基于卷积神经网络的在线泵效计算方法研究与应用

2021-02-06陈佳乐高鹏朱丹丹金学锋朱丽萍张战敏

石油化工自动化 2021年1期

关键词：示功图抽油机网络结构

陈佳乐,高鹏,朱丹丹,金学锋,朱丽萍,张战敏

(1. 中国石油大学(北京) 信息科学与工程学院，北京 102249；2. 中国石油华北油田公司工程技术研究院，河北任丘 062552)

降低能耗、提高开发效率一直是油田开发的方向和目标[1]，因此，快速、准确的泵效在线监测是油田生产管理的重要环节。泵效η指的是实际产量qV和理论产量qVt的比值，计算如式(1)所示[2-4]：

η=qV/qVt

(1)

式中：qV——实际产量，m3/d；qVt——理论产量，m3/d。

单井的实际产量大多采用有效冲程法计算，该方法通过对井下泵示功图的分析，确定柱塞的有效冲程，从而计算出油井的折算产液量[5-6]。但地面示功图转换为井下泵示功图过程需要求解波动方程，计算速度慢，难以满足油田实时在线计算的要求。

本文针对以上问题，提出一种基于卷积神经网络CNN(convolutional neural network)的泵效计算方法，挖掘油井多源生产数据与泵效之间的非线性映射关系，避免了理论产量和实际产量的复杂计算过程。该方法通过卷积操作自动提取地面示功图的特征图，并融合沉没度、油气比和含水率等油井参数，以及泵径、冲程和冲次等抽油机参数，可以实现抽油机泵效的快速计算。此外，井下泵示功图作为先验知识的引入，更是有助于泵效计算精度的提升。

1 卷积神经网络简介

CNN是一种专门用来处理具有类似网格结构的数据的前馈人工神经网络，它的神经元可以响应一部分覆盖范围内的周围单元，在图像处理方面有出色表现，广泛应用于目标检测、实例分割和图像生成等诸多领域。

油井地面示功图数据是由多个载荷位移采样点构成，由这些采样点可绘制成地面示功图，即像素矩阵，使用CNN可从图像中提取有用的信息，进而计算出泵效。卷积神经网络的结构如图1所示。

图1 卷积神经网络结构示意

2 泵效计算模型

泵效计算模型的整体框架如图2所示，主要包括特征提取、泵示功图生成和特征融合三大模块。特征提取模块的输入为地面示功图像素矩阵，由多个示功图采样点绘制而成，然后通过一系列卷积层将少通道大尺寸的图像转化为多通道小尺寸的特征图；泵示功图生成模块采用一系列与特征提取模块对称的反卷积层，从特征图生成井下泵示功图；特征融合模块通过一系列卷积层将特征图转换为通道更多、尺寸更小的特征图，再通过全局的平均池化操作将其转化为特征向量，然后通过全连接层融合特征向量和油井参数、抽油机参数，进而计算出泵效。

图2 泵效计算模型整体框架示意

2.1 特征提取

特征提取网络结构如图3所示，其输入为地面示功图像素矩阵，图像的尺寸为224×224像素，由多个示功图采样点绘制而成，网络输出为128×28×28像素的特征图。特征提取网络由一个卷积层和4个卷积模块组成，卷积模块结构如图3所示，由两层卷积核尺寸为3×3的卷积层和一个直连结构组成，输出通过一个线性整流函数(图3中的relu)，该结构可以有效地解决网络梯度消失问题，加快训练速度。

图3 特征提取网络结构示意

2.2 泵示功图生成

地面示功图通过理论计算可以得到井下泵示功图，若从地面示功图提取的特征图能够转换为井下泵示功图，则可认为这些特征图保留了地面示功图比较全面的有效信息。因此，模型引入该先验知识，在网络中添加了生成泵示功图的分支，也可认为是用光杆的理论知识对模型的一种约束，增强模型的合理性。

生成泵示功图的网络结构如图4所示，该分支输入为128×28×28像素的特征图，输出为224×224像素泵示功图。网络由4个反卷积模块与一个反卷积层组成，和特征提取的网络层对称，目的是由特征图生成井下泵示功图。反卷积模块拓扑结构和前面卷积模块基本相同。

图4 生成泵示功图的网络结构示意

2.3 特征融合

实际生产中，影响实际产量小于泵理论排量的因素分别有：冲程损失、泵充满程度、气体影响、泵漏失等[7-9]，这些因素大都可以从示功图中定性地分析出来，为了提高模型泵效计算的精度，将沉没度、油气比和含水率等油井参数，以及泵径、冲程和冲次等抽油机参数融入模型。

特征融合网络结构如图5所示，特征融合网络的输入包括特征图及沉没度、油气比、含水率等油井参数，以及泵径、冲程和冲次等抽油机参数，输出是泵效，即最终的计算结果。该网络结构由4个卷积模块和3层全连接层组成，卷积模块的结构同特征提取网络，卷积层的最后再加上全局平均池化层，这样可以降低特征的维度，提高网络的鲁棒性。而全连接层将卷积层提取的特征和油井参数、抽油机参数充分融合到一起，进而计算出产液量。

图5 特征融合网络结构示意

3 参数设置

3.1 模型损失

本文提出的泵效计算模型的损失函数L由两部分组成：

L=λL1+μL2

(2)

式中：L1——网络生成的泵示功图与理论计算得到的泵示功图之间的损失；L2——网络输出的泵效与实际泵效之间的损失，两部分损失通过两个参数λ，μ整合到一起。

两部分的损失函数均采用平方损失作为损失函数，即对于给定的一组训练样本，模型的训练目标是最小化预测值和预测目标的平方误差L0如式(3)所示：

(3)

式中：n——样本数量；f——网络模型；y——要预测的值。

L1可以使得模型能够从特征图生成接近于理论计算结果的泵示功图，而这一先验知识的加入，有助于卷积层提取到更加全面的特征，进而更准确地计算出泵效。

3.2 参数优化

网络模型参数优化算法采用自适应矩估计Adam(adaptive moment estimation)[10]。Adam是一种基于梯度下降(SGD)的方法，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。计算公式如式(4)～式(8)所示：

mk=β1mk-1+(1-β1)gk

(4)

(5)

(6)

(7)

(8)

4 应用效果与分析

在某油田现场试验井应用本文提出的泵效计算方法进行了测试。测试结果见表1所列，8口试验井采用本文提出的泵效计算模型计算出的泵效与实际测量的泵效误差均小于10%,平均误差为3.83%,模型达到了较高的精度，验证了该泵效计算方法的合理性。此外，将井下泵示功图作为先验知识引入，有效地提高了泵效计算的精度。GPU支持的前提下，单井泵效计算速度可达到毫秒级别，满足油井在线计算的要求。应用效果如图6泵效曲线所示。