yù)測抽油桿柱剩余壽命。

關(guān)鍵詞：抽油桿柱;壽命預(yù)測;循環(huán)神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）35-0178-05

全國油田的生產(chǎn)油井中約有80%是使用有桿抽油機(jī)生產(chǎn)，75%的產(chǎn)油量是有桿抽油機(jī)采出的，而每年新增加抽油桿達(dá)到幾千萬米，可見抽油桿在石油開采中占有著相當(dāng)重要的地位[1]。抽油桿斷脫所造成的井下作業(yè)工作量在油田開發(fā)后期及含水率90%以上的時(shí)期占相當(dāng)大的比重，作業(yè)成本快速上升，嚴(yán)重影響油田的經(jīng)濟(jì)效益。在國外，有桿泵抽油機(jī)是油田的主要采油設(shè)備，其不但使用數(shù)量大，用電量大，而且系統(tǒng)效率低，節(jié)電潛力巨大，雖然也有很多節(jié)能型抽油機(jī)用于油田，也確實(shí)起到了一定的節(jié)能效果，但由于多方面原因，大部分節(jié)能機(jī)不能很好地適應(yīng)油田的生產(chǎn)，因此在世界各油田機(jī)采井采油中，機(jī)采井抽油桿的斷裂損傷問題都不同程度地存在。這是一個(gè)世界范圍內(nèi)需要急需解決的困難課題。因此加大技術(shù)投入和過程強(qiáng)化管理，減少抽油桿斷脫的發(fā)生，已成為改善井下作業(yè)質(zhì)量的必由之路。通過抽油桿柱壽命預(yù)測可以有效且及時(shí)杜絕抽油桿斷脫對油田采油生產(chǎn)過程的影響，對于減少抽油桿斷脫而帶來的維修費(fèi)用和減少對油田生產(chǎn)效益影響具有重要意義[2]。

傳統(tǒng)抽油桿壽命的預(yù)測方法分兩種：一是基于斷裂力學(xué)的疲勞裂紋擴(kuò)展剩余壽命預(yù)測方法[3]，研究了桿柱裂紋擴(kuò)散速率隨時(shí)間的變化規(guī)律。二是基于疲勞累積損傷理論的桿管柱疲勞壽命的預(yù)測方法[4]，分析了桿柱在井下的交變應(yīng)力狀態(tài)，得出了桿柱疲勞裂紋擴(kuò)展與時(shí)間的變化關(guān)系。抽油桿柱使用壽命的預(yù)測與估算多數(shù)是針對某一具體失效形式、對給定缺陷尺寸下的壽命計(jì)算，所得到的壽命多是一確定值。但是影響抽油桿柱剩余壽命的各種因素都具有隨機(jī)的內(nèi)在不確定性，是服從某種統(tǒng)計(jì)分布規(guī)律的，所以抽油桿柱的使用壽命是一個(gè)隨機(jī)變量。因此，除了考核抽油桿柱的靜強(qiáng)度、疲勞強(qiáng)度等指標(biāo)外，還必須通過影響抽油桿柱的相關(guān)機(jī)械和生產(chǎn)參數(shù)的綜合評定對抽油桿柱的壽命進(jìn)行預(yù)測。當(dāng)前抽油桿壽命的預(yù)測方法有模糊數(shù)學(xué)[5]、人工神經(jīng)網(wǎng)絡(luò)[6]等方法

人工神經(jīng)網(wǎng)絡(luò)壽命預(yù)測方法是近年來興起的新方法[7]，其中包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等方法。卷積神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)在長時(shí)間的序列數(shù)據(jù)上構(gòu)建模型，對數(shù)據(jù)時(shí)間前后相關(guān)性關(guān)系的記憶與分析能力較差[8]。RNN方法能記憶發(fā)生在數(shù)據(jù)序列，有助于系統(tǒng)基于當(dāng)前數(shù)據(jù)點(diǎn)上下游的信息判斷工況，目前在文本識別、交通、醫(yī)學(xué)、金融等領(lǐng)域得到廣泛應(yīng)用。

本文采用循環(huán)神經(jīng)網(wǎng)絡(luò)，建立了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的抽油桿柱壽命預(yù)測方法，提高了有桿泵抽油桿柱壽命預(yù)測的準(zhǔn)確度。

1 模型內(nèi)容及研究過程

1.1循環(huán)神經(jīng)網(wǎng)絡(luò)

RNN是一種強(qiáng)大的用于處理和預(yù)測序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，已被成功應(yīng)用于多領(lǐng)域工作，尤其是當(dāng)數(shù)據(jù)中存在著時(shí)間依賴性的時(shí)候[9]。

