基于人工智能的抽油机井结蜡预警方法

2019-09-02邴绍强

石油钻探技术 2019年4期

邴绍强

（中国石化胜利油田分公司信息化管理中心，山东东营 257000）

传统模式下，针对易结蜡的有杆泵抽油井，人们往往根据现场经验确定其清蜡周期，受人工采集数据频率低、时间对应性不强等条件限制，清蜡周期往往不准确，易因井筒清蜡不及时而发生蜡卡躺井，不仅降低了油井生产时率，而且增加了油井作业维护费用和生产成本[1-3]。例如，胜利油田桩23区块平均每年有2口井因清蜡周期不准确、井筒清蜡不及时而发生蜡卡躺井。近年来，随着油气生产物联网建设的不断推进，抽油机井悬点载荷与位移、井口温度、回压、电参数等逐步实现了自动实时采集[4]，为人工智能技术的应用提供了大量的数据支持，因而国内外开展了利用人工智能预测油井结蜡工况的研究：段友祥等人[5-8]利用人工智能的分类算法，建立了异常工况诊断模型，对油井的结蜡工况进行识别；A. K. Manshad等人[9-10]利用人工智能预测算法，建立了储层流体结蜡量预测模型。上述方法均难以实现抽油机井结蜡及清蜡周期的定量化预测及预警，为此，笔者利用人工智能预测算法，结合大数据挖掘技术[11-13]，通过研究抽油机井生产数据变化规律与结蜡程度的定量关系，建立了结蜡程度预测预警模型，可实时预测油井结蜡程度并超前预警，从而帮助人们合理选择清蜡时机，尽可能避免蜡卡躺井，实现了抽油机井清蜡时机由传统的业务驱动向数据驱动的转变。

1 应用人工智能预测抽油机井结蜡的技术思路

近年来，随着智能传感器、物联网等技术的快速发展和大规模应用，工业生产逐步进入大数据时代，工业大数据的产生促进了新一代人工智能技术在工业领域的应用，拓展了利用人工智能解决问题的深度和广度[14]。新一代人工智能技术在油田的应用越来越广泛[15-18]，已在储层识别、油藏动态分析、油水井工况诊断等方面取得了较好的应用成果。深度学习和知识工程是新一代人工智能技术在工业领域应用的2大技术，在工业领域应用中有相互融合的趋势，从而提高了结果的可靠性和可解释性。新一代人工智能技术用于抽油机井结蜡预测和预警的技术思路为：将数据挖掘技术与专业知识结合，识别抽油机井结蜡预警的主控参数，建立结蜡预警规则模型，实现结蜡井的有效识别，并建立结蜡井样本库；在此基础上，将归一化处理后的结蜡预警主控参数作为输入变量，应用长短时记忆深度学习算法，建立结蜡程度人工智能预测模型，利用大量样本数据对所建模型进行训练，利用训练后的模型可以定量预测抽油机井的结蜡程度，从而确定清蜡时机，辅助技术人员及时采取清蜡措施，避免蜡卡躺井。

2 抽油机井结蜡预警规则模型的建立

抽油机井结蜡是一个渐变的过程，在分析结蜡井生产参数变化规律的基础上，可以确定其主控参数，结合采油专业知识和专家经验，建立油井结蜡预警规则模型，自动识别有结蜡趋势的抽油机井，为结蜡程度人工智能预测模型提供学习样本，同时为预测模型提供输入的自变量数据。

2.1 结蜡预测主控参数的优选

收集了胜利油田2015—2017年300口典型结蜡井的生产参数，包括采取清蜡措施或蜡卡躺井前后地面示功图的相关参数（上行电流、下行电流、最大载荷、最小载荷、载荷差和功图面积）、井口生产参数（井口回压、井口套压和井口温度）和电参数（A项电流、A项平均电流、耗电量、AB项电压、功率因数、无功功率、周期内有功功率平均值和周期内无功功率平均值）等17项自动采集处理参数，作为属性数据。其中，地面示功图相关数据的采集频率为1次/30min，其他数据的采集频率为1次/min。利用皮尔逊相关系数分析方法，对收集的结蜡井属性数据，逐口井进行两两之间的相关性分析，从而确定结蜡预警的主控参数。

