變權(quán)重組合算法預(yù)測抽油機(jī)井動(dòng)液面提高測試效益

關(guān)鍵詞/主題詞：油井；采油；抽油機(jī)井；動(dòng)液面；預(yù)測模型；機(jī)器學(xué)習(xí)；皮爾遜相關(guān)系數(shù)；神經(jīng)網(wǎng)絡(luò)

0引言

動(dòng)液面是指抽油機(jī)在正常生產(chǎn)時(shí)，油管和套管環(huán)形空間內(nèi)形成的液面，是反映地層供液能力的重要指標(biāo)［1］。動(dòng)液面是評估油藏整體動(dòng)態(tài)性能、優(yōu)化開發(fā)策略的關(guān)鍵依據(jù)，可用于油藏動(dòng)態(tài)分析［2］。動(dòng)液面的變化與地層能量和地層供液能力的變化緊密相關(guān)，這種關(guān)聯(lián)性使得動(dòng)液面成為連接地下油藏動(dòng)態(tài)與地面生產(chǎn)表現(xiàn)的橋梁。在油藏區(qū)塊的開發(fā)過程中，地層能量的變化是一個(gè)復(fù)雜而關(guān)鍵的過程，會(huì)受到多種因素的影響，包括地質(zhì)構(gòu)造、流體性質(zhì)、開采方式等。當(dāng)?shù)貙幽芰肯陆禃r(shí)，動(dòng)液面會(huì)隨之下降，反之亦然。因此，通過對同一油藏區(qū)塊內(nèi)全部抽油機(jī)井的動(dòng)液面進(jìn)行系統(tǒng)性測試，可以獲取到關(guān)于地層能量變化的全面信息。這些信息有助于了解油藏的地質(zhì)特征，如滲透率、孔隙度等關(guān)鍵參數(shù)，進(jìn)而評估油藏的儲量和開采潛力。

動(dòng)液面可用于油藏開發(fā)效果評價(jià)［3］。在開發(fā)初期，由于地層能量充足，動(dòng)液面較高，油井產(chǎn)量較高。隨著開采的進(jìn)行，地層能量逐漸消耗，動(dòng)液面逐漸下降，油井產(chǎn)量也會(huì)相應(yīng)下降。通過對動(dòng)液面的持續(xù)監(jiān)測和分析，我們可以及時(shí)發(fā)現(xiàn)油藏開發(fā)過程中存在的問題，如地層壓力下降過快、含水率上升等，從而及時(shí)調(diào)整開發(fā)策略，確保油藏的穩(wěn)定開發(fā)和高效動(dòng)用。

動(dòng)液面可用于井下工況診斷［4］。當(dāng)?shù)貙庸┮悍€(wěn)定時(shí)，動(dòng)液面會(huì)呈現(xiàn)小幅度平穩(wěn)波動(dòng)，但出現(xiàn)卡泵、抽油桿斷、油管漏失、游動(dòng)閥失靈、固定閥失靈、雙閥漏失等工況時(shí)，動(dòng)液面會(huì)呈現(xiàn)逐漸上漲趨勢，油井產(chǎn)量“落零”，造成油井產(chǎn)量損失；當(dāng)?shù)貙庸┮翰▌?dòng)變化時(shí)，動(dòng)液面也隨之變化，抽油泵充滿度“時(shí)高時(shí)低”，抽油機(jī)井呈現(xiàn)間歇出液狀態(tài)。因此在實(shí)際生產(chǎn)中，可通過監(jiān)測動(dòng)液面變化，并結(jié)合示功圖及其它相關(guān)輔助判斷措施，實(shí)現(xiàn)對抽油機(jī)井井下工況的精準(zhǔn)可靠診斷。

動(dòng)液面可用于抽油機(jī)井生產(chǎn)制度優(yōu)化［5］。通過對動(dòng)液面、示功圖、泵效、流壓等生產(chǎn)資料進(jìn)行分析，可繪制不同油藏區(qū)塊抽油機(jī)井宏觀控制圖，宏觀控制圖將油藏區(qū)塊內(nèi)抽油機(jī)井劃分為參數(shù)偏大區(qū)、參數(shù)合理區(qū)、參數(shù)偏小區(qū)、資料待落實(shí)區(qū)以及斷脫漏失區(qū)等5個(gè)區(qū)域，進(jìn)而為油井生產(chǎn)制度的優(yōu)化提供指導(dǎo)依據(jù)。當(dāng)抽油機(jī)井處于參數(shù)偏小區(qū)時(shí)，可通過加大沖次、調(diào)大沖程等舉措使其落入?yún)?shù)合理區(qū)。當(dāng)抽油機(jī)井處于參數(shù)偏大區(qū)時(shí)，可優(yōu)先通過減小沖次、調(diào)小沖程等舉措使其落入?yún)?shù)合理區(qū)。

動(dòng)液面可用于抽油機(jī)井智能間抽控制［6］。抽油機(jī)井智能間抽控制依賴于對動(dòng)液面數(shù)據(jù)的實(shí)時(shí)監(jiān)測與分析，通過研究動(dòng)液面變化規(guī)律，可得出抽油機(jī)井流入流出動(dòng)態(tài)變化規(guī)律，進(jìn)而確定合理間抽制度。根據(jù)間抽制度，系統(tǒng)能夠自動(dòng)調(diào)整抽油機(jī)的啟停時(shí)間和工作參數(shù)，實(shí)現(xiàn)間歇式工作。這種控制方式不僅能夠有效降低抽油設(shè)備的損耗和電能消耗，還能提高油井的生產(chǎn)效率和經(jīng)濟(jì)效益。

動(dòng)液面的應(yīng)用價(jià)值是多方面的。不僅能夠幫助了解油藏的地質(zhì)特征和開發(fā)效果，還能為制定合理的開發(fā)策略提供科學(xué)依據(jù)。因此，在油藏開發(fā)和生產(chǎn)過程中，必須充分重視動(dòng)液面的監(jiān)測和分析工作，確保油藏的穩(wěn)定開發(fā)和高效利用。目前在實(shí)際生產(chǎn)中，動(dòng)液面測試主要有五種方式：

一是人工動(dòng)液面測試。人工利用氮?dú)鈽屧诔橛蜋C(jī)井油套環(huán)空產(chǎn)生聲波，利用聲波反射原理計(jì)算油井動(dòng)液面［7］。該方法是目前主要的動(dòng)液面測試方法，但由于抽油機(jī)井?dāng)?shù)量多、井口環(huán)境復(fù)雜，人工測試費(fèi)時(shí)費(fèi)力，且存在一定安全風(fēng)險(xiǎn)；

二是動(dòng)液面連續(xù)監(jiān)測裝置測試。通過研制電控聲波發(fā)射裝置，按照一定的時(shí)間間隔自動(dòng)向油套環(huán)空激發(fā)聲波，利用聲波反射原理，自動(dòng)分析得出抽油機(jī)井動(dòng)液面［8］。但受油套環(huán)空復(fù)雜的測試環(huán)境影響，設(shè)備故障率較高，安裝調(diào)試復(fù)雜，整體投入成本較大，不適宜規(guī)模推廣；

