论文题目: Full Reproduction of Surface Dynamometer Card based on Periodic Electric Current Data

发表期刊：SPE Production & Operations, 2021 (JCR Q3)

原文DOI：https://doi.org/10.2118/205396-PA

作者列表

1) 朱丹丹 中国石油大学（北京） 信息科学与工程学院

2) 罗晓婷 中国石油大学（北京） 信息科学与工程学院 计算机系 研18-3

3) 张占敏 中国石油华北油田分公司工程技术研究院

4) 李向一 中国石油大学（北京） 信息科学与工程学院 计算机系 研18-3

5) 朱丽萍 中国石油大学（北京） 信息科学与工程学院

6）高  鹏 中国石油华北油田分公司工程技术研究院

7）金学峰 中国石油华北油田分公司工程技术研究院

背景与动机

近年来，随着神经网络和大数据在石油行业的兴起，越来越多的油田都逐步转向智能化、数字化发展。示功图对于作为表征抽油机工作状态的重要手段，可以全面反映抽油机的运行状况及原油的开采情况。然而，目前为止还没有一项技术实现了通过周期电流全面复现地面示功图。对其原因主要为以下几点：（1）组成地面示功图的地面位移数据和地面载荷以及周期电流数据在空间位置上是相互影响的；（2）地面载荷和地面位移的当前输出数据都受到前序数据的影响。因此，对于全面复现地面示功图的难题，可以考虑利用深度学习从数据本身存在的时空特性入手建立模型，以此实现通过周期电流间接实现对地面示功图的全复现。

设计与实现

本文旨在建立周期电流实现全面复现地面示功图的模型，以此提高油田的生产效益。为了克服上述挑战，我们提出了利用卷积神经网络和长短时记忆网络提取时空特性的方法，其网络结构如下图所示：

图 1 系统结构图

首先，整个网络的输入是由200个数据点组成的周期电流，电流在产生的过程中会产生相应的磁场，导致电流数据值受周围磁场强度的影响。因此，采用两层卷积神经网络合理提取局部空间信息相关性有助于确定相邻电流数据对目标测功图的影响，提高模型的泛化能力。在这个过程中卷积神经网络的操作如下：

图2 空间特征提取的网络展示

得到数据的空间特征后，由于在抽油机运行的一个周期内，抽油机的当前位移和地面载荷受过去位移和地面载荷的影响。因此，在特征提取过程中需要考虑时间特征。我们采用多层长短时记忆网络提高了模型的准确性，网络拓扑图如图3所示。

图3 时间特征提取的网络展示

为了证明我们提出方法的有效性，我们设置了三组控制组，分别是只利用卷积神经网络CNN训练模型（包括经典的三种残差网络Resnet34、Resnet50和Resnet101）、只利用长短时记忆网络LSTM训练模型和采用卷积神经网络CNN和循环神经网络RNN混合的网络训练模型，各模型最终得到的准确度如下表所示。

表1控制组对比实验效果

其中，我们采用的评价公式是平均相对误差（MRE）和平均相关系数(MCC)，二者公式的计算分别如下：

此外，为了更直观的证明我们提出方法的可行性和准确性，我们从最终结果中随机挑选出了几个对比图，如图4所示：

图4 地面示功图全复现结果图的比较（示例）

由以上控制组之间的对比图可知，我们提出方法的准确性优于其他方法，满足数字化油田的实际需要。

作者简介

朱丹丹：博士，计算机系副教授，硕士生导师。目前主要研究是强化学习和深度学习方向。

联系方式：zhu.dd@cup.edu.cn