基于模式識(shí)別技術(shù)的油井工況診斷

張春琳，唐道臨，孫成

（1.成都北方石油勘探開發(fā)技術(shù)有限公司，成都 610051；2.延長(zhǎng)油田股份有限公司，延安 716000；3.西安石油大學(xué)機(jī)械工程學(xué)院，西安 710065）

0 引言

油井在進(jìn)行生產(chǎn)的同時(shí)井下工況也在不斷變化，當(dāng)井下處于較差工況或是故障工況時(shí)不僅會(huì)影響油井正常生產(chǎn)，而且會(huì)造成巨大的電能浪費(fèi)和生產(chǎn)設(shè)備的快速磨損，增加生產(chǎn)成本。通過技術(shù)手段對(duì)井下工況進(jìn)行實(shí)時(shí)分析診斷，能及時(shí)發(fā)現(xiàn)不良的井下工況，根據(jù)具體工況做出相應(yīng)的技術(shù)調(diào)整，可使整個(gè)抽油系統(tǒng)處于高效的運(yùn)行狀態(tài)[1]。模式識(shí)別技術(shù)是對(duì)表征事物的特征信息進(jìn)行處理和分析，通過數(shù)學(xué)方法對(duì)事物進(jìn)行識(shí)別。基于模式識(shí)的油井工況診斷技術(shù)源于20世紀(jì)80年代末，這種方法以計(jì)算機(jī)診斷法為基礎(chǔ)，通過分類器算法實(shí)現(xiàn)智能診斷[2]。因?yàn)橛途奶幱诜忾]的地下，井下環(huán)境惡劣多變，且常規(guī)的技術(shù)手段無法直接獲取井下工況信息，所以包含油井大量多維信息的示功圖可被作為油井工況的判定依據(jù)[3]。由此可見，基于模式識(shí)別的油井工況診斷技術(shù)的實(shí)質(zhì)就是通過分類器算法提取示功圖特征后進(jìn)行圖形匹配。目前用于模式識(shí)別分類器算法有三大種類，一是距離分類器算法，二是模板匹配算法，三是費(fèi)歇分類器算法。由于示功圖自身的特征和油井復(fù)雜的工況限制，基于模式識(shí)別技術(shù)的示功圖識(shí)別的分類器算法常采用距離分類器算法，其中識(shí)別精度較高的算法有灰度矩陣識(shí)別算法[4]、標(biāo)準(zhǔn)誤差法識(shí)別算法[5]。

1 典型油井工況分析舉例

示功圖是分析井下工況的重要依據(jù)，它能反映油井的出油狀況和井下工況[6]。油井井下工況復(fù)雜，使得油井存在許多不同的工況。不同工況對(duì)應(yīng)著不同的示功圖表現(xiàn)形式，同種工況的示功圖表現(xiàn)形式也存在著差異。如圖1為柱塞沙塞工況下的示功圖，其特點(diǎn)是上沖程時(shí)，附加阻力使光桿載荷增加；下沖程時(shí)，附加阻力使光桿載荷減少，且曲線出現(xiàn)不規(guī)則的鋸齒尖峰。由于在進(jìn)行采油作業(yè)時(shí)，油井井底的壓力在不斷進(jìn)行著變化，在這個(gè)過程中會(huì)造成井筒周圍巖壁的破損，使掉落的泥沙隨著地層油液進(jìn)入泵筒中[7]。當(dāng)油井內(nèi)出現(xiàn)砂阻時(shí)，不僅會(huì)降低油井的產(chǎn)量，而且會(huì)引起井下套管的損壞和設(shè)備的快速磨損[8]。

圖1 柱塞砂阻示功圖

圖2（a）為供液不足工況下的示功圖，油井呈現(xiàn)供液不足狀態(tài)時(shí)的示功圖成“刀把”形，即卸載線左移，供液不足越嚴(yán)重“刀把”越長(zhǎng)，供液能力越差[9]，如圖 2（b）、（c）所示。油井供液能力不足，柱塞上沖程時(shí)液體不能充滿泵筒，因而在下沖程柱塞接觸液面之前不能卸載。在柱塞接觸液面后，卸載線和加載線平行。造成油井供液不足的主要原因是由地層的特性決定，如地層壓力不夠、地層滲透性不高都是供液不足的產(chǎn)生原因。當(dāng)油井出現(xiàn)供液不足時(shí)，不僅會(huì)大幅地降低油井的產(chǎn)量，而且還會(huì)出現(xiàn)泵筒充不滿或空抽現(xiàn)象，造成采油設(shè)備的快速無效磨損和電能的巨大浪費(fèi)，增加采油設(shè)備的運(yùn)行維護(hù)成本，降低生產(chǎn)效率。