三是光纖法動(dòng)液面測試。通過利用多模光纖實(shí)時(shí)監(jiān)測井下溫度剖面，利用不同介質(zhì)中的熱導(dǎo)率不同的原理，溫度剖面拐點(diǎn)位置即為抽油機(jī)井動(dòng)液面位置［9］。該方法測試精度較高，可以有效避免油套環(huán)形空間內(nèi)泡沫段產(chǎn)生的虛假液面的影響，但光纖入井需井下作業(yè)配合，單井投入高，可應(yīng)用于重點(diǎn)井監(jiān)測，不利于規(guī)模推廣應(yīng)用；

四是井下壓力無線傳輸測試。由于動(dòng)液面恢復(fù)曲線與油層壓力恢復(fù)曲線具有較高的相關(guān)性，因此可通過利用實(shí)測壓力數(shù)據(jù)反推抽油機(jī)井動(dòng)液面［10］。但單井投入高，且受電池儲能影響，每隔8h傳輸一次（可連續(xù)應(yīng)用3年以上），采樣頻率低，無法及時(shí)反映動(dòng)液面變化趨勢；

五是基于功圖法的機(jī)理模型測試。通過柱塞受力分析，以沉沒壓力為求解節(jié)點(diǎn)，利用井下泵功圖推導(dǎo)出抽油機(jī)井游動(dòng)閥與固定閥打開時(shí)的柱塞受力，進(jìn)而實(shí)現(xiàn)動(dòng)液面的求解［11］。但受井筒多相管流、摩擦力等作用，泵功圖求解存在誤差，動(dòng)液面計(jì)算也不夠精準(zhǔn)。上述方法均難以實(shí)現(xiàn)抽油機(jī)井動(dòng)液面的低成本、高可靠性、精準(zhǔn)性測試。

調(diào)研發(fā)現(xiàn)，智能傳感器與物聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展及廣泛應(yīng)用，標(biāo)志著工業(yè)生產(chǎn)已邁入大數(shù)據(jù)時(shí)代。這一轉(zhuǎn)變不僅促進(jìn)了工業(yè)大數(shù)據(jù)的蓬勃發(fā)展，還極大地推動(dòng)了新一代機(jī)器學(xué)習(xí)技術(shù)在工業(yè)領(lǐng)域的深入應(yīng)用，拓寬了利用機(jī)器學(xué)習(xí)技術(shù)解決問題的范疇與深度。特別是在油田領(lǐng)域，新一代機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用日益廣泛。

劉新社等針對石灰?guī)r儲層致密、微斷層及流體識別難度大、酸化效果不理想等問題，攻關(guān)形成了“導(dǎo)向?yàn)V波+人工智能+關(guān)鍵地震信息融合”相結(jié)合的微斷層刻畫技術(shù)、基于概率神經(jīng)網(wǎng)絡(luò)的含氣飽和度地震定量預(yù)測技術(shù)［12］；楊勇在斷層檢測、層位提取、巖性識別、測井解釋等多個(gè)應(yīng)用場景應(yīng)用人工智能及大數(shù)據(jù)技術(shù)，斷層解釋效率提升10倍以上，測井砂泥巖巖性識別準(zhǔn)確率超過90%［13］；劉芑辰等針對示功圖的圖形特征，利用卷積神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)了抽油機(jī)井15類工況在線診斷，準(zhǔn)確率達(dá)到92%以上［14］；王娟等研究了基于長短期記憶神經(jīng)網(wǎng)絡(luò)模型的多參數(shù)時(shí)間序列預(yù)測方法及粒子群參數(shù)優(yōu)化算法，構(gòu)建了隨時(shí)間動(dòng)態(tài)更新的油藏產(chǎn)量預(yù)測模型，從而進(jìn)一步提升油藏產(chǎn)量預(yù)測的準(zhǔn)確率與實(shí)用性［15］；王相等基于\"大數(shù)據(jù)+深度學(xué)習(xí)\"的新一代人工智能技術(shù)，開展油井工況診斷技術(shù)升級應(yīng)用，在現(xiàn)場完成500余萬次工況診斷技術(shù)試驗(yàn)，準(zhǔn)確率達(dá)90%［16］。以上關(guān)于機(jī)器學(xué)習(xí)、人工智能在油田領(lǐng)域的成功案例，為抽油機(jī)井動(dòng)液面預(yù)測提供了新的方向。

2023年，王通等基于改進(jìn)生成對抗網(wǎng)絡(luò)的動(dòng)液面建模數(shù)據(jù)進(jìn)行擴(kuò)充，提升了動(dòng)液面預(yù)測模型的建模質(zhì)量，動(dòng)液面預(yù)測精度得到了提升，均方根誤差降低了5.99%。但該方法只是對用于訓(xùn)練動(dòng)液面預(yù)測模型的數(shù)據(jù)樣本進(jìn)行擴(kuò)充優(yōu)化，動(dòng)液面預(yù)測模型仍然采用傳統(tǒng)單一機(jī)器學(xué)習(xí)方法，預(yù)測符合率仍有較大提升空間［17］。同年，姜春雷等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的多任務(wù)生產(chǎn)預(yù)測方法，應(yīng)用到小樣本特高含水油井生產(chǎn)預(yù)測，產(chǎn)液量和動(dòng)液面的平均絕對誤差分別降低31.26%和60.81%［18］。但該方法適合于嵌入油井邊緣計(jì)算設(shè)備，從而實(shí)現(xiàn)對抽油機(jī)系統(tǒng)的效率優(yōu)化、油井邊緣設(shè)備智能化，規(guī)模適應(yīng)能力不強(qiáng)。

為此，通過利用機(jī)器學(xué)習(xí)預(yù)測方法，結(jié)合大體量的抽油機(jī)井實(shí)時(shí)生產(chǎn)數(shù)據(jù)，研究抽油機(jī)井生產(chǎn)數(shù)據(jù)變化規(guī)律與液面深度的定量關(guān)系，建立抽油機(jī)井動(dòng)液面預(yù)測模型，實(shí)現(xiàn)對油井動(dòng)液面的實(shí)時(shí)預(yù)測。

1方法過程

新一代機(jī)器學(xué)習(xí)技術(shù)用于抽油機(jī)井動(dòng)液面預(yù)測的技術(shù)思路：收集抽油機(jī)井全部參量，并進(jìn)行數(shù)據(jù)預(yù)處理；應(yīng)用Pearson相關(guān)系數(shù)分析方法，對全部數(shù)據(jù)參量進(jìn)行分析，得到與動(dòng)液面相關(guān)性較高的主控特征參量；采用XGBoost、LightGBM、BP神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法，建立多種抽油機(jī)井動(dòng)液面預(yù)測模型，并利用大體量的現(xiàn)場生產(chǎn)數(shù)據(jù)進(jìn)行模型訓(xùn)練及模型測評；優(yōu)選動(dòng)液面預(yù)測精度高的模型投入現(xiàn)場生產(chǎn)應(yīng)用，以主控特征參量為預(yù)測模型的“驅(qū)動(dòng)源”，實(shí)時(shí)獲得抽油機(jī)井動(dòng)液面預(yù)測值。

