功圖量油與診斷算法簡介

功圖量油與診斷算法簡介2/5/2023主要內(nèi)容功圖量油概述現(xiàn)有問題與改進(jìn)多氣井量油抽油井故障診斷2/5/2023功圖量油概述從傳統(tǒng)量油到功圖量油功圖量油技術(shù)發(fā)展功圖量油的國內(nèi)外現(xiàn)狀功圖量油原理工程應(yīng)用實(shí)例2/5/2023從傳統(tǒng)量油到功圖量油傳統(tǒng)量油計(jì)量間量油智能化多相流量計(jì)量油容積式計(jì)量法功圖量油理論示功圖2/5/2023功圖量油技術(shù)發(fā)展全天候間抽任意時(shí)段……示功圖泵功圖即時(shí)產(chǎn)量2003Gibbs方程等力學(xué)模型拉線法面積法有效沖程法……示功儀產(chǎn)量累加2/5/2023功圖量油技術(shù)發(fā)展拉線面積法：80年代，B?M?卡西揚(yáng)諾夫示功圖的理論排量實(shí)際日產(chǎn)液量其中為AB、BC、CF延長線和AD延長線所圍的面積。液量疊加法等

2/5/2023功圖量油技術(shù)發(fā)展有效沖程法式中，

-柱塞直徑

-沖次

-充滿系數(shù)

-柱塞沖程

-泵功圖的有效沖程2/5/2023功圖量油的國內(nèi)外現(xiàn)狀國際Shell,Lufkin,Enerplus…國內(nèi)長慶，中原，大港，……2/5/2023功圖量油原理有效沖程AD段長度充滿系數(shù)有效沖程/最大沖程AD/EC段沖次驢頭一分鐘內(nèi)來回的次數(shù)2/5/2023功圖量油原理示功圖量油泵功圖量油API算法量油綜合考慮三者計(jì)算結(jié)果2/5/2023示功圖量油日產(chǎn)液量＝24hr*60min*泵的面積*有效沖程*沖次其中，沖次：N次/min

有效沖程/沖程=充滿系數(shù)關(guān)鍵：凡爾開閉點(diǎn)216個(gè)原數(shù)據(jù)平滑數(shù)據(jù)曲線變化2/5/2023泵功圖的推算Gibbs波動(dòng)方程2/5/2023示功圖量油以實(shí)測地面功圖為邊界條件應(yīng)用計(jì)算模型擬合泵功圖應(yīng)用實(shí)測井下泵功圖對比修正建立計(jì)算模型對比修正實(shí)測地面示功圖計(jì)算泵功圖實(shí)測井下示功圖確定邊界條件實(shí)測泵功圖實(shí)測井口示功圖計(jì)算泵功圖實(shí)測井口示功圖實(shí)測示功圖2/5/2023泵功圖量油日產(chǎn)液量＝

24hr*60min*泵的面積*有效沖程*沖次2/5/2023APIRP11算法量油由已知的液面、泵掛深度、沖次、光桿沖程、泵塞直徑、液體密度，再結(jié)合抽油桿尺寸和組合，以及油管直徑、是否錨定等信息，能過查表、曲線圖等確定柱塞沖程、泵排量、光桿最大最小載荷等需求量。2/5/2023工程應(yīng)用實(shí)例計(jì)算過程實(shí)例泵功圖驗(yàn)證計(jì)算結(jié)果分析莊13量油分析2/5/2023計(jì)算過程實(shí)例功圖量油計(jì)算過程以堡1-3井為例