標(biāo)準(zhǔn)的RNN傳播過程為，給定n維輸入序列x1，x2，…，xn，m維網(wǎng)絡(luò)的隱層狀態(tài)序列h1，h2，…，hm，k維輸出序列y1，y2，…，yk，迭代公式如下[10]：

其中，Whx、Whh、Wyh為權(quán)值矩陣;bh、by為基底;ti為隱層的輸入，si為輸出單元的輸入，同為k維變量;e（x）、g（x）為預(yù)定義的非線性向量值函數(shù)。

RNN之所以稱為循環(huán)神經(jīng)網(wǎng)絡(luò)，即一個(gè)序列當(dāng)前的輸出與前面的輸出也有關(guān)。具體的表現(xiàn)形式為網(wǎng)絡(luò)會對前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱藏層之間的節(jié)點(diǎn)不再無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時(shí)刻隱藏層的輸出。它的結(jié)構(gòu)如下所示：

t一1、t、t+1表示時(shí)間序列。X表示輸入的樣本。S表示樣本在時(shí)間t處的記憶，W表示輸入的權(quán)重，U表示此刻輸入的樣本的權(quán)重，V表示輸出的樣本權(quán)重。通過當(dāng)前時(shí)刻和上一時(shí)刻的輸出結(jié)果來預(yù)測下一時(shí)刻的輸出，進(jìn)而得到壽命預(yù)測結(jié)果。

1.2模型搭建

1.2.1特征數(shù)據(jù)選擇

根據(jù)油田數(shù)據(jù)采集情況，分析各類油井監(jiān)測數(shù)據(jù)和抽油桿柱異常之間的相關(guān)性，最終確定3種與抽油桿柱壽命相關(guān)性強(qiáng)的特征參數(shù)：載荷、電流和沖次[11，12]。數(shù)據(jù)的類型為按時(shí)間序列數(shù)據(jù)展開的矩陣，符合循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練所具備的輸入特征要求。

1.2.2模型的選擇和建立

將桿柱異常的發(fā)生趨勢預(yù)測以數(shù)據(jù)變化趨勢問題進(jìn)行處理，建立基于RNN的抽油桿柱壽命預(yù)測模型。其結(jié)構(gòu)如下圖所示：

（1）原始數(shù)據(jù)處理。原始數(shù)據(jù)經(jīng)常存在缺失或停機(jī)無采集數(shù)據(jù)的現(xiàn)象。若將這些值拋棄掉，會嚴(yán)重影響壽命預(yù)測的結(jié)果。為了達(dá)到較好的建模效果，需要對缺失值進(jìn)行處理。本文采用缺失點(diǎn)前一刻數(shù)值填充的方法進(jìn)行缺失值處理，保證時(shí)間序列數(shù)據(jù)的穩(wěn)定性。

（2）歸一化標(biāo)準(zhǔn)化處理。不同參數(shù)往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據(jù)分析的結(jié)果，為了消除指標(biāo)之間的量綱影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比陛。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標(biāo)準(zhǔn)化處理后，各指標(biāo)處于同一數(shù)量級，適合進(jìn)行綜合對比。本文采用最大最小值歸一化標(biāo)準(zhǔn)化方式，去除數(shù)據(jù)量綱，提高模型訓(xùn)練速度。歸一化方式為離差法（最大值一最小值法），其公式為：

其中max（x）、min（x）分別為數(shù)據(jù)x的最大值和最小值，x為歸一化后的數(shù)值。

（3）特征參數(shù)的處理。經(jīng)過前兩步處理之后得到了標(biāo)準(zhǔn)的特征參數(shù)，將多參數(shù)按時(shí)間排序，形成了RNN識別的特征參數(shù)，將特征參數(shù)制作成數(shù)據(jù)集并拆分為訓(xùn)練集和測試集。

（4）預(yù)測模型的搭建。根據(jù)實(shí)際應(yīng)用數(shù)據(jù)情況，通過正交實(shí)驗(yàn)確定網(wǎng)絡(luò)模型的神經(jīng)元數(shù)量、網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化器的選擇、損失函數(shù)等參數(shù)，搭建最優(yōu)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，保證模型預(yù)測結(jié)果最佳。