1.1方法過程

1.1.1數(shù)據(jù)收集及預(yù)處理

（1）數(shù)據(jù)收集。抽油機(jī)井?dāng)?shù)據(jù)主要分為三大類，包括油藏類數(shù)據(jù)、井筒類數(shù)據(jù)、采集類數(shù)據(jù)。油藏類數(shù)據(jù)包括油藏中深、地層壓力、井底油溫、氣液比等；井筒類數(shù)據(jù)包括抽油桿、抽油管、抽油泵、抽油機(jī)等設(shè)備類數(shù)據(jù)及井眼軌跡數(shù)據(jù)等；采集類數(shù)據(jù)包括抽油機(jī)井示功圖、功率圖、三相電參、沖程、沖次、產(chǎn)液量、含水率、油壓、套壓和動(dòng)液面等。以上數(shù)據(jù)均在各大油田區(qū)域數(shù)據(jù)湖，通過開發(fā)對應(yīng)的數(shù)據(jù)接口便可獲得。

（2）數(shù)據(jù)預(yù)處理。主要包括三個(gè)環(huán)節(jié)，一是異常數(shù)據(jù)剔除。對于采集錯(cuò)誤的功圖、功率圖采用基于專家經(jīng)驗(yàn)的校驗(yàn)方法予以剔除。二是采集數(shù)據(jù)升維。示功圖、功率圖、抽油機(jī)井產(chǎn)液量均包含抽油機(jī)井不同特征信息，通過對這些特征信息發(fā)掘，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)升維。示功圖是抽油機(jī)井一個(gè)完整沖程運(yùn)動(dòng)下的抽油機(jī)懸點(diǎn)載荷與其位移關(guān)系曲線［19］。包含抽油機(jī)井上沖程最大載荷、上沖程最小載荷、上沖程載荷差、上沖程均方根載荷、下沖程最大載荷、下沖程最小載荷、下沖程載荷差、下沖程均方根載荷、最大載荷、最小載荷、平均載荷、載荷差等12個(gè)特征參量；功率圖是抽油機(jī)井一個(gè)完整沖程運(yùn)動(dòng)下的抽油機(jī)懸點(diǎn)載荷與其位移關(guān)系曲線［20］。包含抽油機(jī)井上沖程最大功率、上沖程最小功率、上沖程功率差、上沖程均方根功率、下沖程最大功率、下沖程最小功率、下沖程功率差、下沖程均方根功率、最大功率、最小功率、平均功率、功率差、耗電量等13個(gè)特征參量；抽油機(jī)井產(chǎn)液量包含有效沖程、沖次、泵效、泵充滿系數(shù)等4個(gè)特征參量。三是無因次化處理。為了進(jìn)一步消除不同油藏區(qū)塊、不同井型對預(yù)測精度的影響，增強(qiáng)不同井之間特征參量的普適性，消除數(shù)據(jù)之間的差異性，對單井功圖電參特征參量進(jìn)行無因次處理。利用有效沖程除以額定沖程，利用沖次除以額定沖次，懸點(diǎn)載荷數(shù)據(jù)除以地層壓力與泵深之積，功率數(shù)據(jù)除以電機(jī)額定功率，去除不同特征參量的單位信息，得到抽油機(jī)井動(dòng)液面預(yù)測的無因次特征參量。

1.1.2主控特征參量優(yōu)選

共計(jì)收集了長慶油田5000口抽油機(jī)井、50000組生產(chǎn)數(shù)據(jù)，每組數(shù)據(jù)包括人工測試動(dòng)液面對應(yīng)時(shí)刻的抽油機(jī)井油藏類數(shù)據(jù)、井筒類數(shù)據(jù)及采集類數(shù)據(jù)。其中，用于動(dòng)液面預(yù)測的29項(xiàng)特征參量均為抽油機(jī)井實(shí)時(shí)采集數(shù)據(jù)，并均進(jìn)行了無因次化處理。同時(shí)考慮到耗電量、動(dòng)液面數(shù)值較大，為了方便計(jì)算，進(jìn)行了取對數(shù)處理。

利用皮爾遜相關(guān)系數(shù)分析法，將29項(xiàng)特征參量與實(shí)測動(dòng)液面進(jìn)行相關(guān)性分析，從而確定其主控特征參量。皮爾遜相關(guān)系數(shù)也稱為皮爾遜積矩相關(guān)系數(shù)。賈俊杰等認(rèn)為，皮爾遜相關(guān)系數(shù)也是一種線性相關(guān)系數(shù)［21］，記為，用來反映兩個(gè)變量和的線性相關(guān)程度，值介于之間，其絕對值越大表明相關(guān)性越強(qiáng)。的計(jì)算，見式（1）。

根據(jù)皮爾遜相關(guān)系數(shù)的絕對值，可以判斷變量之間的相關(guān)強(qiáng)度，相關(guān)系數(shù)的絕對值0.8～1.0，表示極強(qiáng)相關(guān)；當(dāng)相關(guān)系數(shù)的絕對值0.6～0.8，表示強(qiáng)相關(guān)；當(dāng)相關(guān)系數(shù)的絕對值0.4～0.6，表示中等相關(guān)；當(dāng)相關(guān)系數(shù)的絕對值0.2～0.4，表示弱相關(guān)；當(dāng)相關(guān)系數(shù)的絕對值0.0～0.2，表示極弱相關(guān)或無相關(guān)。因此，皮爾遜相關(guān)系數(shù)大于0.6時(shí)，通常被認(rèn)為是強(qiáng)相關(guān)［22］。

將每口油井29項(xiàng)特征參量與實(shí)測動(dòng)液面之間的皮爾遜相關(guān)系數(shù)進(jìn)行平均，分析了抽油機(jī)井各項(xiàng)特征參量與動(dòng)液面的相關(guān)性，發(fā)現(xiàn)上沖程最大載荷、下沖程最小載荷、最大載荷、最小載荷、載荷差、上沖程最大功率、下沖程最小功率、最大功率、最小功率、耗電量、有效沖程、泵充滿系數(shù)、泵效等13項(xiàng)特征參量相關(guān)性系數(shù)的絕對值大于0.6，與抽油機(jī)井動(dòng)液面呈現(xiàn)強(qiáng)相關(guān)，可以作為動(dòng)液面預(yù)測模型的輸入主控特征參量。

1.1.3抽油機(jī)井動(dòng)液面預(yù)測模型建立

在相關(guān)性分析的基礎(chǔ)上，結(jié)合專業(yè)知識和實(shí)踐經(jīng)驗(yàn)，總結(jié)提煉抽油機(jī)井動(dòng)液面主控特征參量與動(dòng)液面的變化規(guī)律，建立抽油機(jī)井動(dòng)液面預(yù)測模型。

將選取的5000口抽油機(jī)井的對應(yīng)的主控特征參量作為主控特征數(shù)據(jù)集，并將對應(yīng)動(dòng)液面測試數(shù)據(jù)作為目標(biāo)數(shù)據(jù)集。為了保證數(shù)據(jù)集的隨機(jī)性，將主控特征數(shù)據(jù)集、目標(biāo)數(shù)據(jù)集分別以9：1的比例劃分，分別作為模型訓(xùn)練集、效果測試集，共計(jì)得到模型訓(xùn)練集數(shù)據(jù)約45000組（90%）和效果測試集數(shù)據(jù)約5000組（10%）。

基于重新劃分得到的模型訓(xùn)練集、效果測試集，分別采用XGBoost、LightGBM、BP神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法，建立抽油機(jī)井動(dòng)液面預(yù)測模型。