圖2油井供液能力差示功圖

圖3 為存在氣體影響時(shí)的示功圖。由于在下沖程末余間隙內(nèi)還殘存一定數(shù)量的壓縮溶解氣，上沖程開始后泵內(nèi)壓力因氣體的膨脹而不能很快降低，加載緩慢，使吸入閥打開滯后；下沖程時(shí)，氣體受壓縮，泵內(nèi)壓力不能迅速提高，使排除閥打開滯后[10]。泵筒內(nèi)的氣體會(huì)影響抽油桿卸載，降低油井產(chǎn)量。

圖4為油管、抽油桿結(jié)蠟時(shí)的示功圖。由于油井結(jié)蠟，使活塞在整個(gè)行程中或某些區(qū)域增加附加阻力，反映在示功圖上為上下載荷線上出現(xiàn)波浪性彎曲且示功圖顯得肥胖。由于儲(chǔ)層中的原油含有石蠟和瀝青，在生產(chǎn)作業(yè)時(shí)，井筒內(nèi)的壓力會(huì)發(fā)生變化使得原油中的石蠟和瀝青析出，造成油管、抽油桿的結(jié)蠟現(xiàn)象[11]。當(dāng)油井出現(xiàn)結(jié)蠟現(xiàn)象時(shí)不僅會(huì)使油管和抽油桿處結(jié)蠟，而且還會(huì)造成井壁泵筒游動(dòng)閥、固定閥處結(jié)蠟。當(dāng)結(jié)蠟現(xiàn)象發(fā)生時(shí)油流通道逐漸縮小，增大油流阻力，降低油井產(chǎn)能，結(jié)蠟嚴(yán)重時(shí)甚至?xí)斐捎途．a(chǎn)。

圖3 氣體影響示功圖

圖4 油管、抽油桿結(jié)蠟示功圖

2 建立標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫

標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫是油井工況診斷的基礎(chǔ)，基于模式識(shí)別技術(shù)的油井工況診斷方法都是通過提取待識(shí)別示功圖特征后與標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫進(jìn)行逐一比對(duì)實(shí)現(xiàn)工況診斷，所以在實(shí)現(xiàn)工況診斷之前需要建立工況識(shí)別的判斷標(biāo)準(zhǔn)。在建立標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫時(shí)首先需要采集大量典型工況下的示功圖作為標(biāo)準(zhǔn)樣本，同時(shí)并不斷往數(shù)據(jù)庫里添加每種工況下不同表現(xiàn)形式的示功圖。隨著數(shù)據(jù)的不斷積累，標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫里的樣本也在不斷完善和不斷細(xì)化。為簡(jiǎn)化后期識(shí)別工況時(shí)的分析過程，標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫里的每一張示功圖都添加了詳細(xì)的工況注釋和故障工況的處理方法，以便簡(jiǎn)化后期的工況解釋工作。建立的標(biāo)準(zhǔn)工況數(shù)據(jù)庫便是待識(shí)別工況示功圖的匹配標(biāo)準(zhǔn)。通過分類器算法，將未知工況示功圖與標(biāo)準(zhǔn)樣本數(shù)據(jù)庫里的數(shù)據(jù)進(jìn)行匹配，尋找到的最佳匹配工況即是示功圖所表示的工況。簡(jiǎn)易標(biāo)準(zhǔn)工況數(shù)據(jù)庫如圖5所示。

3 特征提取與工況識(shí)別

在進(jìn)行模式識(shí)別時(shí)，必須提取示功圖特征，即與分類器有關(guān)的各種因素才能完成工況識(shí)別。從某種意義上講，特征提取是模式識(shí)別的關(guān)鍵，特征提取的成功與否意味著模式識(shí)別技術(shù)應(yīng)用的成功與否。示功圖中包含的特征有示功圖的幾何特征、示功圖形狀特征、力學(xué)特征、位移特征等。針對(duì)不同的分類器算法提取不同的示功圖特征，完成工況識(shí)別。

3.1 灰度矩陣識(shí)別算法

示功圖的灰度矩陣識(shí)別算法是在示功圖網(wǎng)格矩陣的基礎(chǔ)上形成的一種識(shí)別精度更高的算法，灰度矩陣識(shí)別算法可獲取示功圖的詳細(xì)幾何特征[12]?；叶染仃囎R(shí)別算法提取的是示功圖的幾何形狀特征，將示功圖通過網(wǎng)格劃分的方法按水平和垂直兩個(gè)方向分成m×n個(gè)網(wǎng)格，然后將示功圖輪廓線通過的網(wǎng)格賦1，得到示功圖輪廓特征。輪廓線以內(nèi)，按距離輪廓線的距離賦值，每遠(yuǎn)離邊界一格其灰度值增1，距離越遠(yuǎn)灰度值越高，即網(wǎng)格元素值賦值越大；輪廓線以外，距離輪廓線的距離越遠(yuǎn)，灰度值越低，每遠(yuǎn)離邊界一格其灰度值減1，即網(wǎng)格元素值賦值越小[13]。每一個(gè)網(wǎng)格內(nèi)的值代表著該網(wǎng)格的像素值，將待識(shí)別示功圖網(wǎng)格的m×n個(gè)像素值aij與標(biāo)準(zhǔn)數(shù)據(jù)庫中示功圖相同位置網(wǎng)格像素值bij相減，再將所有網(wǎng)格的差值累加，得到的值即為匹配值R。R越小說明匹配到標(biāo)準(zhǔn)工況示功圖與待識(shí)別示功圖越相似，匹配到的最小R值時(shí)的標(biāo)準(zhǔn)工況即為待識(shí)別示功圖代表的油井工況。示功圖的灰度矩陣如圖6所示。