1.3應(yīng)用

1.3.1數(shù)據(jù)分析

根據(jù)油田數(shù)據(jù)采集情況，選擇某井故障前100天的數(shù)據(jù)實(shí)際生產(chǎn)數(shù)據(jù)，參數(shù)是油井運(yùn)行參數(shù)，在油井出現(xiàn)故障前會有相應(yīng)的變化趨勢，在發(fā)生桿斷的之前，由于抽油桿柱的腐蝕、偏磨、裂縫等問題會引起載荷差、電流和沖次不同程度的變化。其中載荷差會隨時(shí)間不斷增大[14]，電流和沖次也會有不同程度的增加[11，12]。其中部分參數(shù)如下表1。其中可以看到：從2017.7.22-2017.8.20，三種特征參數(shù)數(shù)值均有不同程度的增加，這也就表示當(dāng)前抽油桿柱處于帶病作業(yè)的狀態(tài)，特征參數(shù)根據(jù)時(shí)間變化，到達(dá)一定程度之后即會發(fā)生抽油桿柱斷脫的故障。

在2017/8/20 2：22行的數(shù)據(jù)是空缺值，因?yàn)閿?shù)據(jù)變化過程是緩變的，故應(yīng)該采用缺失點(diǎn)上下條數(shù)據(jù)填充的方法，使用前一刻數(shù)值填充將其填充完整，不會對整個(gè)序列產(chǎn)生過大影響，填充后的表格如下表2：

通過數(shù)據(jù)填充和歸一化標(biāo)準(zhǔn)化處理，得到了制作數(shù)據(jù)集所需標(biāo)準(zhǔn)數(shù)據(jù)。將數(shù)據(jù)組制作為RNN數(shù)據(jù)集，并按照一定比例拆分為訓(xùn)練數(shù)據(jù)集和測試集。

1.3.2數(shù)據(jù)的準(zhǔn)備與處理

1）根據(jù)3種特征參數(shù)，對4800組油田采集數(shù)據(jù)進(jìn)行歸一化處理并制作RNN訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。

歸一化后的數(shù)據(jù)如下表：

2）使用上文的最大一最小值歸一化方式將數(shù)據(jù)進(jìn)行歸一化處理，統(tǒng)一量綱。將歸一化標(biāo)準(zhǔn)化后的4800組特征參數(shù)按3：1比例劃分為訓(xùn)練參數(shù)集和測試參數(shù)集，其中3600組作為訓(xùn)練樣本集和1200組測試樣本集。按時(shí)間序列矩陣輸入循環(huán)神經(jīng)網(wǎng)絡(luò)。

1.3.3誤差分析

本文可計(jì)算出與變量本身相同的單位產(chǎn)生誤差的均方根誤差（RMSE），均方根誤差的越小，說明預(yù)測結(jié)果與實(shí)際結(jié)果相符的程度越高，既RMSE可作為評價(jià)模型預(yù)測效果的重要指標(biāo)。在RNN訓(xùn)練之前進(jìn)行正交實(shí)驗(yàn)對比網(wǎng)絡(luò)模型的最優(yōu)組合，實(shí)驗(yàn)結(jié)果入下表：

由表4可知：在訓(xùn)練輪數(shù)為30次，損失函數(shù)和優(yōu)化器組合為Mae+Adam時(shí)模型的RMSE最低為：0.550，訓(xùn)練損失為：0.0009。隨著訓(xùn)練次數(shù)的減少，模型擬合不理想;訓(xùn)練次數(shù)增加，模型會過擬合。因此取30次訓(xùn)練次數(shù)，能得到較好的預(yù)測模型。

1.3.4模型訓(xùn)練

根據(jù)上述最優(yōu)參數(shù)組合搭建RNN網(wǎng)絡(luò)模型，將訓(xùn)練參數(shù)集和測試參數(shù)集輸入搭建的RNN，訓(xùn)練損失變化如下圖所示：

其中橫坐標(biāo)為訓(xùn)練輪數(shù)（單位：次），縱坐標(biāo)為訓(xùn)練誤差變化，藍(lán)色曲線為訓(xùn)練集損失變化情況，紅色曲線為測試集損失變化情況，經(jīng)過30輪訓(xùn)練后損失為0.0009，損失變化如下表5，達(dá)到了理想結(jié)果。

1.3.5結(jié)果分析

經(jīng)過RNN模型計(jì)算出的訓(xùn)練過程RMSE為0.550，測試過程的RMSE為0.774，取得了理想的效果。預(yù)測結(jié)果如下圖：