（1）XGBoost動(dòng)液面預(yù)測模型訓(xùn)練及調(diào)優(yōu)。XGBoost是一種基于決策樹的梯度提升框架，康曉非等認(rèn)為其優(yōu)勢主要包括如下幾點(diǎn)：一是在處理大規(guī)模數(shù)據(jù)集時(shí)表現(xiàn)出色，能夠快速訓(xùn)練模型；二是在相同的數(shù)據(jù)集和參數(shù)設(shè)置下，精度較高，尤其在特征數(shù)較少或需要平滑決策樹時(shí)表現(xiàn)更好；三是參數(shù)設(shè)置較靈活，可適用于各種場景［23］。應(yīng)用XGBoost機(jī)器學(xué)習(xí)方法時(shí)，丁昌偉等認(rèn)為需要利用貝葉斯優(yōu)化器對模型參數(shù)進(jìn)行調(diào)優(yōu)［24］。優(yōu)化后指定樹的最大深度為5，學(xué)習(xí)速率為0.02，樹的個(gè)數(shù)為375。將模型訓(xùn)練集的45000組訓(xùn)練數(shù)據(jù)輸入XGBoost動(dòng)液面預(yù)測模型進(jìn)行訓(xùn)練，最終得到模型判定系數(shù)為0.9577，平均絕對誤差為0.02641。

（2）LightGBM動(dòng)液面預(yù)測模型訓(xùn)練及調(diào)優(yōu)。LightGBM同樣是基于決策樹的梯度提升框架，謝華祥等認(rèn)為其優(yōu)勢主要包括以下幾點(diǎn)：一是使用直方圖算法和基于梯度單邊采樣算法，在大規(guī)模數(shù)據(jù)集上訓(xùn)練速度更快；二是使用高效算法和數(shù)據(jù)結(jié)構(gòu)，內(nèi)存消耗較小；三是參數(shù)相對較少，大多數(shù)情況下使用默認(rèn)參數(shù)即可［25］。應(yīng)用LightGBM機(jī)器學(xué)習(xí)方法時(shí)，李海霞等認(rèn)為需要利用貝葉斯優(yōu)化器對模型參數(shù)進(jìn)行調(diào)優(yōu)［26］。優(yōu)化后樹葉子節(jié)點(diǎn)個(gè)數(shù)為39，迭代次數(shù)為588，學(xué)習(xí)速率為0.19。將模型訓(xùn)練集的45000組訓(xùn)練數(shù)據(jù)輸入LightGBM動(dòng)液面預(yù)測模型進(jìn)行訓(xùn)練，最終得到模型判定系數(shù)為0.9597，平均絕對誤差為0.02632。

（3）BP動(dòng)液面預(yù)測模型訓(xùn)練及調(diào)優(yōu)。BP神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的工具，由輸入層、隱藏層和輸出層組成。鄒旺等認(rèn)為其優(yōu)勢主要包括以下幾點(diǎn)：一是，強(qiáng)大的自適應(yīng)和自學(xué)習(xí)能力，能夠處理復(fù)雜的輸入-輸出關(guān)系，適用于函數(shù)逼近、分類和回歸任務(wù)；二是，非線性映射能力，能夠解決數(shù)據(jù)少、信息貧、不確定性問題，不受非線性模型的限制；三是廣泛的應(yīng)用領(lǐng)域，可適用于金融預(yù)測、銷售預(yù)測、圖像識別、自然語言處理等領(lǐng)域［27］。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法時(shí)，鄒瓊等認(rèn)為需要利用智能麻雀搜索法對模型參數(shù)進(jìn)行調(diào)優(yōu)［28］。優(yōu)化后最佳迭代次數(shù)為83，最佳隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為50。將模型訓(xùn)練集的45000組訓(xùn)練數(shù)據(jù)輸入BP動(dòng)液面預(yù)測模型進(jìn)行訓(xùn)練，最終得到模型判定系數(shù)為0.7879，平均絕對誤差為0.0725。

而后將效果測試集的5000組主控特征參量分別輸入XGBoost、LightGBM、BP神經(jīng)網(wǎng)絡(luò)動(dòng)液面預(yù)測模型，分別得到5000個(gè)動(dòng)液面預(yù)測值。發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)動(dòng)液面預(yù)測模型的預(yù)測精度相對較差，XGBoost、LightGBM動(dòng)液面預(yù)測模型的預(yù)測精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)動(dòng)液面預(yù)測模型，且二者預(yù)測精度基本相當(dāng)。整體來看基于單一模型很難實(shí)現(xiàn)對全部抽油機(jī)井動(dòng)液面的精準(zhǔn)預(yù)測。

（4）變權(quán)重組合預(yù)測模型建立。針對上述問題，提出建立基于變權(quán)重組合方法的動(dòng)液面預(yù)測模型。當(dāng)對多個(gè)預(yù)測模型進(jìn)行組合時(shí)，預(yù)測模型數(shù)量并不是越多越好。因此，建立了預(yù)測模型的評價(jià)指標(biāo)體系，通過數(shù)值計(jì)算確定評價(jià)指標(biāo)的主觀權(quán)重和客觀權(quán)重，將兩者結(jié)合后對模型進(jìn)行綜合評價(jià)，從而優(yōu)選出參與組合的模型［29］。最終優(yōu)選了對XGBoost、LightGBM及BP三種動(dòng)液面預(yù)測模型的結(jié)果進(jìn)行變權(quán)重組合，進(jìn)一步提升動(dòng)液面預(yù)測精度，式（3）。

利用灰色關(guān)聯(lián)度對傳統(tǒng)層次分析法權(quán)重計(jì)算進(jìn)行改進(jìn)，實(shí)現(xiàn)各單一預(yù)測模型對應(yīng)權(quán)重值的自適應(yīng)計(jì)算［30］。而后將三種單一預(yù)測模型的預(yù)測值進(jìn)行加權(quán)求和，便可得到變權(quán)重組合模型的最終預(yù)測值。

通過將效果測試集的5000組主控特征參量輸入變權(quán)重組合動(dòng)液面預(yù)測模型，得到5000個(gè)動(dòng)液面預(yù)測值。發(fā)現(xiàn)基于變權(quán)重組合模型的動(dòng)液面預(yù)測結(jié)果誤差相對較小，優(yōu)于XGBoost、LightGBM、BP神經(jīng)網(wǎng)絡(luò)動(dòng)液面預(yù)測模型，能夠相對準(zhǔn)確的預(yù)測動(dòng)液面，因此可作為優(yōu)選方法應(yīng)用于抽油機(jī)井動(dòng)液面預(yù)測應(yīng)用。

1.2成果應(yīng)用過程

1.2.1試驗(yàn)井的選擇

為了更加科學(xué)、客觀的評價(jià)變權(quán)重組合動(dòng)液面預(yù)測模型的預(yù)測精度，選取長慶油田某作業(yè)區(qū)165口井開展試驗(yàn)，試驗(yàn)井泵掛范圍800～2300m，產(chǎn)液量范圍0.5～15m3/d，且分屬不同油藏區(qū)塊，包含有常開油井及間抽油井，也包括直井、定向井及水平井。可以較好的評價(jià)動(dòng)液面預(yù)測模型對不同油藏區(qū)塊、不同井型、不同泵掛深度、不同產(chǎn)量的抽油機(jī)井的適應(yīng)性以及對抽油機(jī)井生產(chǎn)制度的指導(dǎo)作用。

1.2.2試驗(yàn)流程設(shè)計(jì)