皮尔逊相关系数也称为皮尔逊积矩相关系数（Pearson product-moment correlation coefficient），是一种线性相关系数，记为r，用来反映两个变量X和Y的线性相关程度，r值介于-1～1之间，其绝对值越大表明相关性越强。r的计算公式为：

r还可以由(Xi，Yi)样本点的标准分数均值估计得到与式（1）等价的表达式：

将每口结蜡井17项属性数据两两之间的皮尔逊相关系数进行平均，分析300口典型结蜡井属性数据的相关性，结果见表1。由表1可知，最大载荷、最小载荷、载荷差、功图面积、上行电流、A项平均电流、周期内有功功率平均值等7项参数相关性系数的绝对值大于0.9，与井筒结蜡密切相关。其中，最小载荷负相关，其余参数正相关。综合典型结蜡井属性数据相关性分析结果，将这7项参数作为预测油井结蜡程度的主控参数。

表1 300口典型结蜡井属性数据相关性分析结果Table 1 Correlation analysis of attribute data of 300 typical paraffin troubled wells

2.2 结蜡预警规则模型的建立

在相关性分析的基础上，结合专业知识和实践经验，总结提炼结蜡井预警主控参数的变化规律，建立结蜡预警规则模型。

用上升趋势、持续上升、超上限、稳定区间、下降趋势等规则定义指标变化趋势，用趋势连续变化时间、变化速率阈值以及载荷差阈值、冲次稳定区间阈值等规则定义趋势变化程度，将7项结蜡主控参数的变化规则进行组合，建立结蜡预警规则模型。受泵型、泵挂深度、原油黏度、含水、结蜡程度等参数的影响，不同油井指标的变化趋势和趋势变化程度等规则不同，需要结合油井的实际井况进行“一井一策”的规则设置。该结蜡预警规则模型融合了业务机理和专家经验，能够量化表征结蜡主控参数的变化规律，对结蜡井进行实时、定性预警提示，其运行示意图见图1。在实际应用时，现场采集的实时生产数据自动加载至计算机，按照预警规则模型设定的规则，利用计算引擎进行数据变化趋势拟合和趋势变化程度阈值判断，若符合模型设定规则，则给出结蜡预警提示信息，技术人员对预警信息准确性进行分析判断，准确的预警信息进入结蜡井样本库。

图1 结蜡预警规则模型运行示意Fig. 1 Operation schematic diagram of wax deposition early warning rule model

以HJH82-X11井为例，创建的结蜡预警规则模型共包括11项规则（见图2），分别为最大载荷上升速率阈值0.2、最小载荷下降速率阈值0.2、载荷差上升速率阈值0.3、功图面积上升速率阈值0.1、上行电流上升速率阈值0.1、A项平均电流上升速率阈值0.1、周期内有功功率平均值上升速率阈值0.1；根据该井杆管泵组合，经计算和分析，设定最大载荷上限阈值为40 kN、载荷差值上限阈值为5 kN；为消除调整参数的影响，增加了冲次稳定的条件，稳定区间阈值0.2。在该井工作制度不变的情况下，利用该模型可定性预警油井结蜡。

图2 HJH82-X11井结蜡预警规则模型Fig.2 Wax deposition early warning rule model of Well HJH82-X11

3 抽油机井结蜡机器学习模型的建立

对结蜡预警主控参数值进行加权处理，建立一项反映结蜡程度的综合特征指标，采用深度神经网络建立结蜡综合特征指标预测模型，利用结蜡规则模型产生的结蜡井样本数据对该模型进行训练，利用训练后的模型可以预测油井结蜡综合特征指标，从而精准确定清蜡时机。

3.1 结蜡综合特征指标的建立

为定量描述油井结蜡程度与生产数据之间的关系，利用主成分分析方法（PCA），计算最大载荷、最小载荷、载荷差、功图面积、上行电流、A项平均电流、周期内有功功率平均值等7个结蜡预警主控参数的权重。

式中：x为样本属性值；下标i为属性索引（i=1， 2，…，n），下标j为样本索引(j=1，2，…，m)；xij为第j个样本的第i个属性对应的数据。

利用收集整理的300口结蜡样本井的7项参数，建立7×300的样本矩阵，代入式（3），计算得到结蜡样本井协方差矩阵B为：

将协方差矩阵进行对角化处理，得到协方差矩阵的特征值，即为各项参数的权重：载荷差、最小载荷、最大载荷、功图面积、上行电流、A项平均电流和周期内有功功率平均值的权重分别为0.887 0，-0.143 8，0.224 1，0.367 9，0.093 2，0.060 3和 0.053 8。将 7项结蜡主控参数的权重进行加权计算得到一个合并指标（即7项结蜡主控参数的权重分别与其参数值相乘后相加），进行归一化处理得到一个能够反映结蜡程度的结蜡综合特征指标（WPSC），该指标介于0～1之间，越接近1蜡卡躺井风险越大。