圖5 簡(jiǎn)易標(biāo)準(zhǔn)工況數(shù)據(jù)庫

3.2 標(biāo)準(zhǔn)誤差識(shí)別算法

標(biāo)準(zhǔn)誤差識(shí)別算法需要提取歸一化后示功圖的形狀特征，通過將待識(shí)別示功圖的形狀特征與標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫里樣本的形狀特征進(jìn)行逐一匹配，尋找到的最佳匹配工況即為待識(shí)別示功圖所代表的工況。首先需要對(duì)示功圖進(jìn)行歸一化處理，將示功圖中的位移設(shè)為常量，示功圖中的載荷作為匹配量。在進(jìn)行圖形匹配時(shí)，將示功圖按上下沖順序展開成一系列的點(diǎn)，待識(shí)別示功圖的每一個(gè)載荷值與標(biāo)準(zhǔn)樣本數(shù)據(jù)庫里正在匹配的示功圖的對(duì)應(yīng)點(diǎn)載荷值相減，再將所有點(diǎn)的差值累加，得到的值即為匹配值d。d越小說明匹配到標(biāo)準(zhǔn)工況示功圖與待識(shí)別示功圖越相似，匹配到的最小d值時(shí)的標(biāo)準(zhǔn)工況即為待識(shí)別示功圖代表的油井工況。

式中，E=WA(x)-WB(x)，其中WA(x)：待識(shí)別工況的載荷，WB(x)：標(biāo)準(zhǔn)工況的載荷。

圖6 示功圖灰度矩陣

3.3 工況識(shí)別的實(shí)現(xiàn)

通過MATLAB編程實(shí)現(xiàn)工況識(shí)別的過程。首先通過MATLAB的存儲(chǔ)功能將建立的標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫進(jìn)行數(shù)字化儲(chǔ)存，并編寫成一項(xiàng)調(diào)用函數(shù)供圖形匹配時(shí)使用。然后建立灰度矩陣識(shí)別算法的調(diào)用函數(shù)和標(biāo)準(zhǔn)誤差識(shí)別算法的調(diào)用函數(shù)，并將匹配值轉(zhuǎn)換成相似值顯示出來。最后編寫示功圖讀入時(shí)的數(shù)據(jù)處理程序和圖形匹配時(shí)的循環(huán)算法，實(shí)現(xiàn)待識(shí)別示功圖與標(biāo)準(zhǔn)樣本數(shù)據(jù)庫進(jìn)行逐一匹配，尋找最優(yōu)匹配。圖7（a）為灰度矩陣識(shí)別算法識(shí)別結(jié)果圖，圖7（b）為標(biāo)準(zhǔn)誤差識(shí)別算法識(shí)別結(jié)果圖。

4 結(jié)語

圖7 工況識(shí)別示意圖

綜上所述，通過模式識(shí)別技術(shù)對(duì)示功圖進(jìn)行定量分析可識(shí)別出油井的井下工況，能夠?yàn)橛吞锏姆€(wěn)定生產(chǎn)提供技術(shù)保障。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等新一代信息技術(shù)和石油工業(yè)的不斷發(fā)展，油田將進(jìn)一步實(shí)現(xiàn)智能化、數(shù)字化，從而實(shí)現(xiàn)高效生產(chǎn)?；谀Ｊ阶R(shí)別技術(shù)的油井工況診斷是人工智能技術(shù)在石油行業(yè)里的應(yīng)用，它不僅能系統(tǒng)地分析油井井下工況，而且還能及時(shí)地發(fā)現(xiàn)潛在的問題和不良工況。通過建立的標(biāo)準(zhǔn)工況樣本數(shù)據(jù)庫，可對(duì)相應(yīng)的工況做出描述和初步調(diào)整的建議，能幫助現(xiàn)場(chǎng)工作人員應(yīng)對(duì)不同工況迅速做出決策，通過技術(shù)手段進(jìn)行相應(yīng)的調(diào)整，提高生產(chǎn)運(yùn)行的效率。