（1）變權(quán)重組合動(dòng)液面預(yù)測模型重復(fù)性誤差及準(zhǔn)確性誤差評價(jià)試驗(yàn)

第1步，安排測試人員分別對165口抽油機(jī)井開展動(dòng)液面測試工作，每口井連續(xù)測試5次，共記錄825條測試數(shù)據(jù)及對應(yīng)測試時(shí)刻；

第2步，再將對應(yīng)測試時(shí)刻的165口抽油機(jī)井13項(xiàng)主控特征參量，輸入變權(quán)重組合動(dòng)液面預(yù)測模型，得到825條動(dòng)液面預(yù)測結(jié)果；

第3步，最后對人工測試的825條動(dòng)液面數(shù)據(jù)與對應(yīng)預(yù)測結(jié)果進(jìn)行對比分析。

通過對上述測試數(shù)據(jù)分析，一方面可以評價(jià)變權(quán)重組合模型動(dòng)液面預(yù)測結(jié)果的重復(fù)性；另一方面可以評價(jià)變權(quán)重組合模型動(dòng)液面預(yù)測結(jié)果的整體符合率。

為了進(jìn)一步評價(jià)變權(quán)重組合動(dòng)液面預(yù)測模型準(zhǔn)確性，對Y18-34、Y18-35兩口油井開展人工油套環(huán)空注水試驗(yàn)，并進(jìn)行人工動(dòng)液面測試與預(yù)測結(jié)果對比分析。

第1步，開始注水前，記錄人工測試動(dòng)液面數(shù)據(jù)與對應(yīng)時(shí)刻模型預(yù)測動(dòng)液面數(shù)據(jù)；

第2步，向油套環(huán)空先后注水4次，記錄每次注水后的人工測試動(dòng)液面數(shù)據(jù)與模型預(yù)測動(dòng)液面數(shù)據(jù)。

通過對上述測試數(shù)據(jù)進(jìn)行分析，可以進(jìn)一步確定預(yù)測結(jié)果準(zhǔn)確性及動(dòng)液面變化趨勢符合程度。

（2）變權(quán)重組合動(dòng)液面預(yù)測模型用于優(yōu)化間抽油井生產(chǎn)制度試驗(yàn)

Y15-35油井日產(chǎn)液量1.72m3/d，泵掛2300m，間抽制度為開2h停6h。對Y15-35間抽油井進(jìn)行實(shí)時(shí)預(yù)測，科學(xué)優(yōu)化間抽制度。

第1步，對Y15-35井安裝油井動(dòng)液面連續(xù)測試儀器，并設(shè)置好測試起始時(shí)刻（2023年11月21日0時(shí)0分0秒）及測試間隔（8h），間隔8h獲得抽油機(jī)井動(dòng)液面數(shù)據(jù)；

第2步，應(yīng)用變權(quán)重動(dòng)液面預(yù)測模型，在Y15-35油井開井時(shí)間段（00：00：00—02：00：00；8：00：00—10：00：00；16：00：00—18：00：00）實(shí)時(shí)進(jìn)行動(dòng)液面預(yù)測；

第3步，根據(jù)測試結(jié)果，對Y15-35進(jìn)行間抽制度優(yōu)化及效果跟蹤。

通過對上述測試數(shù)據(jù)進(jìn)行分析，可以評價(jià)動(dòng)液面預(yù)測結(jié)果對間抽油井生產(chǎn)制度優(yōu)化的效果。

1.2.3試驗(yàn)結(jié)果分析

（1）預(yù)測模型的重復(fù)性誤差分析。為了評價(jià)變權(quán)重組合動(dòng)液面預(yù)測模型的重復(fù)性誤差，隨機(jī)從165口油井中選取3口油井（Y15-31、Y15-32、Y15-33），對連續(xù)測試的15組動(dòng)液面數(shù)據(jù)進(jìn)行分析，如圖1所示。

從圖1中可以看出，人工測試動(dòng)液面的平均重復(fù)性誤差0.06%，模型預(yù)測動(dòng)液面的重復(fù)性誤差3.60%。人工動(dòng)液面測試的重復(fù)性誤差遠(yuǎn)小于模型預(yù)測動(dòng)液面的重復(fù)性誤差。主要原因如下：對于人工動(dòng)液面測試，依據(jù)回聲波的信號分析數(shù)據(jù)獲得動(dòng)液面，無其它干擾因素，因此測試重復(fù)性較好。對于模型預(yù)測動(dòng)液面，受到井筒復(fù)雜的多相流態(tài)影響，用于動(dòng)液面預(yù)測的13項(xiàng)主控特征參量會(huì)呈現(xiàn)一定程度的波動(dòng)，因此測試重復(fù)性較差，但也在可接受范圍之內(nèi)。

（2）預(yù)測模型的準(zhǔn)確性誤差分析。為了評價(jià)動(dòng)液面預(yù)測結(jié)果的整體符合率，選取165口油井的人工測試結(jié)果與預(yù)測結(jié)果進(jìn)行分析，如圖2所示。

從圖2中可以看出，模型預(yù)測動(dòng)液面與人工實(shí)測動(dòng)液面相對誤差在±5%以內(nèi)的油井151口，占比91.5%。對相對誤差超出5%的油井進(jìn)行排查，發(fā)現(xiàn)主要原因有三點(diǎn)：一是傳感器故障。抽油機(jī)井載荷、位移、電參傳感器故障后，導(dǎo)致無法獲得準(zhǔn)確的示功圖與功率圖，進(jìn)而使得模型預(yù)測誤差變大；二是載荷傳感器漂移。載荷傳感器漂移時(shí)，采集示功圖的最大載荷與最小載荷時(shí)而大時(shí)而小，模型預(yù)測動(dòng)液面也呈現(xiàn)較大幅度的波動(dòng)；三是氣液比高。氣液比過高時(shí)，井筒呈現(xiàn)復(fù)雜的多相管流狀態(tài)，抽油機(jī)井液柱載荷時(shí)而大時(shí)而小，模型預(yù)測動(dòng)液面同樣會(huì)呈現(xiàn)一定程度的波動(dòng)。

為了進(jìn)一步確定動(dòng)液面預(yù)測結(jié)果與人工測試的準(zhǔn)確性誤差，選取Y18-34、Y18-35兩口油套環(huán)空“注水試驗(yàn)”油井的5次測試結(jié)果進(jìn)行分析，如圖3所示。