2009-12-2

示功圖2/5/2023計(jì)算過程實(shí)例推算泵功圖2/5/2023計(jì)算過程實(shí)例數(shù)據(jù)處理并確定凡爾開閉點(diǎn)2/5/2023計(jì)算過程實(shí)例計(jì)算單日產(chǎn)液量堡1-3井2009-12-2各時(shí)間段產(chǎn)量值時(shí)間8:0010:0012:0014:0016:0018:0020:0022:000:002:004:006:00產(chǎn)量m38.628.288.659.036.527.898.548.579.469.048.498.802/5/2023泵功圖驗(yàn)證以沙22-21為例，在其井下1300m和1790m處均安裝了井下示功儀2/5/2023計(jì)算結(jié)果分析單井單日產(chǎn)液量分析2/5/2023計(jì)算結(jié)果分析單井多日產(chǎn)液量分析，以堡1-4A為例堡1-4A功圖計(jì)算產(chǎn)液量與計(jì)量產(chǎn)液量對比分析表日期堡1-4A井大罐量油（m3）

功圖計(jì)量（m3）

差值（m）

誤差率（%）10月7日14.71514.4700.2451.6610月8日15.93015.9010.8395.2710月9日15.66015.1790.4813.0710月10日15.93115.3440.5873.6810月12日16.33515.4800.8553.6810月14日16.20015.5410.6594.0710月16日15.52515.560-0.0350.232/5/2023計(jì)算結(jié)果分析堡1-4A一個(gè)月數(shù)據(jù)對比2/5/2023計(jì)算結(jié)果分析李堡數(shù)據(jù)匯總，見下頁表格功圖量液與大罐量液誤差2/5/2023功圖計(jì)量與大罐量油對比分析表日期堡1站大罐量油（m3）

功圖計(jì)量（m3）

差值（m3）

誤差率（%）9月28日110.476108.8961.581.459月29日99.404108.4989.0948.389月30日103.085107.6214.5364.2110月1日104.144108.5824.4384.0910月7日101.912105.4073.4953.3210月8日103.292105.3272.0351.9310月10日100.745105.0394.2944.0910月12日99.198103.2974.0993.9710月14日100.204104.2094.0053.8410月16日99.688104.1724.4844.3010月18日99.834103.6413.8073.6710月20日99.297101.2061.9091.8910月22日97.858100.883.0223.0010月24日98.825100.621.7951.7810月26日98.69499.8541.1601.1610月28日97.176100.5433.3673.352/5/2023莊13量油分析莊13總產(chǎn)量對比2/5/2023莊13量油分析莊13總產(chǎn)量對比2/5/2023主要內(nèi)容功圖量油概述現(xiàn)有問題與改進(jìn)多氣井量油抽油井故障診斷2/5/2023現(xiàn)有問題與改進(jìn)量油產(chǎn)量及報(bào)表分析，基本與報(bào)表產(chǎn)量一致。但有少部分油井量油存在一定誤差，對這些油井工作狀況進(jìn)行分析。2/5/2023現(xiàn)有問題與改進(jìn)拐點(diǎn)計(jì)算偏差2/5/2023現(xiàn)有問題與改進(jìn)功圖數(shù)據(jù)采集錯(cuò)誤2/5/2023現(xiàn)有問題與改進(jìn)氣體影響導(dǎo)致有效沖程偏大2/5/2023現(xiàn)有問題與改進(jìn)數(shù)據(jù)采集錯(cuò)誤2/5/2023現(xiàn)有問題與改進(jìn)有效沖程變化比較大2/5/2023主要內(nèi)容功圖量油概述現(xiàn)有問題與改進(jìn)多氣井量油抽油井故障診斷2/5/2023多氣井量油算法概述2/5/2023多氣井量油算法概述液體沖程Sfreegas2/5/2023多氣井量油算法概述測量壓力滿足eq.a時(shí)，進(jìn)入油管的氣液量

