稠油井工況判斷智能預警模型的應用

武杰

中國石化勝利油田石油開發中心 山東 東營 257000

近年來，隨著新型采油管理區的建設，油氣生產信息化手段更加豐富，為稠油油藏的管理提供了強有力的技術支持。依托四化等信息輔助系統，實時提取功圖、地面等多項參數，結合現場管理經驗，利用判別分析等統計學方法建立油井正常工況與異常工況預警模型[1]。目前針對稠油油井，利用多參數統計方法建立工況預警模型的研究相對較少，且研究時將各影響參數孤立。面對稠油開發易出現出砂、汽竄、油稠、斷脫等異常工況問題，如何降低工況異常造成的產量損失，保持油田穩產已成為當前的重要工作，有必要利用信息化手段，對稠油井況預警模型進行深入研究。

1 稠油井況參數統計分析

1.1 示功圖參數

示功圖是載荷隨位移的變化關系曲線所構成的封閉曲線圖，主要包括最小載荷、最大載荷、面積、功圖形狀等參數，除功圖形狀之外均可以量化。A區塊最小載荷分布以11～20kN和21～30kN這兩個區間為主，合計占81%。最大載荷分布以91kN以上這一區間為主，占42%。71～80kN以及81～90kN這兩個區間合計占比50%。功圖面積分布以201～300區間為主，占比達43%；0～100區間分布較小，占比為12%。

1.2 示功圖形狀

將工況異常井的示功圖進行分類統計，提取問題井典型示功圖，對稠油井常出現的出砂、汽竄、泵漏、斷脫、油稠等異常工況進行描述，建立其相應圖版。

（1）出砂。示功圖左下為尖鐮刀狀，表現為泵筒內無液柱，載荷在下死點附近才卸載，液面接近泵深。如果泵的入口受到阻塞或有流體供應不足，會導致泵筒內無液柱形成，液位接近泵深。這可能是由于管道堵塞、閥門關閉或進水源出現問題等原因引起的。如果泵的裝置不正確，例如進口管道截面積太小或泵的位置不正確，會導致泵無法充分吸入液體形成液柱，使載荷在下死點附近才卸載。這可能需要重新檢查和調整泵的安裝[2]。

（2）泵漏。泵漏井示功圖整體圖形與正常時變化不大，最大載荷變小，最小載荷變大，形狀呈現由“肥”變“瘦”的變化趨勢，液面整體變淺。泵漏可能會導致液體在泵運行時無法充分封閉和流動，使得載荷的范圍變小，并引起液面變淺等變化。

（3）汽竄。汽竄井示功圖整體圖形與正常時對比面積變小，最大載荷變小，最小載荷變大，刀把形狀向平行四邊形。汽竄通常是由于液位下降、進氣或氣體混入導致的。它會影響泵的性能和工作效率，降低泵的工作能力。

（4）斷脫。斷脫井示功圖最大載荷對比正常生產時明顯減小，投影到正常功圖對比形狀細長，同時井口不出液，上行電流也明顯降低。斷脫可能是由于井中液位下降所致。當液位低于泵吸出口時，泵無法充分吸入液體，導致最大載荷減小，并且投影到正常功圖上成細長形狀。

（5）油稠。油稠井示功圖，對比正常生產時，功圖最大載荷增大，最小載荷變小接近0KN，投影到正常功圖對比形狀變“胖”。油稠井中的油黏度較高，使得泵在抽油時需要克服較大的阻力，從而增大了最大載荷。黏稠的油液對泵的運行產生了額外的負荷。

1.3 地面參數

（1）溫度。A區塊井口溫度分布以71～90區間為主，占比達44%；0～20區間分布較小，占比為13%。（2）液量。A區塊液量分布以31～50區間為主，占比達32%；其余區間分布相對均勻，無超過50%分布的區間。（3）含水。A區塊油井含水分布以51～80區間為主，占比達38%；含水小于30的比例較少，占比5%。（4）電流。A區塊油井上行電流分布以31～40區間為主，占比達46%；下行電流分布以21～30為主，占比為32%。

2 稠油井況智能預警模型

2.1 模型原理

稠油井工況圖判斷智能預警模型是一種基于人工智能技術的模型，旨在分析稠油井的工況圖數據，并根據該數據提供實時預警和異常檢測，幫助操作人員及時發現潛在問題和風險，模型首先需要收集并整理稠油井的工況圖數據，這些數據可以包括井口壓力、油溫、油水比、產量等。同時，可能還需要考慮其他相關的標記數據，如井的運行狀態、維護記錄等。稠油井工況圖判斷智能預警模型的主要作用包括以下幾個方面：