從圖3中可以看出，預(yù)測動(dòng)液面與實(shí)測動(dòng)液面平均相對誤差3.5%，且預(yù)測動(dòng)液面與實(shí)測動(dòng)液面變化趨勢一致，均能準(zhǔn)確反映“油套環(huán)空注水量不斷增加，動(dòng)液面數(shù)據(jù)不斷變小”的現(xiàn)象。究其根源，主要得益于以下三點(diǎn)：一是用于預(yù)測動(dòng)液面的抽油機(jī)特征參量做了無因次化處理。一定程度上消除了不同井型、不同油藏物性的影響，增強(qiáng)不同井之間特征參量的普適性，消除數(shù)據(jù)之間的差異性，提升了模型預(yù)測在不同抽油井上的適應(yīng)性；二是用于模型訓(xùn)練的數(shù)據(jù)樣本量較大且質(zhì)量較高。模型訓(xùn)練樣本數(shù)據(jù)多達(dá)45000組，來自于5000口抽油機(jī)井，內(nèi)部包含有不同抽油機(jī)井的主控特征參量，也包含有同一口抽油機(jī)井的多組主控特征參量。通過不同抽油機(jī)井的訓(xùn)練樣本數(shù)據(jù)，可以訓(xùn)練出動(dòng)液面預(yù)測模型的“共性”；通過同一抽油機(jī)井的訓(xùn)練樣本，可以訓(xùn)練出動(dòng)液面預(yù)測模型的“個(gè)性”。整體實(shí)現(xiàn)了“共性”與“個(gè)性”的協(xié)調(diào)統(tǒng)一，使得模型預(yù)測精度得到提升；三是采用了變權(quán)重組合的動(dòng)液面預(yù)測模型。綜合了XGBoost預(yù)測模型、LightGBM預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)勢，因此在復(fù)雜數(shù)據(jù)處理、非線性映射、高精度需求、高效性能要求的動(dòng)液面預(yù)測場景下較為適用。

（3）預(yù)測模型用于優(yōu)化間抽井生產(chǎn)制度分析。選取Y15-35油井的3天9組動(dòng)液面測試數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)該井動(dòng)液面整體呈現(xiàn)上漲趨勢，說明Y15-35油井的間抽制度（開2h停6h）不夠合理，抽油機(jī)井停井時(shí)間過長，油藏滲流速度大于井筒排液速度，且處于“供”大于“排”的狀態(tài)，導(dǎo)致該井實(shí)施間抽后產(chǎn)液量下降。因此，需要延長開井時(shí)間，使抽油機(jī)井進(jìn)入供排協(xié)調(diào)狀態(tài)。最終，確定Y15-35油井的間抽制度為開3h停5h。實(shí)施后，發(fā)現(xiàn)該井動(dòng)液面整體平穩(wěn)，說明Y15-35油井的間抽制度（開3h停5h）科學(xué)合理，抽油機(jī)井當(dāng)下處于供排協(xié)調(diào)狀態(tài)。綜上所述，利用變權(quán)重組合動(dòng)液面預(yù)測模型可實(shí)時(shí)分析抽油機(jī)井動(dòng)液面變化趨勢，制定較為合理的間抽生產(chǎn)制度。

2結(jié)果現(xiàn)象討論

2.1測試效率及勞動(dòng)強(qiáng)度綜合分析

傳統(tǒng)人工動(dòng)液面測試方法，測試效率較低，主要體現(xiàn)在以下3個(gè)方面。

（1）測試過程繁瑣。在每次動(dòng)液面測試操作過程中，工作人員需要開關(guān)套壓控制閥門、拆裝套壓取壓裝置和井口連接器等工序。這些工序繁瑣且復(fù)雜，需要花費(fèi)大量的時(shí)間和精力。尤其是在一些特殊環(huán)境下，如冬季井口有油水留存，受低溫影響，閘門及套壓取壓裝置極易發(fā)生凍堵現(xiàn)象，這進(jìn)一步增加了測試的難度和時(shí)間成本。

（2）安全風(fēng)險(xiǎn)較高。人工測試動(dòng)液面過程中，工作人員需要接觸各種設(shè)備和井口裝置，這存在一定的安全風(fēng)險(xiǎn)。特別是在拆裝套壓取壓裝置和井口連接器時(shí)，如果操作不當(dāng)或設(shè)備出現(xiàn)故障，很容易導(dǎo)致人員受傷或設(shè)備損壞。此外，由于測試過程中需要接觸高壓流體和電氣設(shè)備，因此還需要特別注意電氣安全和防火防爆等問題。

（3）勞動(dòng)強(qiáng)度大。由于測試過程繁瑣、安全風(fēng)險(xiǎn)高等問題，人工測試動(dòng)液面的勞動(dòng)強(qiáng)度非常大。工作人員需要長時(shí)間在井口進(jìn)行高強(qiáng)度的工作，這不僅需要良好的身體素質(zhì)和專業(yè)技能，還需要高度的責(zé)任心和耐心。長期的高強(qiáng)度工作容易導(dǎo)致工作人員疲勞和注意力分散，從而引發(fā)較高安全風(fēng)險(xiǎn)，同時(shí)測試液面數(shù)據(jù)出現(xiàn)較大誤差的可能性變大。

總體來看，人工動(dòng)液面測試需要兩名技術(shù)人員共同開展，一天大概能測試50口井，測試效率較低。

基于變權(quán)重組合動(dòng)液面預(yù)測模型的測試效率及勞動(dòng)強(qiáng)度分析如下。

（1）測試效率分析。動(dòng)液面預(yù)測模型可以通過連續(xù)的數(shù)據(jù)采集和預(yù)測算法，實(shí)現(xiàn)動(dòng)液面的實(shí)時(shí)監(jiān)測和預(yù)測。這大大提高了測試效率，使得技術(shù)人員能夠及時(shí)了解油井的工況變化。同時(shí)，隨著大數(shù)據(jù)和云計(jì)算技術(shù)的發(fā)展，動(dòng)液面預(yù)測模型的數(shù)據(jù)處理能力得到了顯著提升。模型能夠快速處理大量數(shù)據(jù)，并實(shí)時(shí)輸出預(yù)測結(jié)果。這進(jìn)一步提高了測試效率，使得技術(shù)人員能夠更快速地做出生產(chǎn)決策。

（2）勞動(dòng)強(qiáng)度分析。動(dòng)液面預(yù)測模型的應(yīng)用大大減少了人工干預(yù)。傳統(tǒng)的動(dòng)液面測量方法需要人工定期到現(xiàn)場進(jìn)行測量和記錄，而預(yù)測模型則可以通過遠(yuǎn)程監(jiān)控和自動(dòng)化采集數(shù)據(jù)，實(shí)現(xiàn)無人值守的監(jiān)測和預(yù)測。這大大降低了勞動(dòng)強(qiáng)度，提高了工作效率。

隨著自動(dòng)化和智能化技術(shù)的發(fā)展，動(dòng)液面預(yù)測模型應(yīng)用場景將會(huì)進(jìn)一步拓展。例如，通過自適應(yīng)動(dòng)態(tài)規(guī)劃方法對抽油機(jī)沖次進(jìn)行優(yōu)化控制，可以根據(jù)動(dòng)液面的變化自動(dòng)調(diào)節(jié)抽油機(jī)的沖次，從而保持采油量與地層供給量的平衡。自動(dòng)化和智能化的控制方式進(jìn)一步降低了勞動(dòng)強(qiáng)度，提高了生產(chǎn)效率。

雖然動(dòng)液面預(yù)測模型的應(yīng)用降低了技術(shù)人員現(xiàn)場測量的勞動(dòng)強(qiáng)度，但數(shù)據(jù)管理與分析的工作量卻有所增加。模型需要處理大量數(shù)據(jù)，并進(jìn)行復(fù)雜的計(jì)算和預(yù)測。因此，需要配備專業(yè)的數(shù)據(jù)管理和分析人員來確保數(shù)據(jù)的準(zhǔn)確性和可靠性。然而，與現(xiàn)場測量的勞動(dòng)強(qiáng)度相比，這種數(shù)據(jù)管理與分析的工作量相對較小。