(Gibbsetal.,2006)-沉沒壓力

-泵出口壓力

-液體載荷

-活塞面積Lufkin,Enerplus2/5/2023多氣井量油算法概述沉沒壓力方程求解2/5/2023多氣井量油算法概述溶解GOR和原油體積系數(shù)與壓力關(guān)系2/5/2023多氣井量油算法概述Nolencorrelations2/5/2023多氣井量油算法概述2/5/20232/5/2023多氣井量油算法概述PIP推算測定1.假定一個(gè)很小的起始值Pistart。2.從經(jīng)驗(yàn)曲線計(jì)算求解溶解氣和石油收縮。3.計(jì)算游離氣體積。4.計(jì)算油管氣液比。5.考慮多相流、泵掛深度等因素，確定對應(yīng)的Pa。6.如(Pistart,Pa)不滿足eq.a，增加Pi，回到步驟2，直至找到真實(shí)的Pitrue。7.由Pitrue從經(jīng)驗(yàn)曲線中確定氣體影響和石油收縮效應(yīng)。2/5/2023主要內(nèi)容功圖量油概述現(xiàn)有問題與改進(jìn)多氣井量油抽油井故障診斷2/5/2023故障診斷功圖量油須建立在抽油井工況健康的基礎(chǔ)上，因此在量油之前需進(jìn)行故障診斷。2/5/2023故障診斷整個(gè)故障診斷系統(tǒng)分為：診斷界面讀寫數(shù)據(jù)庫底層模塊接口診斷模塊2/5/2023底層接口為診斷模塊提供標(biāo)準(zhǔn)功圖、當(dāng)前功圖和前一功圖實(shí)現(xiàn)功圖數(shù)據(jù)的前期處理，提供給診斷模塊入口，對漸變故障進(jìn)行后期處理底層模塊接口診斷模塊原始數(shù)據(jù)標(biāo)準(zhǔn)功圖第n個(gè)功圖第n-1個(gè)功圖一部分診斷結(jié)果漸變故障處理漸變故障診斷結(jié)果2/5/2023診斷模塊數(shù)據(jù)采集錯(cuò)誤抽油桿斷脫或活塞遇卡或凡爾失靈柱塞脫出工作筒油井結(jié)蠟或乳化油稠油管漏失固定凡爾漏失供液不足上碰掛下碰泵2/5/2023診斷模塊2/5/2023智能分類人工神經(jīng)網(wǎng)絡(luò)已經(jīng)有40多年的歷史,近些年來神經(jīng)網(wǎng)絡(luò)技術(shù)被越來越廣泛地應(yīng)用于石油工業(yè)的許多不同領(lǐng)域。與傳統(tǒng)的分類方法相比，人工神經(jīng)網(wǎng)絡(luò)模型有許多優(yōu)勢:具有極強(qiáng)的非線性映射能力，可以以任意精度逼近任何連續(xù)函數(shù)采用并行計(jì)算機(jī)制,具有高速度和高精度采用信息的分布式存儲(chǔ)方式，具有更好的穩(wěn)定性和容錯(cuò)性，允許樣本缺失和扭曲，部分計(jì)算單元的損壞不會(huì)削弱整個(gè)系統(tǒng)的功用;具有較強(qiáng)的自學(xué)習(xí)綜合能力、聯(lián)想記憶能力和調(diào)整功能2/5/2023智能分類現(xiàn)在人工神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛的應(yīng)用于有桿抽油井的故障診斷中。在眾多的神經(jīng)網(wǎng)絡(luò)模型中,比較常用的是誤差反向傳播神經(jīng)網(wǎng)絡(luò),簡稱BP神經(jīng)網(wǎng)絡(luò)，我們就使用了BP神經(jīng)網(wǎng)絡(luò)進(jìn)行油井故障的診斷。2/5/2023智能分類BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法的多層前饋型人工神經(jīng)網(wǎng)絡(luò),具有三層或三層以上神經(jīng)元，有輸入層、隱含層和輸出層。它的學(xué)習(xí)方式是一種有監(jiān)督的學(xué)習(xí),在輸出層比較網(wǎng)絡(luò)的實(shí)際輸出和對應(yīng)的期望輸出的誤差均方差,如果不能得到滿意的誤差精度,則根據(jù)誤差通過梯度下降法調(diào)整各層神經(jīng)元的權(quán)值,最終使誤差達(dá)到最小。