对收集整理的300口结蜡井中，120口井蜡卡躺井前一个月的WPSC数值进行计算，分析计算结果发现：当结蜡井的WPSC数值约达到0.950后，WPSC数值曲线变化率出现拐点，上升速度明显加快，3～5 d后出现蜡卡躺井情况。因此，在WPSC的数值约达到0.950后应立即采取清蜡措施，以避免蜡卡躺井。以GN24P102井为例，从该井躺井前一个月的WPSC数值可以看出（见图3），2016年11月2日15：30时（即第26天）的WPSC数值为0.946，2016年11月6日10：25时（即第30天）的WPSC数值快速升至0.989，该井发生蜡卡躺井。

图3 GN24P102井躺井前30 d的WPSC数值曲线Fig. 3 WPSC numerical curve of 30 days before Well GN24P102 fails

对结蜡预警规则模型产生的样本数据进行计算处理，建立结蜡井WPSC样本集，作为人工智能预测模型的学习样本。

3.2 结蜡综合特征指标机器学习模型的建立

针对油井生产数据及结蜡程度随时间变化的特征，选用长短时记忆神经网络（LSTM），建立WPSC机器学习模型。LSTM是在通用循环神经网络（RNN）的基础上，在各隐藏层神经单元中加入记忆单元，实现时间序列上的记忆信息可控，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件[19-20]，是一种基于深度学习的人工智能预测算法。

LSTM的计算节点包括输入门、输出门、遗忘门和Cell。其中Cell是LSTM计算节点的核心，主要用于记录当前时刻状态，计算公式为：

此外，有：

WPSC机器学习模型建立及训练方法为：

1）调用接口创建模型，设置超参数。调用Tensor Flow上的接口创建LSTM模型，设置预训练次数、激活函数、优化函数等超参数。

2）根据模型结构，建立测试集和训练集。按照LSTM模型结构，提取结蜡样本集数据，设置时间序列，根据设定输入时间长度对样本数据进行分割处理，创建结蜡井WPSC训练集和测试集，其中每口样本井80%数据用于模型训练，20%数据用于模型测试。

3）模型训练。利用训练集数据进行模型训练，利用测试集数据进行模型预测精度评价，根据预测精度调整和优选超参数。WPSC机器学习模型选用tanh 函数作为激活函数、Adam函数作为优化函数，设定模型输入时间长度（样本输入时间步长）为50 d，模型输出时间长度（模型输出时间步长）为20 d。

4）模型发布。用测试集数据评价WPSC机器学习模型的预测精度，当预测结果的均方根误差小于0.01时，模型训练完成，发布为正式预测模型。

利用发布的预测模型，预测结蜡井WPSC随时间的变化情况，指导技术人员精确把握油井结蜡趋势、发展程度和清蜡时机。当WPSC值大于0.95时，结合油井现场情况及时采取清蜡措施，最大程度地提高油井生产效益。

4 现场应用效果

从2017年7月开始，基于人工智能的油井结蜡预警方法在胜利油田桩23区块进行了现场试验，截至2018年12月，该区块未出现蜡卡躺井问题。目前，该预警方法已经在胜利油田河口、现河等采油厂的550多口易结蜡抽油机井进行了推广应用，技术人员利用模型预测结果，超前把握结蜡趋势和程度，及时采取清蜡措施，累计12口井避免了蜡卡躺井，节约作业费用100多万元。下面以H148井为例，介绍该预警方法的现场应用情况。

该井在2017年7月2日—12月3日生产期间，根据实测数据计算得到的WPSC实际值从0.4逐步升至0.8以上，井筒有结蜡趋势。为此，应用LSTM建立该井的WPSC预测模型，输入步长为50 d，输出步长为20 d，利用7月2日—9月30日的WPSC数据训练预测模型，训练好后预测WPSC值，图4和图5分别为该井10月20—11月8日、11月9日—28日WPSC计算值与预测值的对比曲线。从图4和图5可以看出，WPSC预测值与实际值基本吻合，WPSC实际值由0.860升至0.936。11月29日，该模型预测出该井4 d后的WPSC值为0.954并且有继续增大的趋势（见图6），系统发出清蜡预警，经过综合分析该井生产情况，于12月3日对该井实施热洗清蜡措施，实施后该井各项指标恢复正常，避免了蜡卡躺井的发生。