綜上所述，動(dòng)液面預(yù)測模型的測試效率較高，能夠?qū)崿F(xiàn)實(shí)時(shí)監(jiān)測和預(yù)測。以一個(gè)5萬口油井的大油田為例，10min內(nèi)可完成全油田所有油井的動(dòng)液面測試工作。因此，相較于傳統(tǒng)人工測試方法，測試效率提升15萬倍以上。同時(shí)，勞動(dòng)強(qiáng)度較低，相較于傳統(tǒng)人工測試方法，技術(shù)人員勞動(dòng)強(qiáng)度下降90%以上。

2.2測試頻次量化分析

傳統(tǒng)的動(dòng)液面測試方法依賴于人工操作，其測試頻率設(shè)定為每月兩次，具體安排在每月的上旬和下旬各進(jìn)行一次。這種測試方式雖然在一定程度上能夠滿足對油井動(dòng)態(tài)液面監(jiān)測的基本需求，但受限于測試頻次，對于油井實(shí)時(shí)狀態(tài)變化的捕捉能力相對有限，難以實(shí)現(xiàn)對油井生產(chǎn)狀況的即時(shí)反饋和精細(xì)管理。

相比之下，變權(quán)重組合動(dòng)液面預(yù)測模型的引入則徹底改變了這一狀況。該模型的創(chuàng)新之處在于，它將測試頻次與抽油機(jī)井的功圖、功率圖采樣頻次緊密結(jié)合起來，實(shí)現(xiàn)了測試頻率的大幅提升。目前，抽油機(jī)井的功圖和功率圖采樣已經(jīng)達(dá)到每10分鐘一次的頻率，這意味著每天可以進(jìn)行多達(dá)144次的測試，換算到每月，測試次數(shù)高達(dá)4320次。這一數(shù)字相較于傳統(tǒng)的人工測試方式，提升了2000余倍，極大地提高了數(shù)據(jù)獲取的密度和準(zhǔn)確性，為油井的動(dòng)態(tài)管理和優(yōu)化提供了強(qiáng)有力的數(shù)據(jù)支撐。

更為值得一提的是，這一模型的潛力還遠(yuǎn)未被完全挖掘。未來，如果能夠?qū)⑦@一先進(jìn)的預(yù)測模型嵌入到邊緣端的智能RTU（遠(yuǎn)程終端單元）中，那么其測試頻次將有望實(shí)現(xiàn)進(jìn)一步的飛躍。屆時(shí)，動(dòng)液面的測試將不再受限于固定的時(shí)間間隔，而是與抽油機(jī)井的沖次直接掛鉤。每當(dāng)抽油機(jī)井完成一個(gè)完整的沖次，就能立即進(jìn)行一次動(dòng)液面的測試，這種實(shí)時(shí)性的提升，意味著測試頻次相較于當(dāng)前水平還能再提升幾十倍之多。

這樣的改變，不僅將油井的監(jiān)測精度和實(shí)時(shí)性推向了一個(gè)新的高度，更為油井的高效運(yùn)行、故障預(yù)防以及生產(chǎn)優(yōu)化提供了前所未有的可能。通過實(shí)時(shí)、高頻次的動(dòng)液面數(shù)據(jù)，技術(shù)人員可以更加精準(zhǔn)地掌握油井的工作狀態(tài)，及時(shí)發(fā)現(xiàn)潛在問題，采取相應(yīng)措施，從而有效提升油井的生產(chǎn)效率和安全性，為油田的數(shù)字化轉(zhuǎn)型和智能化發(fā)展奠定堅(jiān)實(shí)基礎(chǔ)。

2.3測試成本量化分析

傳統(tǒng)人工測試動(dòng)液面成本高的問題確實(shí)比較突出，主要表現(xiàn)在人力成本高昂、設(shè)備成本與維護(hù)費(fèi)用高等3個(gè)方面。

（1）人力成本高昂。人工測試動(dòng)液面需要專業(yè)的工作人員進(jìn)行操作，這些工作人員不僅需要具備豐富的經(jīng)驗(yàn)和技能，還需要接受專門的培訓(xùn)。隨著人力資源成本的不斷提高，這些工作人員的薪資報(bào)酬也呈現(xiàn)上升趨勢。此外，測試過程中需要的人工時(shí)間成本也相對較高，因?yàn)闇y試過程繁瑣，需要花費(fèi)大量的時(shí)間和精力。

（2）設(shè)備成本與維護(hù)費(fèi)用高昂。雖然動(dòng)液面測試設(shè)備本身不屬于人力成本范疇，但屬于人工測試過程中不可或缺的一部分。這些設(shè)備通常價(jià)格昂貴，包括聲波液面測試裝置（分為移動(dòng)式手動(dòng)和固定式自動(dòng)兩種）、井口連接器、測試儀主機(jī)等。同時(shí)，設(shè)備的維護(hù)和校準(zhǔn)也需要定期投入資金，以確保設(shè)備的準(zhǔn)確性和可靠性。長期使用的設(shè)備還可能出現(xiàn)老化現(xiàn)象，導(dǎo)致測試結(jié)果不準(zhǔn)確，需要更換新設(shè)備，進(jìn)一步增加了成本。

（3）間接成本不容忽視。除了直接的人力成本和設(shè)備成本外，人工測試動(dòng)液面還會(huì)產(chǎn)生一些間接成本。例如，測試過程中可能需要使用各種耗材，如聲波發(fā)射器、接收器、線纜等，這些耗材的消耗和更換也會(huì)增加成本。此外，測試過程中還需要考慮安全風(fēng)險(xiǎn)和質(zhì)量控制等因素，這些都需要投入相應(yīng)的資金來確保測試的順利進(jìn)行和結(jié)果的準(zhǔn)確性。

綜合考慮人力成本、設(shè)備成本、耗材成本以及間接成本等因素，每口井單次測試費(fèi)用200元。以一個(gè)5萬口油井的大油田為例，采用傳統(tǒng)人工動(dòng)液面測試方法，每年每口井測試24次，單次測試費(fèi)用200元，5萬口油井大約年發(fā)生費(fèi)用2.4億元。由此可見，人工測試動(dòng)液面的成本確實(shí)相對較高。這些成本不僅增加了企業(yè)的運(yùn)營負(fù)擔(dān)，還可能影響企業(yè)的競爭力和可持續(xù)發(fā)展能力。

變權(quán)重組合動(dòng)液面預(yù)測模型預(yù)測動(dòng)液面成本分析是一個(gè)復(fù)雜的過程，涉及多個(gè)方面的成本考慮。以下是對這一過程的詳細(xì)分析。