（1）預警和異常檢測：該模型可以根據稠油井的工況圖數據，實時識別潛在的異常情況和問題。通過及時發出警報，為操作人員提供預警信息，使其能夠采取相應的措施，防止事故和損失的發生。

（2）風險管理和安全控制：稠油井的工況圖判斷智能預警模型可以幫助操作人員及時識別潛在的風險和安全隱患。通過監測和分析工況圖數據，準確判斷井口壓力、油溫、產量等參數是否處于正常范圍內，從而及時采取措施，避免事故或降低事故風險。

（3）故障診斷和維護優化：該模型可以通過對稠油井工況圖數據的分析，識別可能的設備故障或異常情況。通過及時發現故障和問題，操作人員可以迅速進行診斷和維修，從而提高設備的可靠性和效率，并優化維護計劃。

（4）管理優化和成本控制：稠油井工況圖判斷智能預警模型可以幫助操作人員更好地理解井的運行狀態和效率。通過對工況圖數據的分析，發現并解決潛在的生產難題和性能問題，促進管理的優化和成本的有效控制。

2.2 正常工況模型

根據稠油油井正常生產時工況及地面參數的觀察記錄，確定正常工況模型。該模型基本設置為：（1）工況參數設置標準：最大載荷70～100kN，最小載荷10～30kN，功圖面積150～230；（2）地面參數設置標準：井口溫度70～95℃，上行電流30～40A，下行電流20～35A，液量10～50m3，含水50～90%；（3）功圖形狀參考標準：平行四邊形。

2.3 汽竄工況預警模型

利用汽竄導致的井口溫度、最大最小載荷、示功圖面積變化，通過對井口溫度、載荷差、示功圖面積進行大跨度趨勢變化判斷預警，建立汽竄工況預警模型。該模型基本設置為：（1）工況參數設置標準：最大載荷60～90kN，最小載荷30～50kN，功圖面積150～200；（2）地面參數設置標準：井口溫度90～110℃，上行電流20～30A，下行電流20～25A，液量50～70m3，含水90～100%；（3）功圖形狀參考標準：近平行四邊形。

2.4 出砂工況預警模型

根據稠油出砂生產情況的摸索以及對報警閾值的分析，利用工況參數及地面參數分級分類設置，要求上限松、下限嚴，確定出砂時油井工況預警模型[3]。該模型基本設置為：（1）工況參數設置標準：最大載荷80～110kN，最小載荷0～10kN，功圖面積50～180；（2）地面參數設置標準：井口溫度0～50℃，上行電流40～60A，下行電流10～30A，液量0～5m3，含水不可測；（3）功圖形狀參考標準：鐮刀狀。

2.5 泵漏工況預警模型

利用泵漏導致的工況及地面參數變化，建立泵漏工況預警模型[4]。該模型基本設置為：（1）工況參數設置標準：最大載荷40～70kN，最小載荷20～30kN，功圖面積50～100；（2）地面參數設置標準：井口溫度70～95℃，上行電流20～30A，下行電流15～25A，液量0～10m3，含水測不出；（3）功圖形狀參考標準：長條狀。

2.6 斷脫工況預警模型

利用皮帶斷后電機空轉停抽導致的電流、溫度變化，通過對電流、回壓進行穩定區間判斷預警，建立斷脫工況預警模型。該模型基本設置為：（1）工況參數設置標準：最大載荷20～60kN，最小載荷0～10kN，功圖面積10～70；（2）地面參數設置標準：井口溫度20～30℃，上行電流測不出，下行電流測不出，液量0，含水測不出；（3）功圖形狀參考標準：平行四邊形，靠近最大載荷。

2.7 油稠工況預警模型

根據油稠緩下導致的載荷、電流等重要參數的變化，建立油稠工況預警模型。該模型基本設置為：（1）工況參數設置標準：最大載荷100～130kN，最小載荷5～40kN，功圖面積230～300；（2）地面參數設置標準：井口溫度70～85℃，上行電流50～70A，下行電流50～65A，液量5～15m3，含水30～90%；（3）功圖形狀參考標準：不規則梯形。