2/5/2023智能分類具有兩個(gè)隱層的神經(jīng)網(wǎng)絡(luò)示意圖2/5/2023智能分類診斷過程示意圖2/5/2023目前，我公司應(yīng)用于油田現(xiàn)場的診斷系統(tǒng)可以識(shí)別出以下幾種故障：數(shù)據(jù)采集錯(cuò)誤，抽油桿斷脫或活塞遇卡或凡爾失靈，柱塞脫出工作筒，油井結(jié)蠟或乳化油稠，油管漏失，固定凡爾漏失，供液不足，上碰掛，下碰泵。其中，數(shù)據(jù)采集錯(cuò)誤可以通過功圖的物理屬性判斷出來；其他故障類型的判斷以神經(jīng)網(wǎng)絡(luò)為主，同時(shí)結(jié)合功圖的物理屬性。2/5/2023以“供液不足”為例神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段訓(xùn)練階段分為神經(jīng)網(wǎng)絡(luò)構(gòu)建、訓(xùn)練數(shù)據(jù)提取和網(wǎng)絡(luò)訓(xùn)練三個(gè)部分。這里把神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)為包含一個(gè)隱層的BP網(wǎng)絡(luò)，隱含層神經(jīng)元的傳遞函數(shù)使用正切S型，輸出層神經(jīng)元的傳遞函數(shù)使用對數(shù)S型，訓(xùn)練函數(shù)使用trainlm，反傳算法采用收斂速度較快的Levenberg-Marquadt算法。2/5/2023以“供液不足”為例神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段選取供液不足的典型功圖，對功圖數(shù)據(jù)進(jìn)行預(yù)處理，主要包括功圖平滑和歸一化。供液不足的功圖特征主要為下行程功圖缺失，因此提取從上死點(diǎn)開始的108組載荷數(shù)據(jù)作為功圖特征數(shù)據(jù)。將提取好的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，直到網(wǎng)絡(luò)達(dá)到預(yù)定的識(shí)別誤差。2/5/2023以“供液不足”為例實(shí)時(shí)診斷階段診斷系統(tǒng)運(yùn)行時(shí)，將實(shí)時(shí)功圖數(shù)據(jù)進(jìn)行預(yù)處理、特征提取，然后將處理好的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)識(shí)別后將診斷結(jié)果輸出，診斷完成。其它幾種故障類型的神經(jīng)網(wǎng)絡(luò)診斷模型類似上述過程，只是在特征值提取階段有所不同。2/5/2023新進(jìn)展在診斷過程中，由于某些故障類型的功圖數(shù)據(jù)非常的少，導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練不充分，診斷的效果不明顯，因此我們引進(jìn)了“支持向量機(jī)”數(shù)據(jù)分類方法。支持向量機(jī)也是一種數(shù)據(jù)分類的方法，其一個(gè)重要優(yōu)點(diǎn)是使用簡單的線性分類器劃分樣本空間，并且可以處理線性不可分的情況，對小樣本情況下的分類效果尤為顯著。2/5/2023支持向量機(jī)1、支持向量機(jī)簡介以最簡單的線性可分的兩類樣本為例,假設(shè)對于數(shù)據(jù)集D={(xi,yi)}i=1~n,其中每個(gè)數(shù)據(jù)點(diǎn)對應(yīng)的類別標(biāo)識(shí)∈{+1,-1},在能夠正確分類的所有線性分類器中,希望找到能夠使泛化誤差最小的分類器。直觀的看,如果將分類間隔(margin)定義為兩類中距分類面最近的數(shù)據(jù)點(diǎn)到分類面的距離之和,那么,能夠使分類間隔最大的分類器顯然是最佳的選擇,如圖1所示。圖1a的分類面分類間隔較小,圖1b中的分類面分類間隔比較大,顯然圖1b所示的分類器擁有更好的泛化