（1）模型開發(fā)與維護(hù)成本。主要包括5個(gè)方面。一是數(shù)據(jù)收集與處理成本。為了建立動(dòng)液面預(yù)測模型，需要收集大量的歷史數(shù)據(jù)，包括日產(chǎn)液量、井口套壓、泵效等與動(dòng)液面相關(guān)的參數(shù)。這些數(shù)據(jù)的收集、清洗、整理和處理都需要耗費(fèi)一定的時(shí)間和資源。二是模型選擇與優(yōu)化成本。根據(jù)數(shù)據(jù)的特征和趨勢，選擇合適的預(yù)測模型，并使用統(tǒng)計(jì)方法對模型的參數(shù)進(jìn)行估計(jì)和優(yōu)化。這一過程需要專業(yè)的知識和技能，以及相應(yīng)的投入。三是模型開發(fā)成本。也既是軟件與硬件投入成本，模型開發(fā)過程中可能需要使用特定的軟件工具（如MATLAB等）和硬件設(shè)備（如高性能服務(wù)器等）。這些軟件和硬件的購置、安裝和維護(hù)都需要成本投入。四是模型的更新與迭代成本。隨著油井工況的變化和數(shù)據(jù)的積累，模型需要不斷更新和迭代以保持其預(yù)測精度。這包括重新收集數(shù)據(jù)、調(diào)整模型參數(shù)、優(yōu)化算法等步驟。五是技術(shù)支持與培訓(xùn)成本。為了確保模型的穩(wěn)定運(yùn)行和有效應(yīng)用，需要為相關(guān)人員提供技術(shù)支持和培訓(xùn)。這包括模型的使用說明、故障排除、參數(shù)調(diào)整等方面的培訓(xùn)。

（2）數(shù)據(jù)獲取與存儲成本。主要包括2個(gè)方面。一是數(shù)據(jù)獲取成本。為了獲取與動(dòng)液面預(yù)測相關(guān)的數(shù)據(jù)，可能需要購買第三方數(shù)據(jù)服務(wù)或與其他機(jī)構(gòu)進(jìn)行數(shù)據(jù)共享。都需要一定的成本投入。二是數(shù)據(jù)存儲成本。隨著數(shù)據(jù)的不斷積累，需要相應(yīng)的存儲設(shè)備和存儲空間來保存這些數(shù)據(jù)。這包括硬盤、云存儲等存儲介質(zhì)的購置和維護(hù)成本。

（3）預(yù)測與應(yīng)用成本。主要包括2個(gè)方面。一是預(yù)測成本。在進(jìn)行動(dòng)液面預(yù)測時(shí)，需要消耗一定的計(jì)算資源（如CPU、內(nèi)存等）。這些資源的消耗會(huì)導(dǎo)致電力消耗和硬件磨損等成本。預(yù)測過程的時(shí)間消耗和效率也會(huì)影響成本。高效的預(yù)測模型可以縮短預(yù)測時(shí)間，從而降低預(yù)測成本。二是應(yīng)用成本。動(dòng)液面預(yù)測結(jié)果可以為油田生產(chǎn)決策提供支持。但決策過程中可能需要考慮多個(gè)因素，包括預(yù)測結(jié)果的準(zhǔn)確性、可靠性、成本效益等。同時(shí)，在應(yīng)用預(yù)測模型時(shí)，需要相應(yīng)的操作和維護(hù)人員來確保模型的穩(wěn)定運(yùn)行和有效應(yīng)用。這些人員的工資、福利等成本也需要考慮在內(nèi)。

總體來看，固定成本包括模型開發(fā)與維護(hù)成本中的軟件與硬件投入、技術(shù)支持與培訓(xùn)等固定投入。變動(dòng)成本包括數(shù)據(jù)獲取與存儲成本中的數(shù)據(jù)購買費(fèi)用、數(shù)據(jù)存儲費(fèi)用等隨數(shù)據(jù)量變化的成本，以及預(yù)測與應(yīng)用成本中的計(jì)算資源消耗費(fèi)用、操作與維護(hù)人員工資等隨預(yù)測次數(shù)和應(yīng)用規(guī)模變化的成本。按照5萬口油井的大油田為例，利用變權(quán)重組合動(dòng)液面預(yù)測模型開展動(dòng)液面測試工作，預(yù)估年發(fā)生費(fèi)用1000萬，相較于傳統(tǒng)人工測試方法，測試成本降低96%。

3結(jié)論建議

（1）按照“數(shù)據(jù)收集與預(yù)處理、主控特征參量優(yōu)選、模型構(gòu)建及訓(xùn)練評價(jià)、模型現(xiàn)場驗(yàn)證”的技術(shù)思路，形成了基于變權(quán)重組合動(dòng)液面預(yù)測模型技術(shù)成果，與傳統(tǒng)人工測試方法對比，平均相對誤差在5%以內(nèi)，測試效率提升15萬倍以上，勞動(dòng)強(qiáng)度降低90%以上，測試頻次高出2000多倍，測試成本降低96%。切實(shí)解決了傳統(tǒng)人工測試方法勞動(dòng)強(qiáng)度大、測試頻次低、測試成本高等問題，為國內(nèi)油田動(dòng)液面測試提供了新思路。

（2）變權(quán)重組合動(dòng)液面預(yù)測模型充分發(fā)揮了XGBoost、LightGBM、BP神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法的優(yōu)勢，降低模型復(fù)雜度、提高模型泛化能力，實(shí)現(xiàn)了抽油機(jī)井動(dòng)液面的低成本、高可靠性、精準(zhǔn)性測試，并對抽油機(jī)井生產(chǎn)制度優(yōu)化起到重要作用，可以有效提升抽油機(jī)井生產(chǎn)效率與效益。截止2023年底，僅中國石油機(jī)采井達(dá)23.9萬口，其中抽油機(jī)井21.6萬口，若全面推廣應(yīng)用該技術(shù)，預(yù)估生產(chǎn)效益近10億元。

（3）變權(quán)重組合動(dòng)液面預(yù)測模型在應(yīng)用過程中，隨著應(yīng)用時(shí)間的延長，由于載荷傳感器長期受壓，存在“數(shù)據(jù)飄移失真”現(xiàn)象，一定程度上導(dǎo)致動(dòng)液面預(yù)測精度變差。因此，需建立記憶神經(jīng)網(wǎng)絡(luò)模型，預(yù)測載荷傳感器漂移規(guī)律，進(jìn)一步對動(dòng)液面預(yù)測模型的關(guān)鍵載荷類主控特征參量進(jìn)行修正，以提升測試精度。當(dāng)傳感器出現(xiàn)“嚴(yán)重?cái)?shù)據(jù)漂移失真”現(xiàn)象時(shí)，建議及時(shí)更換載荷傳感器。

（4）考慮到預(yù)測模型在動(dòng)液面預(yù)測應(yīng)用方面取得的顯著成效，下步擬計(jì)劃將其應(yīng)用于抽油機(jī)井含水率預(yù)測。載荷、電參信息均包含有液柱載荷信息，與井液密度密切相關(guān)，通過將變權(quán)重預(yù)測模型與多相管流模型融合，有望實(shí)現(xiàn)抽油機(jī)井含水率的精準(zhǔn)預(yù)測；亦可用于工況診斷及超前治理。當(dāng)抽油機(jī)井出現(xiàn)結(jié)蠟、偏磨工況時(shí)，其載荷、電參等數(shù)據(jù)會(huì)出現(xiàn)比較明顯的規(guī)律性變化，通過應(yīng)用機(jī)器學(xué)習(xí)方法，可對結(jié)蠟、偏磨程度進(jìn)行定量化預(yù)測，及時(shí)進(jìn)行干預(yù)，延長抽油機(jī)井檢泵周期；還可應(yīng)用于油氣生產(chǎn)設(shè)備預(yù)測性維護(hù)。通過對關(guān)鍵設(shè)備加裝能夠采集振動(dòng)、溫度、音頻的傳感器，研究不同工況下關(guān)鍵設(shè)備的振動(dòng)、溫度、音頻信息，可實(shí)現(xiàn)油氣生產(chǎn)設(shè)備的預(yù)測性維護(hù)。