其中橫坐標(biāo)為測試樣本編號（及為樣本所處的時(shí)間位置），縱坐標(biāo)為當(dāng)前抽油桿柱的剩余壽命值，單位（天），直線為真實(shí)剩余壽命，波動曲線為預(yù)測的剩余壽命。上圖可以表明，預(yù)測的剩余壽命和真實(shí)壽命擬合結(jié)果較好，成功預(yù)測了抽油桿柱的剩余壽命。通過輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)的某一組數(shù)據(jù)，可以通過已訓(xùn)練的壽命預(yù)測模型得到該時(shí)刻對應(yīng)的抽油桿剩余壽命。真實(shí)值與預(yù)測值對比如表6。

從表5可以看出，真實(shí)值與預(yù)測值誤差較小，達(dá)到了準(zhǔn)確預(yù)測的效果。實(shí)時(shí)證明，通過循環(huán)神經(jīng)網(wǎng)絡(luò)對抽油桿柱壽命的預(yù)測的方法具有一定的可行性。

2 結(jié)論

1）本文提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的抽油桿柱壽命預(yù)測新方法，訓(xùn)練結(jié)果表明，該方法取得了較好的模型收斂性，具有較好的壽命預(yù)測能力。

2）基于桿斷井生產(chǎn)數(shù)據(jù)所建立的基于RNN的抽油桿柱壽命預(yù)測方法，開創(chuàng)性地建立一套具有普遍適用性的高精度油井桿斷預(yù)測模型，從而在全油田范圍內(nèi)實(shí)現(xiàn)抽油桿斷脫風(fēng)險(xiǎn)的超前管理，從而有效控制桿斷發(fā)生，提高生產(chǎn)時(shí)率、降低維護(hù)成本。

3）應(yīng)用抽油井桿柱壽命預(yù)測方法，可以避免因抽油桿超期使用造成的躺井，延長油井生產(chǎn)周期，經(jīng)濟(jì)效益較為顯著。可以延長油井的開井時(shí)間，從而增加油井的產(chǎn)量，降低施工和修井的復(fù)雜性。

參考文獻(xiàn)：

[1]李成彬.抽油桿表面裂紋仿真分析及剩余壽命預(yù)測[D].長江大學(xué)，2016.

[2]王海斌.抽油桿受力分析及優(yōu)化管理[J].石油天然氣學(xué)報(bào)，2005，27（1）：122-123.

[3]駱競唏，黃淑菊.D級抽油桿疲勞裂紋擴(kuò)展期剩余壽命預(yù)測[J].石油機(jī)械，1995（12）：27-31.

[4]張莉，唐立強(qiáng)，付德龍.基于損傷累積理論的多軸疲勞壽命預(yù)測方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2009（4）：123-125.

[5]劉克格，閻楚良，張書明.模糊數(shù)學(xué)在疲勞壽命估算中的應(yīng)用[J].航空學(xué)報(bào)，2006，27（2）：227-231.

[6]周劍鋒，顧伯勤.基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)械密封壽命預(yù)測[J].流體機(jī)械，2006，34（3）：19-23.

[7]蘇亮.基于概率神經(jīng)網(wǎng)絡(luò)的焊接結(jié)構(gòu)疲勞壽命分類與預(yù)測[D].長安大學(xué)，2012.

[8]黃有為，高燕.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的金融數(shù)據(jù)預(yù)測系統(tǒng)[J].軟件導(dǎo)刊，2019，18（01）：28-33+226.

[9]楊麗，吳雨茜，王俊麗，等.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)

[10]陳強(qiáng)，朱立新，夏德深.結(jié)合Canny算子的圖像二值化[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2005，17（6）：1302-1306.

[11]張海萌.淺析抽油桿斷脫影響因素及預(yù)防措施[J].工程技術(shù)：文摘版，2016（3）：00265-00265.

[12]王巖.運(yùn)用電流判斷抽油機(jī)井故障的研究[J].中國石油和化工標(biāo)準(zhǔn)與質(zhì)量，2017，37（2）：17-18.

[13]王家映.地球物理資料非線性反演方法講座（五）人工神經(jīng)網(wǎng)絡(luò)反演法[J].工程地球物理學(xué)報(bào)，2008，5（3）：255-265.

[14]董其宏，牛宗華，趙暑生.抽油桿斷裂原因分析[J].內(nèi)蒙古石油化工，2014（17）：46-48.

【通聯(lián)編輯：唐一東】

收稿日期：2019-08-20

作者簡介：邴紹強(qiáng)（1974-），男，1996年獲石油大學(xué)（華東）學(xué)士學(xué)位，2007年獲石油大學(xué)（華東）碩士學(xué)位，現(xiàn)為勝利油田分公司信息化管理中心高級工程師，主要從事信息自動化應(yīng)用工作。