3 稠油井況智能預警模型應用實例

3.1 稠油油井異常工況智能預判及處置

3.1.1 出砂預判處置及管理

預判處置：通過智能預警模型預判為出砂的異常工況應及時組織洗井，正洗、反洗均可，若效果不加應及時進行檢泵、沖砂。

日常管理辦法：根據油井完井方式、出砂情況、出砂位置，因井制宜選擇合適的重防措施，提高油井免修期。在物性充分隊識的基礎上，確定配套的防砂工藝措施，提高重防效果。

出砂井根據不同類型分別采用：下小套管加固、精密濾砂管、下小套管+割縫管、擠固砂劑等重防措施，2016～2018年共治理套損井26口，恢復井控儲量135萬噸，恢復產能1.92萬噸。目前開井數90口，其中套壞帶病生產井27口，未治理2口，治理后又出砂帶病生產井9口。

3.1.2 汽竄預判處置

預判處置：通過智能預警模型預判為汽竄的異常工況，及時關井。

日常管理辦法：①聯動注汽減少汽竄影響。按照物性相近、動態關聯”的原則，從單井注汽轉變為聯動井組注汽，防止汽竄，2018年以來共優化組合注汽井組24個，單井周期注汽量下降145噸，油汽比由0.65上升至0.76。②調剖改善吸汽剖面提高注汽熱采效益。A-P65第8周期轉周注汽時，前置熱固型堵劑（200方）伴注氮氣進行調剖堵竄，注汽壓力17.3MPa，比第7周期上升1.3MPa。同時與A-P63聯動注汽，注汽期間周圍井無明顯汽竄現象。

（3）轉變思路，盡量由“防”到“用”，充分利用蒸汽熱能；及時監控跟蹤，把握被竄井調參、開、關井時機，避免因汽竄導致躺井。

3.1.3 泵漏管理

預判處置：及時組織大排量洗井，洗井無效后進行檢泵。

日常管理辦法。①建立健全涉及泵漏管理的工作制度和操作規程，明確各崗位人員的責任和工作流程。②加強對泵設備和管柱密封裝置的定期檢查和維護，及時發現并處理潛在的漏失問題。③建立健全漏失記錄和統計分析機制，對漏失情況進行分析，找出問題的根源，以便進一步采取改進措施，提升泵漏管理的有效性和效率。

3.1.4 斷脫管理

預判處置：針對桿斷脫問題，及時組織檢桿。

日常管理辦法：精細油井管理，利用四化數據加強對載荷大油井功圖監測力度并建立管理檔案，定期組織現場工作人員對易斷脫井進行檢查。

3.1.5 油稠管理

預判處置：對于稠油的井應采取提高電加熱電流、加降粘劑以及稀油洗井等有效措施及時降低稠油粘度。

日常管理辦法：根據原油粘度對油井進行分類，對不同級別粘度的油井采取相應的降粘方法。

3.2 典型井例

（1）A-P19井汽竄報警

該井疊加示功圖呈現最大載荷減小、面積增大的變化趨勢，井口溫度、液量持續上升，將示功圖參數、地面參數代入判別方程進行計算，Y3值最大，同時示功圖變為平行四邊形，符合汽竄井的典型特征。生產指揮中心通知技術室落實，經資料化驗站測量功圖、液面核實，經技術室判斷該井為汽竄。通過智能預警模型，早于例行測量功圖時間5天即發現該漏失井（圖1）。通過采取關井、下調參數等措施，本次汽竄未造成較大的產量損失。

圖1 A-P19汽竄功圖

（2）A-P51井油稠報警

該井示功圖中最大載荷大幅上升、最小載荷大幅下降及面積大幅增大，呈現明顯的油稠特征，將示功圖參數、地面參數代入判別方程進行計算，Y6值最大，同時功圖變為不規則梯形，生產指揮中心直接判斷為油稠，通知采油站現場落實后上報技術室并停井進行后續處理（圖2）。通過智能預警模型，比傳統發現時間提前約4小時。通過采取熱油洗井等降粘措施，及時恢復該井生產。

圖2 A-P51油稠緩下功圖及參數圖

4 結論

稠油油藏經過多輪次蒸汽吞吐開發后面臨出砂、汽竄、套壞、斷脫等異常工況問題，導致產量遞減快，本文以A塊為研究目標，對其異常工況參數進行了統計分析，利用多參數判別建立智能預警模型并進行現場應用，得出以下結論：

（1）稠油油井異常工況類型主要是出砂、汽竄、泵漏、斷脫等5種類型。利用信息化手段，統計異常工況的功圖及地面參數，建立5種智能預警模型。

（2）利用判別分析，根據5種智能預警模型的功圖及地面參數，建立相應的判別函數。將智能預警模型投入實際應用，對異常工況提前預警并及時處理。管理區自開始使用多參數統計下的工況判斷預警模型，提前處理異常工況井次215次，判斷正確率81%，同比減少產量損失779.6噸，效果顯著。