点击数: 更新日期: 2023-03-09
论文题目：Data-driven system efficiency prediction and production parameter optimization for PW-LHM
录用期刊：JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING (JCR Q1)
原文DOI：10.1016/j.petrol.2021.109810
录用/见刊时间：2022-02-01
作者列表：
1）檀朝东，中国石油大学（北京），信息科学与工程学院，博士生导师
2）邓涵文，中国石油大学（北京），石油工程学院，油气田开发工程专业，硕士 19
3）冯子明，东北石油大学
4）李冰，中国石油大学（北京），石油工程学院，石油与天然气工程专业，硕士 17
5）彭振华，中石化西北油田分公司
6）冯钢，西安中控天地科技开发有限公司
背景与动机:
塔河油田稠油井采用环空掺稀油降粘方式开采，传统的机理研究与实验研究等方法很难准确评价预测掺稀抽油机井系统效率和降粘效果，数字油田积累大量的生产动态数据，应用大数据技术可以为掺稀油井系统效率预测及优化提供一个新方法。本文根据掺稀抽油机井生产动态数据和举升、掺稀设备的工况数据，利用皮尔逊Pearson相关系数分析方法，分析了油井的抽油和掺稀属性数据与系统效率的关联性，应用主成分分析（PCA）方法进行数据降维并确定了主控参数，考虑举升和掺稀油设备工况的变化趋势和前后关联性，应用长短期记忆神经网络(LSTM)建立了掺稀抽油机井系统效率时序预测模型。现场实例验证分析表明：基于LSTM的掺稀抽油机井预测模型，克服了传统的机器学习无法准确描述油井系统效率变化在时间维度上的相关性的问题，可以进行掺稀抽油井系统效率的快速预测，超前预警抽油机井生产工况，及时调整掺稀井举升和掺稀参数。
设计与实现:
掺稀抽油机井系统效率预测本质上是一个时间序列问题，同时还应考虑设备工况变化、抽油和掺稀操作参数对系统效率的影响。为此，本文利用皮尔逊Pearson相关系数分析方法，分析了掺稀抽油机井属性数据与系统效率的关联性，应用主成分分析（PCA）方法进行数据降维确定主控参数，定量研究掺稀抽油机井生产数据变化规律与系统效率之间的关系。建立了一种基于LSTM的广泛应用时序数据学习和预测的油井系统效率预测模型，该方法能够保留先前的系统效率和抽油设备工作状态信息并传递到后续时间节点的系统效率预测，能够充分考虑生产动态数据的变化趋势和前后关联性，更深层次挖掘数据间的潜在规律，预测结果更为准确可靠，基于该方法可实时预测抽油机井实时工况即系统效率并超前预警，从而帮助人们诊断设备工况和合理选择举升参数和掺稀参数，实现了掺稀抽油机井参数优化决策由传统的业务机理驱动向数据驱动的转变。
图 1 抽油机井掺稀工艺流程图
掺稀抽油机井系统效率预测技术思路为：分析油井生产动态、设备工况、抽油和掺稀操作参数等因素对系统效率的影响，降维处理获取抽油机井系统效率的主控参数，将归一化的主控参数作为输入变量，应用多层神经网络智能算法，建立预测深度学习模型，利用大量样本数据对所建模型进行训练和模型参数调优，利用训练后的模型实现产量及系统效率预测预警。
图 2 基于特征选择的抽油井系统效率预测流程图
实验结果及分析:
本文建立的掺稀油井系统效率预测优化数据集，样本有1491个，每个样本共有22个变量。分别以7:2:1的比例划分为训练集、验证集和测试集。根据皮尔逊相关分析和PCA主成分分析结果，选择掺稀比、稀油密度、冲次、套压、气液比、原油粘度共5个主控参数作为LSTM神经网络的输入。
利用训练好的RNN和LSTM掺稀油井系统效率预测模型，预测塔河油田某掺稀油井的系统效率数值。与实际生产数据对比，RNN预测模型平均相对误差为0.083，LSTM模型平均相对误差为0.061，LSTM模型预测精度明显高于RNN预测模型。本文选用RNN预测模型及LSTM预测模型对塔河油田某掺稀油井系统效率进行预测结果对比，RNN预测模型和LSTM模型在整个测试集上的系统效率预测值与实际值的对比结果如下图所示。
图3 RNN模型预测值与实测值对比结果 图4 LSTM模型预测值与实测值对比结果
图5 RNN和LSTM两个模型预测结果对比
建立的掺稀抽油机井系统效率预测模型可以对掺稀油井的生产参数进行优化。改变油井的生产参数，基于训练好的模型，可以进行系统效率的快速预测，实现生产方案的合理性的快速判断和调整。分别改变影响塔河油田某掺稀油井系统效率的主要影响因素，即冲次、掺入稀油密度、掺稀比三个参数的敏感性分析，根据训练好的LSTM模型预测某掺稀油井的系统效率的变化情况，冲次分别为3、4、5时的系统效率如图6、7、8所示。
图6 冲次为3时掺稀油密度、掺稀比对系统效率的敏感性分析
图7 冲次为4时掺稀油密度、掺稀比敏感性分析
图8 冲次为5时掺稀油密度、掺稀比敏感性分析
结论:
（1）基于皮尔逊相关系数分析方法和PCA特征选择算法能够有效筛选出影响掺稀抽油机井系统效率的主要因素，确定了掺稀比、掺入稀油密度、套压、冲次、原油粘度共5个参数为影响抽油机井系统效率的主控参数，有助于认识油井系统效率与各因素之间的关联关系，同时为降低模型复杂度、提高模型泛化能力奠定基础。
（2）以序列特征向量作为输入，基于LSTM构建的掺稀抽油机井系统效率预测模型在测试集上具有良好的泛化能力，具有较小的预测误差，能够对油井系统效率做出精确的长期预测。
（3）建立的LSTM预测模型可利用现场油井的生产动态、举升和掺稀设备的操作数据，可进行掺稀抽油机井生产系统效率的快速准确预测和工况预警，实现了油井预测性管理。
（4）建立的LSTM预测模型还可被进一步应用于的生产参数优化研究，辅助掺稀抽油机井举升和掺稀生产参数的优化决策，为及时调整和优化生产方案提供措施建议。
作者简介:
檀朝东，博士，副教授，正高级工程师，博士生导师。信息科学与工程学院教师，从事教学和科研工作。主要从事油气田开发、数据驱动理论与方法、智能油田等方面的研究，致力于采油气工程、油气举升设备故障诊断、油气生产物联网大数据和智能油井的关键核心技术研究及应用。主持和参与了国家自然科学基金、国家科技重大专项、省部级以上课题等20余项，发表技术论文100余篇，国家专利10多项，教材专著5部，获省部级科技进步奖16项，教学奖5项。